Assembly Hall of Shame
Assembly Hall of Shame (github.com)
要約
「Assembly Hall of Shame」は、単一命令のパフォーマンスの絶対的な最低ラインを追求するプロジェクトです。x86アーキテクチャでは、fxrstor64命令がPCIeファブリックの遅延を利用して、198,002,498,236サイクルという驚異的な実行時間を記録し、現在のチャンピオンとなっています。このプロジェクトでは、意図的に命令の実行時間を長くする方法を探求しています。
全文翻訳
Assembly Hall of Shame
概要
命令レイテンシの分析は通常、コードを可能な限り高速に実行するためのパフォーマンス「最適化」に焦点を当てます。Assembly Hall of Shame はその逆のアプローチを取ります。単一命令の絶対的な最低性能を追求するのです。
🏆 現在のチャンピオン 🏆
x86: fxrstor64
戦略: fxrstor64 を使用して、PCIeファブリック内の高レイテンシMMIO領域から512バイトのFPU/MMX/XMM状態をロードします。その後、ロードが進行中にファブリックを枯渇させます。複数のコアが、タイトな4バイトリードで別の高レイテンシMMIOレジスタを叩き、PCIeルートコンプレックスとエンドポイントをノンポーリングトランザクションで飽和させます。これにより、CPU 0 の512バイト fxrstor64 は、競合するトラフィックのすべてをキューイングしなければならなくなります。
候補: AMD Ryzen 7 5800H
; CPU 0 — 計測対象命令
movl $0xfcc68830, %rsi
fxrstor64 %rsi
; CPUs 1..N — 別の高レイテンシ場所に対するハンマー・ループ
movl 0xfcc68858, %eax
🏆 スコア: 198,002,498,236 サイクル
🏆 時間: 62 秒
功労賞
仕様に違反するアラインメントされていないymm0ロードは、スタックされたGPUレジスタからのノンポーリングdwordトランザクションを強制し、smiiiiiiiiiiiiiiiiでシステム管理モードの基本設計を破壊するために使用されました。
vmovdqu 0xfcc003b1, %ymm0
ルール
- 命令は必要なセットアップを何でも使用できますが、スコアリングの対象となるのは単一の命令のみです。
- トラップされた/エミュレートされた/仮想化された命令は、ハンドラではなくトラップのみを時間計測できます。
- 命令は中断可能であってはなりません。
rep movs、pauseなどは失格です。 - 時間はCPUベースクロック周波数に基づいて正規化されます。
- すべてのプラットフォームは工場出荷時の構成である必要があります。ハードウェアの変更は許可されません。
x86 リーダーボード
27. nop
戦略: nop は何も行いません。リーダーボードはそれに応じて開かれます。
候補: Intel(R) Core(TM) i7-8559U CPU @ 2.70GHz
nop
スコア: 1 サイクル
時間: 0 ナノ秒
26. nop16
戦略: 通常の nop は短すぎましたが、何もしないことをより長くするにはどうすればよいでしょうか?「長~~い nop」を試してみてください。
候補: Intel(R) Core(TM) i7-8559U CPU @ 2.70GHz
data16 data16 data16 data16 data16 data16 data16 nopl 0x00000000(%%eax,%%eax,1)
スコア: 20 サイクル
時間: 7 ナノ秒
25. rdtsc
戦略: 方向感覚を得るための参照命令です。
候補: Intel(R) Core(TM) i7-8559U CPU @ 2.70GHz
rdtsc
スコア: 49 サイクル
時間: 18 ナノ秒
24. idiv
戦略: 128ビットの被除数(rdx:rax=2:0)と小さい除数を使用して、商を符号拡張によって課される上限を超えさせ、除算マイクロコードの最も長いパスを駆動します。
候補: Intel(R) Core(TM) i7-8559U CPU @ 2.70GHz
xorq %rax, %rax ; rax = 0 (被除数の下位64ビット)
movq $2, %rdx ; rdx = 2 (上位64ビット: 完全な被除数 = 2^65)
movq $5, %rbx ; 除数 → 商 = 2^65/5 ≈ 7.4×10^18
idivq %rbx
スコア: 77 サイクル
