/*-*- mode:unix-assembly; indent-tabs-mode:t; tab-width:8; coding:utf-8 -*-│ │vi: set et ft=asm ts=8 sw=8 fenc=utf-8 :vi│ ╞══════════════════════════════════════════════════════════════════════════════╡ │ Copyright 2020 Justine Alexandra Roberts Tunney │ │ │ │ This program is free software; you can redistribute it and/or modify │ │ it under the terms of the GNU General Public License as published by │ │ the Free Software Foundation; version 2 of the License. │ │ │ │ This program is distributed in the hope that it will be useful, but │ │ WITHOUT ANY WARRANTY; without even the implied warranty of │ │ MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. See the GNU │ │ General Public License for more details. │ │ │ │ You should have received a copy of the GNU General Public License │ │ along with this program; if not, write to the Free Software │ │ Foundation, Inc., 51 Franklin Street, Fifth Floor, Boston, MA │ │ 02110-1301 USA │ ╚──────────────────────────────────────────────────────────────────────────────╝ @fileoverview Cosmopolitan Memory Setter This sets one bit per picosecond on a $900 Skylake workstation, which is about 110 GBps. */ #include "libc/nexgen32e/x86feature.h" #include "libc/nexgen32e/macros.h" #include "libc/macros.h" .source __FILE__ / Sets memory. / / @param rdi is dest / @param esi is the byte to set / @param edx is the number of bytes to set / @return original rdi copied to rax / @mode long / @asyncsignalsafe memset: mov %rdi,%rax / fallthrough .endfn memset,globl / Sets memory w/ minimal-impact ABI. / / @param rdi is dest / @param esi is the byte to set / @param edx is the number of bytes to set / @clob flags,xmm3 / @mode long MemSet: .leafprologue .profilable push %rbx push %rcx movd %esi,%xmm3 mov $.Lmemsettab.ro.size,%ecx cmp %rcx,%rdx cmovb %rdx,%rcx ezlea memsettab,bx jmp *(%rbx,%rcx,8) .Lanchorpoint: .L32r: cmp $1024,%rdx jae .Lerms .L32: vpbroadcastb %xmm3,%ymm3 mov $32,%ecx 1: lea 32(%rcx),%rcx vmovdqu %ymm3,-64(%rdi,%rcx) cmp %rcx,%rdx ja 1b vmovdqu %ymm3,-32(%rdi,%rdx) vpxor %ymm3,%ymm3,%ymm3 jmp .L0 .L16r: cmp $1024,%rdx jae .Lerms .L16: pbroadcastb %xmm3 mov $16,%ecx 1: lea 16(%rcx),%rcx movdqu %xmm3,-32(%rdi,%rcx) cmp %rcx,%rdx ja 1b movdqu %xmm3,-16(%rdi,%rdx) pxor %xmm3,%xmm3 .L0: pop %rcx pop %rbx .leafepilogue .L8: movzbq %sil,%rbx mov $0x0101010101010101,%rcx imul %rcx,%rbx mov %rbx,(%rdi) mov %rbx,-8(%rdi,%rdx) jmp .L0 .L4: movzbl %sil,%ebx mov $0x01010101,%ecx imul %ecx,%ebx mov %ebx,(%rdi) mov %ebx,-4(%rdi,%rdx) jmp .L0 .L3: mov %sil,2(%rdi) .L2: mov %sil,1(%rdi) .L1: mov %sil,(%rdi) jmp .L0 .Lerms: push %rax push %rdi mov %esi,%eax mov %rdx,%rcx rep stosb pop %rdi pop %rax jmp .L0 .endfn MemSet,globl,hidden .initro 300,_init_memset memsettab.ro: .byte .L0 - .Lanchorpoint .byte .L1 - .Lanchorpoint .byte .L2 - .Lanchorpoint .byte .L3 - .Lanchorpoint .rept 4 .byte .L4 - .Lanchorpoint .endr .rept 8 .byte .L8 - .Lanchorpoint .endr .rept 16 .byte .L16 - .Lanchorpoint .endr .equ .Lmemsettab.ro.size,.