When and why should we use one register or two registers in ..._arm64.s?

[SparrowLii]

In crypto/md5/md5block_arm64.s there are two similar rounds:
#define ROUND1(a, b, c, d, index, const, shift)
ADDW $const, a;
ADDW R8, a;
MOVW (index*4)(R1), R8;
EORW c, R9;
ANDW b, R9;
EORW d, R9;
ADDW R9, a;
RORW $(32-shift), a;
MOVW c, R9;
ADDW b, a

#define ROUND2(a, b, c, d, index, const, shift)
ADDW $const, a;
ADDW R8, a;
MOVW (index*4)(R1), R8;
ANDW b, R10;
BICW R9, c, R9;
ORRW R9, R10;
MOVW c, R9;
ADDW R10, a;
MOVW c, R10;
RORW $(32-shift), a;
ADDW b, a

The go code of ROUND1 is: a = b + bits.RotateLeft32((((c^d)&b)^d)+a+x0+const, shift)
ps: (c^d)&b)^d) is equal (b&c) | ((^b)&d).
The go code of ROUND2 is: a = b + bits.RotateLeft32((((b^c)&d)^c)+a+x0+const, shift)
ps: (b^c)&d)^c) is equal (b&d) | (c&(^d)).
Why it uses one register in ROUND1(R9) but uses two registers(R9, R10) in ROUND2, and they are both fastest?

[surechen]

round1 ：1) (c^d)&b)^d) 2) (b&c) | ((^b)&d)
round2 ：3) (b^c)&d)^c) 4) (b&d) | (c&(^d))

看汇编代码，round1是按照公式 1)执行的，round2是按照公式4)执行的，按照公式1)和3)编写代码一个寄存器就够了，按照2)和4)编写代码在符号‘|’两边是两个公式，正常应该使用两个寄存器，我们都知道将栈上数据取到寄存器也是有一定开销的，但是使用更多寄存器可能意味着更好的利用流水线和运算部件，以a76处理器为例，arm a76处理器包含三个整数相关的运算部件，对于整数的and、orr等操作这三个运算部件都可以使用，每个执行需要1时钟周期，吞吐量是3，意味着在一个时钟周期内是可以三个指令并发执行的。
我猜测你是把公式 1）2）都用到round1，把公式3）4）都用到了round2，并发现原有实现是最快的，事实上看起来1)和3)，2)和4)都是等价的，我建议1）因为其他指令的顺序可能会影响流水线的并发度，你把指令顺序调整下，让他们在round1和round2中相对位置一致，再测试。2）把这部分代码单独拎出来，通过benchmark来比较性能，跑benchmark时带上-count，多跑几次，增加准确性，看看是否可以排除这段代码的影响。等到把准确数据贴出来，我们再继续讨论，你可以向我索要这本a76相关的手册，虽然可能与鲲鹏处理器并不完全一致。