还没测试呢
别说这么多话
我只是猜测
我的建议：
我的打算，编写一个程序，给出 基为 2^30 与基为 2^32 的速度对比，具体方法如下。
1.数的长度采用15×32=480bit。
2.仿制 x86上128位二进制乘法最快速算法征解 那个帖子中 96楼的程序，写一个480 bit * 480 bit的 SSE2指令 MM 寄存器版，完全循环展开，无循环，无跳转指令，共需15×15共225次 32bit 的乘法。（已经证明，这种算法是最快的版本SSE2指令中最快的版本。
3.仿制x86上128位二进制乘法最快速算法征解 那个帖子中 102楼的程序，写一个480 bit * 480 bit的 ALU版，完全循环展开，无循环，无跳转指令，共需15×15共225次 32bit 的乘法。（已经证明，这种算法是最快的ALU版,具体数据可从gxq x86上 96bit*96 bit 征解的那个帖子。
4.将480bit展开为16个DWORD，每个DWORD表示30bit（即基为2^30)，写一个ALU版本的程序，共需16×16=256次乘法。
5.将480bit展开为16个DWORD，每个DWORD表示30bit（即基为2^30)，写一个SSE2指令MM寄存器版本（采用32bit乘，64bit加)。共需16×16=256次乘法。
6.将480bit展开为16个DWORD，每个DWORD表示30bit（即基为2^30)，写一个SSE2指令XMM寄存器版本（采用128位寄存器，充分发挥SSE2指令优势)。
至于和基为2^28的速度对比，如果gxq愿意的话，可参照如下形式。
1.数的长度采用14×32=448bit。
2.仿制 x86上128位二进制乘法最快速算法征解 那个帖子中 96楼的程序，写一个448 bit * 448 bit的 SSE2指令 MM 寄存器版，完全循环展开，无循环，无跳转指令，共需15×15共225次 32bit 的乘法。（已经证明，这种算法是最快的版本SSE2指令中最快的版本。
3.仿制x86上128位二进制乘法最快速算法征解 那个帖子中 102楼的程序，写一个448 bit * 448 bit的 ALU版，完全循环展开，无循环，无跳转指令，共需14×14共196次 32bit 的乘法。（已经证明，这种算法是最快的ALU版,具体数据可从gxq x86上 96bit*96 bit 征解的那个帖子。
4.将448bit展开为16个DWORD，每个DWORD表示28bit（即基为2^28)，写一个ALU版本的程序，共需16×16=256次乘法。
5.可根据需要写1个或者几个SSE2 指令的版本。
几点说明，基准程序（采用基为2^32的版本），公开源代码。其他 基为2^30或者2^28的程序，可不公布源代码。
不行的
不能完全循环展开
那只是用于小数字的算法
如果你想基于真实环境
请写一个能用于从1-4096bit都能正确工作的版本
可不考虑结果清零过程
结果清零由外部函数完成
我可提供个高于4GB / s的结果清零函数
为了达到实用之目的，
还是不固定乘数的bit长度的好，但可事先约定其上限，以方便算法优化。
//双字串清零，提高了速度,达到< 2 Clock / DWORD
void AsmMemZero(unsigned long * p, unsigned long t)
{
__asm
{
mov ecx, t
cmp ecx, 0
jeAsmMemZero3
mov eax, dword ptr
mov ebx, 0
test eax, 15 //不是16字节对齐的执行下面的语句
jeAsmMemZero4
mov edx, eax
shr edx, 4
shl edx, 4
cmp edx, eax
jeAsmMemZero4
add edx, 16
sub edx, eax
shr edx, 2
sub ecx, edx
AsmMemZero7:
mov , ebx
add eax, 4
sub edx, 1
jne AsmMemZero7
cmp ecx, 0
jeAsmMemZero3
AsmMemZero4:
mov ebx, ecx
shr ebx, 2
mov edx, ebx
shl ebx, 2
cmp ebx, 0 //是否不足16字节
je AsmMemZero6
sub ecx, ebx
mov ebx, ecx//保留末尾的不足16字节的部分
mov ecx, edx //循环的次数
