高性能 memcpy 的核心是根据对齐情况分路径优化：全对齐用 _mm256_load_si256/_store_si256，偏移对齐调整偏移，非对齐用 loadu/storeu 避跨缓存行，小尺寸兜底，辅以预取和内存预热。
用SIMD指令手写高性能 memcpy，核心是**对齐+向量化+边界处理**，不是简单套用指令，而是根据数据长度、对齐情况选择最优策略。x86上常用 SSE/AVX，ARM 上用 NEON，这里以 x86-64 + AVX2 为主展开（兼容性好、寄存器宽、指令丰富）。
对齐判断与分段处理
内存拷贝性能差异极大取决于源和目标地址是否对齐（通常指 16/32/64 字节）。AVX2 的 _mm256_loadu_si256 支持非对齐加载但慢于对齐版本；真正高性能必须区分路径：
-
全对齐路径：src 和 dst 都是 32 字节对齐，且长度 ≥ 32 → 用
_mm256_load_si256+_mm256_store_si256批量搬移 - 偏移对齐路径：两者地址模 32 同余（即相对偏移对齐），可用对齐 load/store + 整体偏移调整
-
非对齐混用路径：用
_mm256_loadu_si256+_mm256_storeu_si256，但需避免跨缓存行导致的额外延迟 - 小尺寸兜底：长度 rep movsb（现代 CPU 对其有微码优化）
AVX2 向量化拷贝主体（32 字节/次）
典型内循环如下（假设已对齐、长度为 32 的倍数）：
（伪代码示意，实际需用 intrinsics 或内联汇编）
for (size_t i = 0; i < len; i += 32) {
__m256i v = _mm256_load_si256((__m256i*)(src + i));
_mm256_store_si256((__m256i*)(dst + i), v);
}
关键点：
立即学习“C++免费学习笔记（深入）”；
- 使用
__restrict__告知编译器 src/dst 无重叠（否则需按 memmove 处理） - 循环展开 2–4 轮可隐藏指令延迟（如一次 load 两组再 store）
- 避免频繁插入
_mm256_zeroupper()（仅在调用可能用到 XMM 的外部函数前后需要） - 注意编译器优化等级：-O2/-O3 下 auto-vectorize 可能已做得不错，手写价值在于**可控对齐策略 + 避免安全检查开销**
边界与尾部处理（不丢精度）
长度往往不是 32 的整数倍，尾部必须精确处理：
- 先按 32 字节主循环搬运，记下剩余字节数
tail = len % 32 - tail == 0 → 结束
- tail ≤ 16 → 用 SSE 指令（
_mm_loadu_si128/_mm_storeu_si128） - tail > 16 → 先搬 16 字节，再用 8/4/2/1 字节逐个拷贝（或用
memcpy小尺寸兜底） - 更优做法：用位掩码 +
_mm256_maskload_epi32（AVX2）或_mm256_mask_mov_epi32（AVX512），但兼容性差
实测建议与注意事项
别盲目追求“最高速”，要结合场景权衡：
- 拷贝 收益），直接用 libc 的
memcpy或编译器内置 - 拷贝 > 4KB：考虑预取（
_mm_prefetch）+ 多路并行（但 memcpy 是内存带宽敏感，多线程不一定加速） - 注意 NUMA 和页表映射：大块拷贝前 touch 内存页可减少缺页中断
- 禁用 -fno-tree-vectorize 等干扰选项；用 perf / VTune 观察 L1/L2 缓存命中率、uop 数、前端瓶颈
- ARM64 用户优先用
vld1q_u8/vst1q_u8（NEON），逻辑类似，寄存器宽度为 128 位
基本上就这些。SIMD memcpy 不是黑魔法，而是对齐感知 + 分支精简 + 指令选型的组合优化。libc 实现（如 glibc 的 multiarch memcpy）已经非常成熟，自己写主要适用于特定硬件、固定对齐、极致低延迟场景，或者作为学习底层内存行为的实践。
