快速初始化内存(2)

因为我们使用静态库链接，Intel版本在代码中是一个函数调用。跟踪进入，可以发现Intel的实现在第一次调用时会先检测CPU类型，然后根据CPU类型跳转到不同的实现。在P4 机器上，其主循环如下：

 

00401A40   sub         ecx,80h

00401A46   movdqa      xmmword ptr [edx],xmm0

00401A4A   movdqa      xmmword ptr [edx+10h],xmm0

00401A4F   movdqa      xmmword ptr [edx+20h],xmm0

00401A54   movdqa      xmmword ptr [edx+30h],xmm0

00401A59   movdqa      xmmword ptr [edx+40h],xmm0

00401A5E   movdqa      xmmword ptr [edx+50h],xmm0

00401A63   movdqa      xmmword ptr [edx+60h],xmm0

00401A68   movdqa      xmmword ptr [edx+70h],xmm0

00401A6D   add         edx,80h

00401A73   cmp         ecx,80h

00401A79   jge         ___intel_new_memset+750h (00401a40)

 

可见Intel的实现使用了SSE2的128位xmm寄存器，并且为了促使指令并行，放置了8条复制指令，这样每个循环能够复制128×8=512 Bit。

MSC版本：

42:       for (j=0; j< LoopTimes; j++)

43:       {

44:           memset(lpByte,1,SIZE);

0040103B   mov         ecx,1900000h

00401040   mov         eax,1010101h

00401045   mov         edi,ebx

00401047   dec         edx

00401048   rep stos    dword ptr [edi]

0040104A   jne         threadfunc+3Bh (0040103b)

 

如果是Debug版本，因为微软提供了CRT的sourcecode，可以跟踪其汇编实现，在Release版本，优化结果为把函数调用展开，但因为这里的实现只使用了普通的386指令按DWORD传送数据，所以在性能上会有如此大的差异。

 

另外，如果测试代码中的SIZE定义为较小的值，比如1024*128，在L2 cache为512K的P4上，两种方法的执行结果相差不大，由此可见Cache对局部访问的促进作用。

 

说明：以上例子在VC6和VC7中的结果相同。如果直接用Intel编译器编译，直接使用memset即可，Intel编译器在遇到memset时实际上编译为__VEC_memset，然后链接到Intel的Runtime库上。