x86 程序集 pushad/popad，速度有多快？
x86 Assembly pushad/popad, How fast it is?
我只是想在 x86 汇编中编写非常快速的基于计算的程序
但我需要在调用过程之前推送累加器、计数器和数据寄存器。手动推送它们更快：
push eax
push ecx
push edx
或者只是使用，
pushad
和 poping 一样。谢谢
如果您关心性能，pusha / popa 几乎没有用。它们仅在以牺牲速度为代价优化代码大小时才有用，例如to save/restore 围绕一个函数注册。但是对于非 void 函数来说非常不方便，因为它们会重新加载 all 寄存器，所以你必须将 return 值存储在内存中（例如，在堆栈槽上将加载到 eax，或在 popad 之后重新加载的其他地方。
只压入需要保存的寄存器，或者你想作为函数参数传递的寄存器。或者，在 inline-assembly 中，只需为任何临时寄存器声明 "=r"(dummy1) 虚拟输出操作数，让编译器为您管理寄存器，或者在特定寄存器上使用 clobbers。通常，编译器可以选择可以让您在不保存的情况下破坏的寄存器。 （或者在笨重的 MSVC 风格的内联 asm 中，编译器无法为你分配寄存器，所以你必须手动选择。编译器解析你的 asm 以找到 clobbers。）
您通常不需要 save/restore eax；为了提高性能，如果您一开始无法计算 esi 中的值，您可能应该 mov esi, eax / 调用 / 使用 esi 中的值。 即对需要在 call 中存活的值使用调用保留寄存器，因此重要值的 store/reload 不在关键路径上。相反，store/reload 位于调用者的调用保留寄存器之一的关键路径上，您（或编译器）push/pop 围绕整个函数，在任何循环之外。
详细了解 call-preserved vs. call-clobbered registers and how saving/restoring should normally work. And what makes a good calling convention, e.g. how x86-64 System V was designed, and also 应在寄存器中传递多少个参数，以及为什么不对整数参数也使用 XMM 寄存器。当然，辅助函数可以使用自定义调用约定。
pusha / popa 在大多数 CPU 上都很慢
即使您确实想要压入所有 8 个整数寄存器（包括 esp!），使用 8 个单独的 push 指令实际上在现代上更快CPU秒。 pusha/popa 已微编码，which can be a problem for the front-end。 （虽然 8 个单字节指令也可能成为 uop-cache 的问题。但在实际代码中，您通常只需要压入几个寄存器，而不是全部。）
如果您针对过时的 CPU 进行优化（例如原始的有序 Pentium 和 Pentium II/III），pusha/popa 与 8 push r 一样快或 8 pop r，实际上更少的 uops，因为他们没有堆栈引擎来消除 ESP 更新 uops。
来自 Agner Fog's instruction tables：现代 CPUs 有单 uop push reg 和 pop reg，因为这些指令一直被编译器使用，因此对表现。 push/pop 吞吐量通常匹配 store/load 吞吐量（通常每个时钟 1 个存储或每个时钟 2 个加载）。但是 pusha / popa 没有被编译器使用，所以 CPU 设计者没有特殊的支持来使它们变快。 popa 如果 just 运行 popa，则吞吐量仅限于每个时钟 1 个负载。 （我认为在 Intel CPUs 上，对测量性能最可能的解释是 popa 不使用堆栈引擎，因此它的瓶颈依赖于 esp。）
英特尔：
- Skylake：
pusha：11 微指令，8c 吞吐量。 popa：18 uops / 8c 吞吐量。
- Sandybridge：
pusha：16 uops / 8c 吞吐量。 popa：18 uops / 9c 吞吐量。
- Nehalem：
pusha：18 uops / 8c 吞吐量。 popa：10 uops / 8c 吞吐量。
- Silvermont/KNL:
pusha: 10 uops / 10c 吞吐量。 popa：17 微指令/14c 吞吐量。
- Pentium4：
