128位java_对128位SIMD寄存器进行“双精度位移字节”

用x64汇编编写国密SM3散列算法遇到了一个小问题：

假定32位数组W[68]的前7个数据被导入xmm0:1寄存器：

|-------------------|-------------------|

| xmm0 | xmm1 |

|----|----|----|----|----|----|----|----|

|W[0]|W[1]|W[2]|W[3]|W[4]|W[5]|W[6]|W[7]|

|----|----|----|----|----|----|----|----|

现要将W[3:6]导入xmm2寄存器：

|-------------------|

| xmm2 |

|----|----|----|----|

|W[3]|W[4]|W[5]|W[6]|

|----|----|----|----|

不许改变xmm0:1的内容，可以使用其它xmm寄存器，CPUID限定06_5EH。

能够产生正确结果的代码并非唯一：

代码一：

pextrd $3, %xmm0, %eax #eax = W[3]

pshufd $0x93, %xmm1, %xmm2 #xmm2 = |W[7]|W[4]|W[5]|W[6]|

pinsrd $0, %eax, %xmm2 #xmm2 = |W[3]|W[4]|W[5]|W[6]|

代码二：

pextrd $3, %xmm0, %eax #eax = W[3]

movdqa %xmm1, %xmm2 #xmm2 = |W[4]|W[5]|W[6]|W[7]|

psrldq $0x8, %xmm2 #xmm2 = |0000|W[4]|W[5]|W[6]|

pinsrd $0, %eax, %xmm2 #xmm2 = |W[3]|W[4]|W[5]|W[6]|

代码三：

movdqa %xmm1, %xmm2 #xmm2 = |W[4]|W[5]|W[6]|W[7]|

pslldq $0x4, %xmm2 #xmm2 = |0000|W[4]|W[5]|W[6]|

movdqa %xmm0, %xmm3 #xmm3 = |W[0]|W[1]|W[2]|W[3]|

psrldq $0x12, %xmm3 #xmm3 = |w[3]|0000|0000|0000|

por %xmm3, %xmm2 #xmm2 = |W[3]|W[4]|W[5]|W[6]|

分别将上述代码插入循环测试程序中，得到的结果是：代码一和代码二速度一样，

代码三比前者速度快一倍！查阅Intel编程手册才发现这里面有个大坑：pextrd

指令的耗时高达3，pinsrd指令耗时为2，两者的冷却都是1，而其它的指令耗时只有1，

冷却最短的movdqa只有0.25，字节位移指令pslldq和psrldq的冷却也只有0.33，

导致代码三性能大幅度胜出。pextrd比pinsrd还慢尤其毁三观，以内存为例，写入

速度比读取速度慢N倍都是很正常的，然而xmm寄存器和通用寄存器的交换过程中，

导出(类同读取)竟然比导入(类同写入)还慢50%，这个耗时已经接近64位乘法(耗时4)

和L1缓存读取64位数据(耗时4)，即便与64位写入L1缓存(耗时5)相比，pextrd的耗时

3也是惊人的。