带有必须以这种方式存储的控制向量的任意洗牌？唉，很难共事。我猜你必须将两者都解压才能提供 SSSE3pshufb然后重新打包该结果。
大概只是punpcklbw反对右移副本，然后 AND 掩码以仅保留每个字节中的低 4 位。然后pshufb.
有时，奇数/偶数分割比加宽每个元素更容易（因此位仅保留在其原始字节或字内）。在这种情况下，如果我们可以更改您的半字节索引编号，punpcklqdq可以将奇数或偶数半字节放入高半部分，准备将它们带回下方并进行“或”操作。
但如果不这样做，重新包装就是一个单独的问题。我猜想将相邻的字节对组合成低字节中的一个字，也许是pmaddubsw https://www.felixcloutier.com/x86/pmaddubsw如果吞吐量比延迟更重要。然后你可以packuswd https://www.felixcloutier.com/x86/packuswb（针对零或自身）或pshufb（具有恒定的控制向量）。
如果您要进行多次这样的洗牌，您可以将两个向量打包为一个，以便存储movhps / movq。使用 AVX2，可以让所有其他指令在两个 128 位通道中的两个独立的洗牌上工作。
// UNTESTED, requires only SSSE3
#include <stdint.h>
#include <immintrin.h>
uint64_t shuffle_nibbles(uint64_t data, uint64_t control)
{
__m128i vd = _mm_cvtsi64_si128(data); // movq
__m128i vd_hi = _mm_srli_epi32(vd, 4); // x86 doesn't have a SIMD byte shift
vd = _mm_unpacklo_epi8(vd, vd_hi); // every nibble at the bottom of a byte, with high garbage
vd = _mm_and_si128(vd, _mm_set1_epi8(0x0f)); // clear high garbage for later merging
__m128i vc = _mm_cvtsi64_si128(control);
__m128i vc_hi = _mm_srli_epi32(vc, 4);
vc = _mm_unpacklo_epi8(vc, vc_hi);
vc = _mm_and_si128(vc, _mm_set1_epi8(0x0f)); // make sure high bit is clear, else pshufb zeros that element.
// AVX-512VBMI vpermb doesn't have that problem, if you have it available
vd = _mm_shuffle_epi8(vd, vc);
// left-hand input is the unsigned one, right hand is treated as signed bytes.
vd = _mm_maddubs_epi16(vd, _mm_set1_epi16(0x1001)); // hi nibbles << 4 (*= 0x10), lo nibbles *= 1.
// vd has nibbles merged into bytes, but interleaved with zero bytes
vd = _mm_packus_epi16(vd, vd); // duplicate vd into low & high halves.
// Pack against _mm_setzero_si128() if you're not just going to movq into memory or a GPR and you want the high half of the vector to be zero.
return _mm_cvtsi128_si64(vd);
}
屏蔽数据0x0f在 shuffle 之前（而不是之后）允许在具有两个 shuffle 单元的 CPU 上实现更多 ILP。至少如果它们在向量寄存器中已经有 uint64_t 值，或者数据和控制值来自内存，那么两者都可以在同一周期中加载。如果来自 GPR，则为 1/时钟吞吐量vmovq xmm, reg意味着 dep 链之间存在资源冲突，因此它们不能在同一周期中启动。但由于数据可能在控制之前就准备好了，因此提前屏蔽可以使其远离控制->输出延迟的关键路径。
如果延迟而不是通常的吞吐量成为瓶颈，请考虑更换pmaddubsw右移 4，por，和/包。或者pshufb打包，同时忽略奇数字节中的垃圾。既然你无论如何都需要另一个常量，不妨将其设为pshufb常数而不是and.
如果您有 AVX-512，则进行移位和位混合vpternlogd可以避免在洗牌之前需要屏蔽数据，并且vpermb代替vpshufb将避免需要屏蔽控件，因此您可以避免set1_epi8(0x0f)完全恒定。
clang 的 shuffle 优化器没有发现任何东西，只是像 GCC 那样编译它（https://godbolt.org/z/xz7TTbM1d https://godbolt.org/z/xz7TTbM1d）， 即使-march=sapphirerapids。没有发现它可以使用vpermb代替vpand / vpshufb.
shuffle_nibbles(unsigned long, unsigned long):
vmovq xmm0, rdi
vpsrld xmm1, xmm0, 4
vpunpcklbw xmm0, xmm0, xmm1 # xmm0 = xmm0[0],xmm1[0],xmm0[1],xmm1[1],xmm0[2],xmm1[2],xmm0[3],xmm1[3],xmm0[4],xmm1[4],xmm0[5],xmm1[5],xmm0[6],xmm1[6],xmm0[7],xmm1[7]
vmovq xmm1, rsi
vpsrld xmm2, xmm1, 4
vpunpcklbw xmm1, xmm1, xmm2 # xmm1 = xmm1[0],xmm2[0],xmm1[1],xmm2[1],xmm1[2],xmm2[2],xmm1[3],xmm2[3],xmm1[4],xmm2[4],xmm1[5],xmm2[5],xmm1[6],xmm2[6],xmm1[7],xmm2[7]
vmovdqa xmm2, xmmword ptr [rip + .LCPI0_0] # xmm2 = [15,15,15,15,15,15,15,15,15,15,15,15,15,15,15,15]
vpand xmm0, xmm0, xmm2
vpand xmm1, xmm1, xmm2
vpshufb xmm0, xmm0, xmm1
vpmaddubsw xmm0, xmm0, xmmword ptr [rip + .LCPI0_1]
vpackuswb xmm0, xmm0, xmm0
vmovq rax, xmm0
ret
（没有AVX，需要额外2个movdqa注册复制指令。）