pxor xmm0, xmm0
AsmMemZero1:
movntdq , xmm0 //t较小用movdqa
add eax, 16
loop AsmMemZero1
cmp ebx, 0
je AsmMemZero3
mov ecx, ebx
AsmMemZero6:
mov ebx, 0
AsmMemZero2:
mov , ebx
add eax, 4
loop AsmMemZero2
AsmMemZero3:
sfence
emms
}
}
to gxq 就其应用而言，不固定长度是必须的。但这里我 主要想测试/展示一下这几种做法的速度之比，及理论最佳速度。如果采用不固定长度，可能会使用许多技巧，如循环展开等，使得比较不公平。
to 无心人，清0不是必须的，这样反而浪费时间。
看可一下你的代码，伪代码大抵是这样的。
for (i=0;i<n;i++)
{
UINT64 c=0;
UINT64 p;
for (j=0;j<n;j++)
{
p=left[ i ] * right;
p+=c;
p+=result;
result=p 的低32bit;
c= (p>>32);
}
}
总共需要n*n次操作，每次操作包括，一次32bit * 32bit 乘法，2次 64bit和 32bit 的加法。这种做法，需要事先清空result.
将算法作如下修改，就不需要清空result，而且在第一趟计算中，不需对result[ i ]累加，这样节省了不少运行时间。
其实，我的96楼的程序就是这么做的，不知你为什么没有采用这种做法。
//第一趟，不需和result[ i ]累加
c=0;
for (j=0;j<n;j++)
{
p=left * right;
p+=c;
result= p的低32bit；
c= (p>>32);
}
result=c;
for (i=1;i<n;i++)
{
DWORD c=0;
UINT64 p;
for (j=0;j<n;j++)
{
p=left[ i ] * right;
p+=c;
p+=result;
result= p 的低32bit；
c= (p>>32);
}
result=c;
}
}
//双字串清零函数最新版本
//已测试比前版速度快
//已测试长度越大，比ALU指令越快
//应该总假定是双字串
void AsmMemZero(unsigned long * p, unsigned long t)
{
__asm
{
xor eax, eax
cld
mov edi, dword ptr
mov edx, t
test edx, 0xFFFFFFFF
je exit0
test edi, 15//是否16字节对齐
jeAsmZero1
mov ecx, edi
and ecx, 0xFFFFFFF0
add ecx, 16
sub ecx, edi//得到需要双字复制部分，要和edx比较谁大
shr ecx, 2 //转换为双字长度
mov ebx, ecx
cmp ecx, edx
jaAsmZero2//不足，转尾处理
rep stosd
sub edx, ebx
je exit0//是否刚好
AsmZero1: //16字节对齐
mov ecx, edx
shr ecx, 4
je AsmZero2//是否不足16字节
pxor xmm0, xmm0
AsmZero11:
movdqa , xmm0
add edi, 16
sub ecx, 1
jne AsmZero11
AsmZero2:
mov ecx, edx
and ecx, 15
rep stosd
exit0:
sfence
}
}
谢谢你的提醒
我会修改的
========
顺上刚测试的清零函数共享
考虑一次乘4个的可能性
如果有效率提高
是否说明比你们算法好？
至少那个长加你们可能就无法超越吧
毕竟32位是系统自动规整的
原帖由 无心人 于 2008-4-8 20:43 发表 http://images.5d6d.net/dz60/common/back.gif
考虑一次乘4个的可能性
如果有效率提高
是否说明比你们算法好？
至少那个长加你们可能就无法超越吧
毕竟32位是系统自动规整的
我准备写3个基为 2^32 的版本， 3个基为 2^30的版本， 总体说来，后三者一定比前三者快，并且公布前三者的代码（后3者的代码将在适当的时候公开）。
你等着看好消息吧，看看我的版本可比你的版本快多少。