應對分支預測有哪些優化措施

下面再來看一下分支預測，這也是 ChatGPT 給出的一個簡易答案

// 不利于流水線的循環結構
for (int i = 0; i < N; ++i) {
    if (condition) {
        // 循環體
    }
}


// 更有利于流水線的循環結構
if (condition) {
    for (int i = 0; i < N; ++i) {
        // 循環體
    }
}

上面的案例就是說明，我們應該在循還外進行條件判斷，這樣即便是預測失敗概率 10%，也只有 10%的回滾情況，但是如果放到循環體內部，那么這個 10%的回滾操作將被執行 N 次。

除了把判斷語句從循環體中挪出來，還有一些小的技巧供大家參考一下。

合并條件，盡可能減少分支預測失敗時對效率的影響

優化前:

if(case1){    if( case2 )    {        do();    }}

優化后:

if( case1 && case2 ){    do();}

優化前:

if( case1 == 0 && case2 == 0 && case3 == 0 ){    do();}

優化后:

if( ( case1 | case2 | case3 ) == 0 ){    do();}

跳轉避免分支預測

將if else改寫成switch形式(switch使用的指針 list 進行跳轉的指令，直接跳轉到對應分支)。這樣就相當于將多個函數使用函數指針的形式存儲到數組中，然后通過 case 查表，直接進行調用。

直接運算，避免判斷

先說明一些基本位運算知識：

|x| > > 31 = 0     // 非負數右移31為一定為0
~(|x| > > 31) = -1 // 0取反為-1


-|x| > > 31 = -1   // 負數右移31為一定為0xffff = -1
~(-|x| > > 31) = 0 // -1取反為0


-1 = 0xffff
-1 & x = x        // 以-1為mask和任何數求與，值不變

如對于

if(value < 0 ) value = 0

可改成

value &= ~(value > > 31 )

再比如：

if (data[c] >= 128){    sum += data[c];}

可以優化為：

int t = (data[c] - 128) >> 31; // 非負數右移 31 為 0，負數右移則為 -1sum += ~t & data[c];     // 這里利用 0 和 -1，正好等同于條件，大于 128 忽略，小于 128