あまラボ連載1　高速なメモリーコピー　その４

連載1　高速なメモリーコピー　その４

メモリーアライメントのそろえ方

void *p1 = malloc( size + 15 );

void *p2 = ((unsigned long)p + 15) & 0xFFFFFFF0;

まずは確保したいバッファサイズ（size）より15バイト多く確保してそのアドレスをp1とします。

p1のアドレスがどうなるかは環境に依存するらしいので16バイトの境界にあっているとは限りません。なのでこのままでは高速なSSE命令が使えないので二行目の計算を行って16バイトの境界に合わせます。

計算方法は15を足してから下位4bitをクリアするだけです。これでp2の先頭から処理することで高速なSSE命令を使えます。

ちなみに、次の関数を使うと最初からアライメントの揃ったバッファのアドレスを取得できるようです（実際に使ったことは有りませんが）。

void * _aligned_malloc(
size_t size,
size_t alignment
);

ex) void *p3 = _aligned_malloc( size, 16 );

このように16バイトのアライメントに揃えたバッファ_srcから_dstに対して_sizeバイトコピーするSSE処理は次のようになります。

void ssememcpy1( void *_dst, void *_src, DWORD _size )
{
    if (_size < 64) {
        memcpy( _dst, _src, _size );
        return ;
    }
__asm
{
    mov     esi, _src;
    mov     eax, _dst;
    sub     eax, esi;
    mov     ecx, _size;
    shr     ecx, 6;             // ecx = ecx / 64;
LOOP_MAIN:
    movdqa xmm0, [esi+ 0];
    movdqa xmm1, [esi+16];
    movdqa xmm2, [esi+32];
    movdqa xmm3, [esi+48];
    MOVNTDQ [esi+eax+ 0], xmm0;
    MOVNTDQ [esi+eax+16], xmm1;
    MOVNTDQ [esi+eax+32], xmm2;
    MOVNTDQ [esi+eax+48], xmm3;
    add     esi, 64;
    loop    LOOP_MAIN;

    add     eax, esi;
    mov     _src, esi;
    mov     _dst, eax;
}
    memcpy( _dst, _src, _size & 0x0000003F );
}