pusha：4/10 uops / 19c 吞吐量。 popa：4/16 微指令/14c 吞吐量。
- P5 Pentium 1 / MMX：5-9 周期，不可配对。 “9 如果 SP 可以被 4 整除（不完美的配对）。”
AMD：pusha/popa 在某些 AMD CPUs 上出奇的好，尤其是 K8。
- Ryzen：
pusha：9 微指令，8c 吞吐量。 popa：9 微指令，4c 吞吐量。 （与英特尔不同，AMD 的新设计 popa 不比 8 倍 pop 差。）
- Jaguar：
pusha：9 uops / 8c 吞吐量。 popa：9 uops / 8c 吞吐量。 （Jaguar 通常每个时钟只能加载一次。）
- 打桩机：
pusha：9 uops / 9c 吞吐量。 popa：14 uops / 8c 吞吐量。 （Agner 将 Bulldozer 系列的常规 pop reg 吞吐量列为每个时钟 1 个，尽管我认为他们确实有一个堆栈引擎并且每个时钟可以执行 2 个负载。也许堆栈引擎一次只能处理一个堆栈指令？ )
- K8：
pusha：9 uops / 4c 吞吐量！！ （我不知道这是怎么可能的，这是 table 中的错误或拼写错误，或者 K8 合并了 32 位寄存器并进行了四个 64 位存储）。 popa：9 uops / 4c 吞吐量。这些数字看起来确实是真实的：InstLatx86 measurements 与 Clawhammer（第一代 K8 微体系结构）上 pushad / popad 的 4c 吞吐量一致。很明显，AMD 在优化 pushad. 方面付出了一些努力
您标记了这个 inline-assembly。通常你应该避免在 inline-asm 中使用 call，这样 C 编译器就会知道这个调用。
并且让编译器去操心寄存器；只需告诉它您修改了哪些（GNU C asm("..." ::: "eax", "ecx") 或其他），或者在 MSVC 样式的内联 asm 中，它会解析您的 asm 并知道写入了哪些寄存器。如果其中包含任何调用保留寄存器，编译器将 save/restore 那些位于整个函数 start/end 的寄存器，即使 asm 语句在循环中也是如此。 （它可能需要溢出 and/or 重新加载一些本地变量 before/after asm 语句或块，但会使用 mov，而不是 push/pop。）
我只是想在 x86 汇编中编写非常快速的基于计算的程序 但我需要在调用过程之前推送累加器、计数器和数据寄存器。手动推送它们更快：
push eax
push ecx
push edx
或者只是使用，
pushad
和 poping 一样。谢谢
如果您关心性能，pusha / popa 几乎没有用。它们仅在以牺牲速度为代价优化代码大小时才有用，例如to save/restore 围绕一个函数注册。但是对于非 void 函数来说非常不方便，因为它们会重新加载 all 寄存器，所以你必须将 return 值存储在内存中（例如，在堆栈槽上将加载到 eax，或在 popad 之后重新加载的其他地方。
只压入需要保存的寄存器，或者你想作为函数参数传递的寄存器。或者，在 inline-assembly 中，只需为任何临时寄存器声明 "=r"(dummy1) 虚拟输出操作数，让编译器为您管理寄存器，或者在特定寄存器上使用 clobbers。通常，编译器可以选择可以让您在不保存的情况下破坏的寄存器。 （或者在笨重的 MSVC 风格的内联 asm 中，编译器无法为你分配寄存器，所以你必须手动选择。编译器解析你的 asm 以找到 clobbers。）
您通常不需要 save/restore eax；为了提高性能，如果您一开始无法计算 esi 中的值，您可能应该 mov esi, eax / 调用 / 使用 esi 中的值。 即对需要在 call 中存活的值使用调用保留寄存器，因此重要值的 store/reload 不在关键路径上。相反，store/reload 位于调用者的调用保留寄存器之一的关键路径上，您（或编译器）push/pop 围绕整个函数，在任何循环之外。
详细了解 call-preserved vs. call-clobbered registers and how saving/restoring should normally work. And what makes a good calling convention, e.g. how x86-64 System V was designed, and also