時間: 28 ナノ秒
23. enter
戦略: 最大ネスト深度(31)を使用して、マイクロコードディスプレイウォークパスを通じて30回のディスプレイポインタロードとプッシュを強制します。
候補: Intel(R) Core(TM) i7-8559U CPU @ 2.70GHz
enter $0, $31 ; 0バイト割り当て、ネスト深度31(最大)
スコア: 112 サイクル
時間: 41 ナノ秒
22. fldl
戦略: FPマイクロコードアシストをトリガーするために小さな非正規化数を試します。
候補: Intel(R) Core(TM) i7-8559U CPU @ 2.70GHz
movabsq $0x0000000000000001, %rax
movq %rax, -8(%rsp)
fldl -8(%rsp)
スコア: 133 サイクル
時間: 49 ナノ秒
21. clflush
戦略: キャッシュラインがダーティであることを確認します。
候補: Intel(R) Core(TM) i7-8559U CPU @ 2.70GHz
clflush (%rax) ; rax → L3に常駐するダーティキャッシュライン
スコア: 165 サイクル
時間: 60 ナノ秒
20. fsin
戦略: 指数0x7ffを使用して、マイクロコードの「特殊値」処理に到達します。正/負、NaN/infは関係ないようです。QNaNを選択します。
候補: Intel(R) Core(TM) i7-8559U CPU @ 2.70GHz
movabsq $0x7fffffffffffffff, %rax
movq %rax, -8(%rsp)
fldl -8(%rsp)
fsin
スコア: 257 サイクル
時間: 94 ナノ秒
19. mfence
戦略: 異なるキャッシュラインへの movnti ストアで、すべてのライトコンバイニングラインフィルバッファを飽和させ、mfence がフルLFBライトパスをアンコアにドレインしてからリタイアするように強制します。
候補: Intel(R) Core(TM) i7-8559U CPU @ 2.70GHz
movnti %r9, 0*64(%rdi) ; ×16 異なるキャッシュライン — ライトコンバイニングLFBを飽和させる
; …
movnti %r9, 15*64(%rdi)
mfence ; リタイア前にすべての保留中のLFBライトをドレインする必要がある
スコア: 326 サイクル
時間: 120 ナノ秒
18. mov cr3
戦略: 現時点では何もありません。TLBを無効にするのにどれくらい時間がかかるかを確認するだけです。
候補: AMD Ryzen 7 5800H with Radeon Graphics (Trigkey S5)
mov %rax, %cr3
スコア: 352 サイクル
時間: 110 ナノ秒
17. fadd
戦略: 非正規化されたソースオペランドを使用して、x87 FPマイクロコードアシストパスにヒットします。
候補: Intel(R) Core(TM) i7-8559U CPU @ 2.70GHz
fldl subnorm ; 1e-310: 値 < DBL_MIN、指数部=0
faddl subnorm ; ソースは非正規化数 → FPマイクロコードアシスト
スコア: 677 サイクル
時間: 249 ナノ秒
16. split lock
戦略: lockプレフィックス付きオペランドをキャッシュライン境界をまたぐようにアラインメントし、CPUが高速なMESIキャッシュコヒーレンスパスを使用する代わりに外部バスロックをアサートするように強制します。
候補: Intel(R) Core(TM) i7-8559U CPU @ 2.70GHz
; split_ptr % 64 == 63 — dwordはバイト63(ラインN)と64~66(ラインN+1)にまたがる
lock xaddl %r9d, (%rdi)
スコア: 865 サイクル
時間: 319 ナノ秒
15. fdiv -
戦略: 非正規化された除数を使用します。ハードウェアは制御をマイクロコードアシストに渡し、アシストはオペランドを正規化し、除算を実行してから、アーキテクチャ状態を復元します。
候補: Intel(R) Core(TM) i7-8559U CPU @ 2.70GHz
movabsq $0x3ff0000000000000, %rax ; 1.0 (正規化された被除数)
movq %rax, -8(%rsp)
fldl -8(%rsp) ; ST(0) = 1.0
