长整数例程可以从 SSE 中受益吗？

Posted 2023-02-16

【中文标题】长整数例程可以从 SSE 中受益吗？

【英文标题】：Can long integer routines benefit from SSE?

【发布时间】：2012-01-15 01:54:28

【问题描述】：

我仍在研究 C++ 中任意长整数的例程。到目前为止，我已经为 64 位 Intel CPU 实现了加法/减法和乘法。

一切正常，但我想知道是否可以通过使用 SSE 来加快速度。我浏览了 SSE 文档和处理器指令列表，但找不到任何我认为可以使用的东西，原因如下：

SSE 有一些整数指令，但大多数指令处理浮点数。它看起来不像是为与整数一起使用而设计的（例如，有整数比较 less 吗？）

SSE 的思想是 SIMD（同一指令，多数据），因此它提供了 2 或 4 个独立操作的指令。另一方面，我想要一个 128 位整数加法（128 位输入和输出）。这似乎不存在。 （但是？可能在 AVX2 中？）

整数加法和减法既不处理输入也不处理输出进位。所以手工操作非常麻烦（因此很慢）。

我的问题是：我的评估是正确的还是我忽略了什么？特别是，他们能帮助我编写一个更快的 add、sub 或 mul 例程吗？

【参考方案1】：

过去，这个问题的答案是肯定的，“不”。但截至 2017 年，情况正在发生变化。

但在我继续之前，是时候介绍一些背景术语了：

全字算术 部分字算术

全字算术：

这是使用 32 位或 64 位整数数组以基数 2³² 或 2⁶⁴ 存储数字的标准表示。 许多 bignum 库和应用程序（包括 GMP）使用这种表示。

在全字表示中，每个整数都有唯一的表示。比较之类的操作很简单。但是像加法这样的东西比较困难，因为需要进行进位传播。

正是这种进位传播使得 bignum 算法几乎不可能向量化。

部分字算术

这是一种较少使用的表示形式，其中数字使用的基数小于硬件字长。例如，在每个 64 位字中仅放置 60 位。或者使用 base 1,000,000,000 和 32 位字长进行十进制运算。

GMP 的作者称其为“钉子”，其中“钉子”是单词中未使用的部分。

过去，部分字算术的使用主要限于在非二进制基础上工作的应用程序。但如今，它变得越来越重要，因为它允许延迟进位传播。

---

全字算术问题：

向量化全字算术历来是一个失败的原因：

SSE/AVX2 不支持进位传播。 SSE/AVX2 没有 128 位加/减。 SSE/AVX2 没有 64 x 64 位整数乘法。*

*AVX512-DQ 添加了一个下半部分 64x64 位乘法。但是仍然没有上半部分指令。

此外，x86/x64 有很多专门的 scalar 指令用于 bignums：

带进位添加：adc、adcx、adox。 双字乘法：单操作数mul 和mulx。

鉴于此，对于 SIMD 来说，bignum-add 和 bignum-multiply 都很难在 x64 上击败标量。绝对不是 SSE 或 AVX。

对于 AVX2，SIMD 几乎可以与标量 bignum-multiply 竞争，如果您重新排列数据以启用 4 个不同（且独立）的“垂直矢量化”，每个 4 个相同长度的乘法SIMD 通道。

假设垂直矢量化，AVX512 将再次支持 SIMD。

但在大多数情况下，bignum 的“水平矢量化”在很大程度上仍然是一个失败的原因，除非您拥有许多（相同大小）并且能够负担将它们转置以使其“垂直”的成本。

部分词算术的向量化

使用部分字算术，额外的“钉子”位使您能够延迟进位传播。

所以只要你不溢出这个词，SIMD add/sub 就可以直接完成。在许多实现中，部分单词表示使用有符号整数来允许单词变为负数。

因为（通常）不需要执行进位，所以对部分单词的 SIMD 加/减可以在垂直和水平向量化的 bignums 上同样有效地完成。

执行水平矢量化的 bignums 仍然很便宜，因为您只需将钉子移到下一个车道上。除非您需要对几乎相同的两个数字进行比较，否则通常不需要完全清除钉子并获得唯一表示的完整结转。

部分字算术的乘法更复杂，因为您需要处理指甲位。但与 add/sub 一样，仍然可以在水平向量化的 bignums 上有效地完成它。

AVX512-IFMA（与 Ca​​nnonlake 处理器一起提供）将具有提供 52 x 52 位乘法的完整 104 位的指令（可能使用 FPU 硬件）。这对于每个字使用 52 位的部分字表示非常有效。

使用 FFT 的大乘法

对于非常大的 bignum，使用 Fast-Fourier Transforms (FFTs) 最有效地完成乘法。

FFT 是完全可矢量化的，因为它们在独立的 doubles 上工作。这是可能的，因为从根本上说，FFT 使用的表示 是 部分单词表示。

---

总而言之，bignum 算法的向量化是可能的。但必须做出牺牲。

如果您希望 SSE/AVX 能够在不对表示和/或数据布局进行根本性更改的情况下加速某些现有的 bignum 代码，那么这不太可能发生。

不过，bignum 算术可以向量化。

---

披露：

我是y-cruncher 的作者，它做了很多大数运算。

【讨论】：

很好的答案。我想我是众多尝试并失败的人中的另一个。

但我不明白“没有 128 位整数加/减”的意思。为什么这是个问题？通用/标量寄存器也没有硬件。这样做的方法是在单独的 SIMD 寄存器中存储两个高和低。

I also think the lack of carry propagation is only a deal breaker with SSE

@Zboson 标量指令有带进位。这足以有效地实现 128 位加/减。值得一提的是，Knights Corner Xeon Phi 有 SIMD add-with-carry 使用掩码寄存器。但他们将其从 AVX512 中取出。我推测这会使设计复杂化，因为它需要将掩码寄存器与执行单元连接起来。

您的陈述“没有 64 x 64 位整数相乘。（低或高...）”不准确。 AVX512 将具有 64x64 到 64（低），但即使它与 32x32 到 64 一样快，它也会有很大帮助。真正的问题是没有 64x64 到 128。我想我的意思是语句应该是“没有 64 x 64 位整数相乘。（低和高......）”