pusha / popa 在大多数 CPU 上都很慢
即使您确实想要压入所有 8 个整数寄存器（包括 esp!），使用 8 个单独的 push 指令实际上在现代上更快CPU秒。 pusha/popa 已微编码，which can be a problem for the front-end。 （虽然 8 个单字节指令也可能成为 uop-cache 的问题。但在实际代码中，您通常只需要压入几个寄存器，而不是全部。）
如果您针对过时的 CPU 进行优化（例如原始的有序 Pentium 和 Pentium II/III），pusha/popa 与 8 push r 一样快或 8 pop r，实际上更少的 uops，因为他们没有堆栈引擎来消除 ESP 更新 uops。
来自 Agner Fog's instruction tables：现代 CPUs 有单 uop push reg 和 pop reg，因为这些指令一直被编译器使用，因此对表现。 push/pop 吞吐量通常匹配 store/load 吞吐量（通常每个时钟 1 个存储或每个时钟 2 个加载）。但是 pusha / popa 没有被编译器使用，所以 CPU 设计者没有特殊的支持来使它们变快。 popa 如果 just 运行 popa，则吞吐量仅限于每个时钟 1 个负载。 （我认为在 Intel CPUs 上，对测量性能最可能的解释是 popa 不使用堆栈引擎，因此它的瓶颈依赖于 esp。）
英特尔：
- Skylake：
pusha：11 微指令，8c 吞吐量。popa：18 uops / 8c 吞吐量。 - Sandybridge：
pusha：16 uops / 8c 吞吐量。popa：18 uops / 9c 吞吐量。 - Nehalem：
pusha：18 uops / 8c 吞吐量。popa：10 uops / 8c 吞吐量。 - Silvermont/KNL:
pusha: 10 uops / 10c 吞吐量。popa：17 微指令/14c 吞吐量。 - Pentium4：
pusha：4/10 uops / 19c 吞吐量。popa：4/16 微指令/14c 吞吐量。 - P5 Pentium 1 / MMX：5-9 周期，不可配对。 “9 如果 SP 可以被 4 整除（不完美的配对）。”
AMD：pusha/popa 在某些 AMD CPUs 上出奇的好，尤其是 K8。
- Ryzen：
pusha：9 微指令，8c 吞吐量。popa：9 微指令，4c 吞吐量。 （与英特尔不同，AMD 的新设计popa不比 8 倍pop差。） - Jaguar：
pusha：9 uops / 8c 吞吐量。popa：9 uops / 8c 吞吐量。 （Jaguar 通常每个时钟只能加载一次。） - 打桩机：
pusha：9 uops / 9c 吞吐量。popa：14 uops / 8c 吞吐量。 （Agner 将 Bulldozer 系列的常规pop reg吞吐量列为每个时钟 1 个，尽管我认为他们确实有一个堆栈引擎并且每个时钟可以执行 2 个负载。也许堆栈引擎一次只能处理一个堆栈指令？ ) - K8：
pusha：9 uops / 4c 吞吐量！！ （我不知道这是怎么可能的，这是 table 中的错误或拼写错误，或者 K8 合并了 32 位寄存器并进行了四个 64 位存储）。popa：9 uops / 4c 吞吐量。这些数字看起来确实是真实的：InstLatx86 measurements 与 Clawhammer（第一代 K8 微体系结构）上pushad/popad的 4c 吞吐量一致。很明显，AMD 在优化pushad. 方面付出了一些努力
您标记了这个 inline-assembly。通常你应该避免在 inline-asm 中使用 call，这样 C 编译器就会知道这个调用。
并且让编译器去操心寄存器；只需告诉它您修改了哪些（GNU C asm("..." ::: "eax", "ecx") 或其他），或者在 MSVC 样式的内联 asm 中，它会解析您的 asm 并知道写入了哪些寄存器。如果其中包含任何调用保留寄存器，编译器将 save/restore 那些位于整个函数 start/end 的寄存器，即使 asm 语句在循环中也是如此。 （它可能需要溢出 and/or 重新加载一些本地变量 before/after asm 语句或块，但会使用 mov，而不是 push/pop。）