movabsq $0x0000002000000000, %rax ; 6.79e-313 (非正規化された除数)
movq %rax, -8(%rsp)
fdivl -8(%rsp) ; ST(0) = 1.0 / 非正規化数 → FPアシスト
スコア: 883 サイクル
時間: 325 ナノ秒
14. cpuid
戦略: rakefieldを使用して、最もレイテンシの高いCPUIDリーフを見つけます。
候補: Intel(R) Core(TM) i7-8559U CPU @ 2.70GHz
movl $6, %eax
cpuid
スコア: 1248 サイクル
時間: 460 ナノ秒
13. rdrand
戦略: ハードウェアエントロピープールがリフレッシュされるよりも速く枯渇させるためにタイトなループで実行し、後続の呼び出しがエントロピーソースが回復するのを待つように強制します。
候補: Intel(R) Core(TM) i7-8559U CPU @ 2.70GHz
rdrand %rax
スコア: 5,579 サイクル
時間: 2.057 マイクロ秒
12. wrmsr
戦略: project:nightshyftを使用して高レイテンシMSRを特定します。ZenのMCG_CTLは勝者のようです。マイクロコードのクワイエットと、ハードウェアユニット間(一部はチップレット外にある可能性あり)のMCAエラーバンクの同期を伴う可能性があり、単純なローカルレジスタ書き込みよりもファブリックレベルの通信が必要です。
候補: AMD Ryzen 7 5800H with Radeon Graphics (Trigkey S5)
movl $0x17b, %ecx ; MCG_CTL
wrmsr
スコア: 34,304 サイクル
時間: 10.742 マイクロ秒
11. out
戦略: NICデバイスレジスタ境界をまたぐI/Oポートをターゲットにし、各書き込みでデバイスがTX DMAエンジンをクワイエットさせるようにトリガーします。
候補: AMD Ryzen 7 5800H with Radeon Graphics (Trigkey S5)
mov $0xf019, %dx
outl %eax, %dx
スコア: 49,857 サイクル
時間: 15.580 マイクロ秒
10. rdmsr
戦略: project:nightshyftを使用して高レイテンシのモデル固有レジスタを特定します。VIAは0x133の非公開レジスタを使用しており、非常に高い応答時間を示します。それが何をするかは不明です。
候補: VIA Eden Processor 800MHz
movl $0x133, %ecx ; 非公開MSR
rdmsr
スコア: 161,602 サイクル
時間: 202.004 マイクロ秒
9. wbinvd
戦略: L1/L2/L3キャッシュ全体をダーティラインで完全にロードし、階層全体のDRAMライトバックを強制します。
候補: AMD Ryzen 7 5800H with Radeon Graphics (Trigkey S5)
wbinvd
スコア: 1,616,480 サイクル
時間: 506.165 マイクロ秒
8. in
戦略: ACPI PMブロックにマップされたI/Oポートをターゲットにします。ここでアラインメントされていない4バイトリードは、このポートがどこへ行くかにかかわらず複数のノンポーリングロードにデコードされます。
候補: AMD Ryzen 7 5800H with Radeon Graphics (Trigkey S5)
mov $0x0413, %dx
intl %dx, %eax
スコア: 12,524,415 サイクル
時間: 3.921769 ミリ秒
7. mov
戦略: mmioticを使用してPCIeファブリック内の高レイテンシのデッドスペースを特定し、未知のGPUレジスタにヒットします。
候補: AMD Ryzen 7 5800H with Radeon Graphics (Trigkey S5)
movl 0xfcc003b0, %esi
スコア: 443,937,696 サイクル
時間: 139.010268 ミリ秒
6. mov rax -
戦略: PCIeファブリック内の最も遅いレジスタをMMIO空間で検索し、未知のGPUレジスタにヒットさせます。8バイトMMIOリードを使用して2つのdwordレジスタアクセスを取得します。これは技術的には許可されていませんが、機能します。
候補: AMD Ryzen 7 5800H with Radeon Graphics (Trigkey S5)
movq 0xfcc003b0, %rax