-memsettab.ro .endobj memsettab.ro .if .Lmemsettab.ro.size % 8 .error "moar jmptab" .endif .byte .L16 - .Lanchorpoint # SSE2 .byte .L16r - .Lanchorpoint # SSE2 + ERMS .byte .L32 - .Lanchorpoint # AVX2 .byte .L32r - .Lanchorpoint # AVX2 + ERMS .byte 0,0,0,0 .previous .initbss 300,_init_memset memsettab: .rept .Lmemsettab.ro.size .quad 0 .endr .quad 0 .endobj memsettab .previous .init.start 300,_init_memset pushpop .Lmemsettab.ro.size,%rcx ezlea .Lanchorpoint,dx testb X86_HAVE(AVX2)+kCpuids(%rip) call memjmpinit .init.end 300,_init_memset /* benchmarks on intel core i7-6700 @ 3.40GHz (skylake) includes function call overhead (unless marked otherwise) Your memset() for #c per n where c ≈ 0.273ns N x1 x8 x64 mBps ------------------------------------------------------------ 1 73.000 35.125 36.141 97 1 35.000 36.375 35.984 97 2 28.500 19.938 18.820 185 3 19.000 12.458 12.651 276 4 15.750 10.719 9.566 365 7 5.000 5.411 5.730 609 8 8.375 4.953 4.697 743 15 4.200 2.408 2.407 1450 16 7.188 2.539 2.382 1465 « 31 1.129 1.206 1.183 2950 32 15.156 2.012 1.292 2702 63 4.016 0.986 0.663 5264 64 3.547 0.967 0.684 5104 127 2.087 0.562 0.338 10311 128 1.805 0.499 0.336 10393 255 0.412 0.180 0.183 19119 256 0.160 0.170 0.169 20650 511 0.162 0.134 0.108 32214 512 0.100 0.106 0.104 33507 1023 0.110 0.095 0.082 42574 1024 0.099 0.080 0.078 44944 2047 0.155 0.154 0.154 22624 2048 0.052 0.052 0.053 66266 4095 0.098 0.099 0.099 35142 4096 0.042 0.042 0.041 84250 8191 0.072 0.073 0.072 48157 8192 0.034 0.034 0.034 101332 16383 0.059 0.059 0.059 58997 16384 0.031 0.031 0.031 112972 32767 0.054 0.054 0.054 65053 32768 0.029 0.029 0.029 119433 65535 0.069 0.069 0.068 51690 65536 0.057 0.057 0.057 61434 131071 0.066 0.066 0.066 53001 131072 0.057 0.058 0.057 60716 262143 0.066 0.065 0.065 53462 262144 0.060 0.058 0.058 60104 524287 0.067 0.068 0.072 48784 524288 0.063 0.062 0.061 56957 1048575 0.068 0.068 0.069 50353 1048576 0.062 0.060 0.062 56661 2097151 0.066 0.066 0.067 52421 2097152 0.060 0.060 0.061 57672 4194303 0.072 0.067 0.067 51910 4194304 0.062 0.061 0.062 56327 8388607 0.129 0.111 0.111 31368 8388608 0.136 0.119 0.111 31519 glibc memset() for #c per n where c ≈ 0.273ns N x1 x8 x64 mBps ------------------------------------------------------------ 1 121.000 39.125 35.547 98 1 33.000 35.875 35.172 99 2 17.500 18.312 18.070 193 3 16.333 14.542 12.411 281 4 12.250 9.344 9.215 379 7 7.571 5.732 5.453 640 8 4.625 4.641 4.623 755 15 4.467 3.158 2.478 1408 16 2.312 2.289 2.468 1414 31 2.290 1.367 1.278 2731 32 1.219 1.176 1.182 2952 