优化第七代英特尔酷睿视频 RAM 中的递增 ASCII 十进制计数器

我正在尝试针对特定的 Kaby Lake CPU (i5-7300HQ) 优化以下子例程，理想情况下使代码比其原始形式至少快 10 倍。该代码在 16 位实模式下作为软盘式引导加载程序运行。它在屏幕上显示一个十位十进制计数器，计数 0 - 9999999999，然后停止。

我看过 Agner 的优化指南微架构 and Assembly, 指令性能表和英特尔的优化参考手册.

到目前为止我能做的唯一明智的优化就是交换loop指令dec + jnz， 解释here.

另一种可能的优化可能是交换lodsb for mov + dec，但我发现的相关信息是相互矛盾的，有些人说它略有帮助，而另一些人则说它实际上可能会损害现代 CPU 的性能。

我还尝试切换到 32 位模式，并将整个计数器保留在未使用的寄存器对中，以消除任何内存访问，但在阅读了一些内容后，我意识到这 10 位将立即被缓存，并且 L1 缓存之间的延迟差异和寄存器大约只有三倍，所以绝对不值得以这种格式使用计数器的额外开销。

（编者注：add reg延迟为1个周期，add [mem]延迟约为 6 个周期，包括 5 个周期的存储转发延迟。或者更糟糕的是如果[mem]与视频 RAM 一样不可缓存。）

org 7c00h

pos equ 2*(2*80-2)  ;address on screen

;init
cli
mov ax,3
int 10h
mov ax,0b800h
mov es,ax
jmp 0:start

start:
    push cs
    pop ds
    std

    mov ah, 4Eh
    xor cx, cx
    mov bl,'9'

countloop:
    mov cl,10           ;number of digits to add to
    mov si,counter+9    ;start of counter
    mov di,pos          ;screen position

    stc                 ;set carry for first adc
next_digit:
    lodsb               ;load digit
    adc al,0
    cmp bl, al
    jnc print
    add al,-10          ;propagate carry if resulting digit > 9
print:
    mov [si+1],al       ;save new digit
    stosw               ;print

    ;replaced loop with a faster equivalent
    ;loop next_digit
    dec cl
    jnz next_digit

    jnc countloop

    jmp $

counter:
    times 10 db '0'

    times 510-($-$$) db 0
    dw 0aa55h

我的问题是 - 我该怎么做才能达到预期的速度提升？我还可以学习哪些其他材料来更好地理解基本概念？

注：这个is学校作业。虽然直接的答案肯定会有所帮助，但我更希望得到相关学习材料的解释或指示，因为我们没有得到任何解释或指示。

编辑：将代码更改为最小的可重现示例

这是我的看法。已应用以下优化：

• 为了获得最佳性能，最低有效数字已完全展开
• 剩余的数字已展开为每个数字的一​​个部分
• BCD 算术已用于将代码减少为每个数字一个条件分支
• 段的使用已被重新调整，以减少使用的前缀数量
• 指令顺序经过优化，可将长延迟指令移出关键路径

此外，我已将代码更改为 COM 二进制文件，以便于测试。将其变回引导加载程序作为读者的练习。一旦它是引导加载程序，您可以做的一件事就是修复代码，以便CS and SS段基数为0000。这避免了对某些微架构的加载和存储的惩罚。

        org     100h

pos     equ     2*(2*80-12)             ; address on screen

        mov     ax, 3                   ; set up video mode
        int     10h
        mov     ax, 0b800h
        mov     ds, ax
        mov     es, ax

        mov     di, pos
        mov     ax, 4e30h               ; '0' + attribute byte 4e
        mov     cx, 10
        cld
        rep     stosw                   ; set up initial display

        xor     ax, ax
        sub     sp, 10
        push    ax
        push    ax
        push    ax
        push    ax
        push    ax
        mov     bp, sp                  ; set up counter

        dec     di
        dec     di                      ; di points to the last digit on screen
        mov     bx, digits              ; translation table

        jmp     countloop

%macro  docarry 1                       ; digits other than the last one
        mov     al, [bp+%1]             ; second to last digit
        inc     ax                      ; add carry to al
        aaa                             ; generate BCD carry
        mov     [bp+%1], al             ; desposit to counter
        cs xlat                         ; generate ASCII digit
        mov     [di-2*9+2*%1], al       ; display digit
        jnc     countloop               ; exit when carry dies
%endm

docarry2:                               ; place this here so jumps are in range
        docarry 2
        docarry 1
        docarry 0
        int     20h

        align   16                      ; for performance
countloop:
        mov     [di], byte '0'          ; treat last digit separately
        mov     [di], byte '1'
        mov     [di], byte '2'
        mov     [di], byte '3'
        mov     [di], byte '4'
        mov     [di], byte '5'
        mov     [di], byte '6'
        mov     [di], byte '7'
        mov     [di], byte '8'
        mov     [di], byte '9'

        docarry 8
        docarry 7
        docarry 6
        docarry 5
        docarry 4
        docarry 3
        jmp     docarry2

digits:
        db      '0123456789'

与我基于 8 MHz 80286 的机器上的原始代码相比，这将速度提高了约 30 倍，并设法使计数器每秒增加约 329000 次（每个数字约 3.04 µs）。在现代系统上进行测试会有点困难，但我会尝试找到解决方案。