スコア: 887,716,864 サイクル
時間: 277.971228 ミリ秒
5. vmovdqu xmm -
戦略: PCIeファブリック内の最も遅いレジスタをMMIO空間で検索し、未知のGPUレジスタにヒットさせます。16バイトMMIOリードを使用して4つのdwordレジスタアクセスを取得します。これは技術的には許可されていませんが、機能します。
候補: AMD Ryzen 7 5800H with Radeon Graphics (Trigkey S5)
vmovdqu 0xfcc003b0, %xmm0
スコア: 1,774,555,776 サイクル
時間: 555.664133 ミリ秒
4. vmovdqu ymm -
戦略: PCIeファブリック内の最も遅いレジスタをMMIO空間で検索し、未知のGPUレジスタにヒットさせます。32バイトMMIOリードを使用して8つのdwordレジスタアクセスを取得します。これはまだ技術的に許可されていませんが、機能します。
候補: AMD Ryzen 7 5800H with Radeon Graphics (Trigkey S5)
vmovdqu 0xfcc003b0, %ymm0
スコア: 3,549,079,296 サイクル
時間: 1.111345034 秒
3. vmovdqu ymm (unaligned) -
戦略: PCIeファブリック内の最も遅いレジスタをMMIO空間で検索し、未知のGPUレジスタにヒットさせます。32バイトの「アラインメントされていない」MMIOリードを使用して9つのdwordレジスタアクセスを取得します。これはアラインメントされたバージョンよりもさらに許可されていませんが、機能します。
候補: AMD Ryzen 7 5800H with Radeon Graphics (Trigkey S5)
vmovdqu 0xfcc003b1, %ymm0
スコア: 4,453,212,256 サイクル
時間: 1.394428818 秒
2. fxrstor64 (baseline) -
戦略: mmioticを使用してPCIeファブリック内の高レイテンシのデッドスペースを特定し、0の近くの領域を分離し、MXCSRの破損(おそらくVGAバッファ?)を避けるために状態をオフセットします。fxrstor64 を使用してMMIOから512バイトのFPU/MMX/XMM状態をロードし、CPUに最も遅い利用可能なメモリ開口部を通じて512バイトのI/Oトランザクションを処理させます。
候補: AMD Ryzen 7 5800H
movl $0xfcc68830, %rsi
fxrstor64 %rsi
スコア: 74,584,168,512 サイクル
時間: 23.354502677 秒
1. 🏆 fxrstor64 🏆
戦略: fxrstor64 (baseline) を拡張し、ロードが進行中にファブリックを枯渇させます。複数のコアが、タイトな4バイトリードで別の高レイテンシMMIOレジスタを叩き、PCIeルートコンプレックスとエンドポイントをノンポーリングトランザクションで飽和させます。これにより、CPU 0 の512バイト fxrstor64 は、競合するトラフィックのすべてをキューイングしなければならなくなります。
候補: AMD Ryzen 7 5800H with Radeon Graphics (Trigkey S5)
; CPU 0 — 計測対象命令
movl $0xfcc68830, %rsi
fxrstor64 %rsi
; CPUs 1..N — 別の高レイテンシ場所に対するハンマー・ループ
movl 0xfcc68858, %eax
🏆 スコア: 198,002,498,236 サイクル
🏆 時間: 62 秒
??. xrstor64 (AMX, MMIO) [画像: :finnadie:]
戦略: Sapphire Rapidsの拡張AVX状態をMMIOアプローチ(fxrstor64から)で活用します。xsave状態領域は512バイトに対して8KBであり、サイズは16倍です → 1,000,000,000,000サイクル
候補: TODO
; XCR0はAMXコンポーネント(ビット17-18)を有効にする必要があります。状態領域は約8KBです。
xrstor64 (%rsi) ; rsi → MMIO領域、fxrstor64と同じテクニック
ARM リーダーボード
- T.B.D.
RISC-V リーダーボード
- T.B.D.
著者
Assembly hall-of-shame は、Christopher Domas (@xoreaxeaxeax) による研究活動です。