63 0.905 0.696 0.656 5320 64 0.672 0.658 0.660 5285 127 1.299 0.723 0.673 5183 128 0.508 0.423 0.424 8227 255 0.490 0.428 0.417 8367 256 0.293 0.233 0.243 14349 511 0.284 0.232 0.234 14902 512 0.154 0.131 0.131 26626 1023 0.155 0.137 0.135 25839 1024 0.089 0.078 0.080 43875 2047 0.103 0.092 0.090 38672 2048 0.060 0.054 0.054 65116 4095 0.073 0.068 0.068 51405 4096 0.046 0.042 0.042 82162 8191 0.060 0.058 0.057 60739 8192 0.036 0.034 0.034 101467 16383 0.052 0.052 0.051 68594 16384 0.031 0.031 0.031 112603 32767 0.053 0.050 0.049 70850 32768 0.032 0.029 0.029 119617 65535 0.067 0.067 0.067 52015 65536 0.058 0.058 0.058 60440 131071 0.067 0.066 0.065 53518 131072 0.059 0.058 0.058 60281 262143 0.066 0.065 0.065 54005 262144 0.058 0.058 0.058 60121 524287 0.067 0.067 0.067 52349 524288 0.061 0.061 0.064 54699 1048575 0.068 0.067 0.067 51876 1048576 0.061 0.061 0.061 56775 2097151 0.068 0.068 0.068 51379 2097152 0.062 0.062 0.062 56513 4194303 0.069 0.068 0.069 50580 4194304 0.063 0.064 0.063 55751 8388607 0.120 0.118 0.120 28998 8388608 0.137 0.123 0.117 29936 GCC (Inline REP STOSB) for #c per n where c ≈ 0.273ns N x1 x8 x64 mBps ------------------------------------------------------------ 1 413.000 434.125 441.453 8 1 431.000 436.125 438.953 8 2 223.500 224.438 224.836 16 3 149.000 150.042 623.786 6 4 108.750 109.531 110.559 32 7 62.714 63.196 63.266 55 8 56.375 56.641 56.838 61 15 30.467 30.708 30.761 113 16 24.062 24.023 24.038 145 31 14.548 14.859 14.876 235 32 9.719 9.691 9.730 359 63 7.286 7.312 7.339 476 64 3.609 3.705 3.721 938 127 1.976 2.058 2.067 1689 128 0.414 0.405 0.409 8532 255 0.890 0.907 0.911 3832 256 0.215 0.217 0.218 16039 511 0.476 0.481 0.480 7273 512 0.119 0.119 0.119 29270 1023 0.257 0.260 0.260 13409 1024 0.073 0.073 0.074 47442 2047 0.150 0.150 0.151 23189 2048 0.049 0.050 0.050 69424 4095 0.096 0.097 0.097 36142 4096 0.040 0.040 0.040 87842 8191 0.071 0.071 0.071 49061 8192 0.034 0.033 0.034 104099 16383 0.058 0.059 0.058 59697 16384 0.030 0.031 0.030 114585 32767 0.053 0.053 0.053 66161 32768 0.029 0.029 0.029 120750 65535 0.069 0.069 0.069 50520 65536 0.058 0.058 0.058 60100 131071 0.068 0.067 0.085 40964 131072 0.076 0.072 0.063 55514 262143 0.067 0.093 0.090 38681 262144 0.073 0.062 0.077 45384 524287 0.107 0.093 0.066 52689 524288 0.061 0.060 0.062 56294 1048575 0.066 0.066 0.066 52990 1048576 0.061 0.061 0.061 57248 2097151 0.067 0.075 0.067 51887 2097152 0.061 0.061 0.061 56878 4194303 0.068 0.100 0.069 50623 4194304 0.061 0.061 0.061 57195 8388607 0.117 0.121 0.119 29441 8388608 0.118 0.119 0.162 21587 Musl memset() for #c per n where c ≈ 0.273ns N x1 x8 x64 mBps ------------------------------------------------------------ 1 49.000 35.625 35.172 99 1 33.000 34.625 35.109 99 2 17.500 17.562 