我已经阅读了CSAPP 3e的第5章。我想测试书中描述的优化技术是否可以在我的计算机上工作。我编写了以下程序：

#define SIZE (1024)
int main(int argc, char* argv[]) {
  int sum = 0;
  int* array = malloc(sizeof(int) * SIZE);
  unsigned long long before = __rdtsc();
  for (int i = 0; i < SIZE; ++i) {
    sum += array[i];
  }
  unsigned long long after = __rdtsc();
  double cpe = (double)(after - before) / SIZE;
  printf("CPE is %f\n", cpe);
  printf("sum is %d\n", sum);
  return 0;
}

它报告CPE在1.00左右。
我使用4x4循环展开技术转换程序，并生成以下程序：

#define SIZE (1024)
int main(int argc, char* argv[]) {
  int sum = 0;
  int* array = malloc(sizeof(int) * SIZE);

  int sum0 = 0;
  int sum1 = 0;
  int sum2 = 0;
  int sum3 = 0;
  /* 4x4 unrolling */
  unsigned long long before = __rdtsc();
  for (int i = 0; i < SIZE; i += 4) {
    sum0 += array[i];
    sum1 += array[i + 1];
    sum2 += array[i + 2];
    sum3 += array[i + 3];
  }
  unsigned long long after = __rdtsc();
  sum = sum0 + sum1 + sum2 + sum3;
  double cpe = (double)(after - before) / SIZE;
  printf("CPE is %f\n", cpe);
  printf("sum is %d\n", sum);
  return 0;
}

注意，我省略了处理SIZE不是4的倍数的情况的代码。此程序报告CPE大约为0.80。
我的程序运行在AMD 5950X上，根据AMD的软件优化手册（https://developer.amd.com/resources/developer-guides-manuals/），整数加法指令的延迟为1个周期，吞吐量为每个周期4条指令，它还有一个加载存储单元，可以同时执行三个独立的加载操作，我对CPE的期望值是0.33，我不知道为什么结果会这么高。
我的编译器是gcc 12.2.0。所有程序都是用-Og标志编译的。
我检查了优化程序的汇编代码，但没有发现任何有用的东西：

.L4:
        movslq  %r9d, %rcx
        addl    (%r8,%rcx,4), %r11d
        addl    4(%r8,%rcx,4), %r10d
        addl    8(%r8,%rcx,4), %ebx
        addl    12(%r8,%rcx,4), %esi
        addl    $4, %r9d
.L3:
        cmpl    $127, %r9d
        jle     .L4

我假设4条addl指令中至少有3条应该并行执行。然而，程序的结果并不符合我的预期。