C++: загадочно огромное ускорение от хранения одного операнда в регистре

Я пытался получить представление о влиянии наличия массива в кэше L1 на память, синхронизируя процедуру, которая масштабирует и суммирует элементы массива, используя следующий код (я знаю, что я должен просто масштабировать результат на " a "в конце; дело в том, чтобы сделать как умножение, так и добавление в цикле - до сих пор компилятор не выяснил, чтобы разложить "a"):

double sum(double a,double* X,int size)
{
    double total = 0.0;
    for(int i = 0;  i < size; ++i)
    {
        total += a*X[i];
    }
    return total;
}

#define KB 1024
int main()
{
    //Approximately half the L1 cache size of my machine
    int operand_size = (32*KB)/(sizeof(double)*2);
    printf("Operand size: %dn", operand_size);
    double* X = new double[operand_size];
    fill(X,operand_size);

    double seconds = timer();
    double result;
    int n_iterations = 100000;
    for(int i = 0; i < n_iterations; ++i)
    {
        result = sum(3.5,X,operand_size);
        //result += rand();  
    }
    seconds = timer() - seconds; 

    double mflops = 2e-6*double(n_iterations*operand_size)/seconds;
    printf("Vector size %d: mflops=%.1f, result=%.1fn",operand_size,mflops,result);
    return 0;
}

обратите внимание, что процедуры timer () и fill () не включены для краткости; их полный источник можно найти здесь, Если вы хотите запустить код:

http://codepad.org/agPWItZS

Итак, вот где это становится интересным. Это выход:

Operand size: 2048
Vector size 2048: mflops=588.8, result=-67.8

это полностью некэшированная производительность, несмотря на то, что все элементы X должны храниться в кэше между итерациями цикла. Глядя на ассемблерный код, сгенерированный:

g++ -O3 -S -fno-asynchronous-unwind-tables register_opt_example.cpp

я замечаю одну странность в цикле функции sum:

L55:
    movsd   (%r12,%rax,8), %xmm0
    mulsd   %xmm1, %xmm0
    addsd   -72(%rbp), %xmm0
    movsd   %xmm0, -72(%rbp)
    incq    %rax
    cmpq    48, %rax
    jne L55

в инструкции:

    addsd   -72(%rbp), %xmm0
    movsd   %xmm0, -72(%rbp)

укажите, что он хранит значение "total" в sum() в стеке и читает и записывает его на каждой итерации цикла. Я изменил сборку так, что этот операнд хранится в регистре a:

...
addsd   %xmm0, %xmm3
...

это небольшое изменение создает огромный прирост производительности:

Operand size: 2048
Vector size 2048: mflops=1958.9, result=-67.8

tl; dr Мой вопрос: почему замена одного места памяти доступа с регистром, ускорить код так много, учитывая, что одно место должно храниться в кэше L1? Какие архитектурные факторы делают это возможным? Кажется очень странным, что многократная запись одного местоположения стека полностью уничтожит эффективность кэша.

приложение

моя версия gcc:

Target: i686-apple-darwin10
Configured with: /var/tmp/gcc/gcc-5646.1~2/src/configure --disable-checking --enable-werror --prefix=/usr --mandir=/share/man --enable-languages=c,objc,c++,obj-c++ --program-transform-name=/^[cg][^.-]*$/s/$/-4.2/ --with-slibdir=/usr/lib --build=i686-apple-darwin10 --with-gxx-include-dir=/include/c++/4.2.1 --program-prefix=i686-apple-darwin10- --host=x86_64-apple-darwin10 --target=i686-apple-darwin10
Thread model: posix
gcc version 4.2.1 (Apple Inc. build 5646) (dot 1)

мой процессор:

Intel Xeon X5650