18.023 194 3 20.333 14.042 12.411 281 4 11.250 9.219 9.301 375 7 11.857 6.018 5.417 644 8 4.125 4.516 4.592 760 15 4.200 2.692 2.480 1407 16 2.312 2.273 2.310 1511 31 2.097 1.786 1.342 2600 32 1.219 1.238 1.242 2811 63 0.841 0.815 0.686 5085 64 0.641 0.666 0.665 5246 127 1.000 0.718 0.690 5061 128 0.477 0.435 0.413 8451 255 0.459 0.418 0.403 8670 256 0.285 0.233 0.232 15051 511 0.256 0.230 0.228 15285 512 0.158 0.129 0.128 27170 1023 0.134 0.140 0.138 25296 1024 0.089 0.077 0.078 44891 2047 0.094 0.088 0.088 39837 2048 0.060 0.052 0.053 66075 4095 0.071 0.068 0.068 51359 4096 0.045 0.043 0.042 83178 8191 0.059 0.058 0.057 60868 8192 0.037 0.035 0.034 102662 16383 0.052 0.051 0.051 68658 16384 0.032 0.031 0.031 113568 32767 0.050 0.049 0.049 71296 32768 0.030 0.029 0.029 120029 65535 0.067 0.067 0.068 50983 65536 0.059 0.059 0.058 59665 131071 0.067 0.067 0.067 52014 131072 0.059 0.060 0.059 59211 262143 0.067 0.066 0.066 52877 262144 0.059 0.060 0.085 40900 524287 0.067 0.066 0.065 53688 524288 0.059 0.059 0.059 59112 1048575 0.066 0.066 0.066 53181 1048576 0.060 0.060 0.060 58300 2097151 0.066 0.066 0.067 52439 2097152 0.060 0.068 0.060 57924 4194303 0.069 0.067 0.080 43425 4194304 0.062 0.080 0.062 56085 8388607 0.126 0.118 0.133 26207 8388608 0.127 0.119 0.118 29643 Newlib memset() for #c per n where c ≈ 0.273ns N x1 x8 x64 mBps ------------------------------------------------------------ 1 443.000 440.875 440.078 8 1 437.000 437.375 440.453 8 2 226.500 226.438 227.461 15 3 150.333 150.625 151.151 23 4 113.250 113.281 113.770 31 7 66.714 67.232 66.998 52 8 58.375 58.828 58.811 59 15 31.000 30.858 31.264 112 16 31.438 28.523 28.317 123 31 27.839 29.536 50.533 69 32 11.281 10.918 11.068 315 63 12.302 11.907 11.863 294 64 4.703 4.396 4.404 793 127 2.732 2.719 2.712 1287 128 0.852 0.729 0.736 4742 255 1.188 1.178 1.171 2981 256 0.652 0.416 0.381 9171 511 1.474 1.629 1.662 2099 512 0.287 0.264 0.246 14204 1023 0.873 0.934 0.947 3684 1024 0.196 0.179 0.178 19604 2047 0.544 0.545 0.626 5572 2048 0.257 0.257 0.253 13779 4095 0.426 0.427 0.430 8110 4096 0.282 0.296 0.293 11917 8191 0.374 0.370 0.371 9402 8192 0.297 0.310 0.400 8717 16383 0.346 0.345 0.433 8062 16384 0.313 0.312 0.311 11223 32767 0.334 0.332 0.332 10505 32768 0.313 0.313 0.358 9759 65535 0.335 0.327 0.330 10589 65536 0.330 0.312 0.337 10347 131071 0.350 0.339 0.355 9825 131072 0.334 0.329 0.359 9728 262143 0.346 0.352 0.357 9785 262144 0.350 0.375 0.482 7243 524287 0.348 0.346 0.360 9691 524288 0.347 0.346 0.385 9063 1048575 0.358 0.375 0.383 9114 1048576 0.355 0.382 0.388 8987 2097151 0.362 0.368 0.390 8956 2097152 0.363 0.375 0.387 9016 4194303 0.361 0.379 0.385 9073 4194304 0.366 0.376 0.385 9074 8388607 0.363 0.366 0.372 9391 8388608 0.419 0.374 0.370 9428 */