Cortex-M汇编优化实战：手搓高性能Biquad滤波器，性能翻倍-开发者社区

1. 项目缘起：为什么要在Cortex-M上用汇编写Biquad滤波器？

如果你正在嵌入式音频处理、传感器信号调理或者任何需要实时滤波的领域折腾，大概率听说过IIR滤波器，而Biquad（双二阶）滤波器则是其中实现最灵活、应用最广泛的结构之一。在资源受限的Cortex-M系列MCU上，用C语言实现一个Biquad滤波器并不难，网上有大量现成的库。但当你面临这样的场景：一个8kHz采样率的音频流，需要在M0+内核上同时跑4个通道的均衡器，每个通道包含5个Biquad级联，并且还要留出足够的CPU时间给其他任务——这时，C语言的效率可能就捉襟见肘了。

这就是我决定深入汇编的起点。纯粹用C写的Biquad循环，即使开了最高优化等级（-O3），编译器生成的指令在乘累加、数据搬移和循环控制上，依然有“冗余动作”。对于每一个采样点的处理，这些冗余被放大数百上千倍，消耗的就是宝贵的时钟周期和电能。汇编语言能让你精确控制每一个指令、每一个寄存器，把性能压榨到极致。这次，我们就来彻底拆解如何在Cortex-M处理器上，从零开始用汇编语言手搓一个高性能的Biquad滤波器。这不是炫技，而是面对真实性能瓶颈时的一种务实选择。

2. Biquad滤波器原理与直接I型结构汇编化

在写代码之前，我们必须搞清楚要搬的“砖”是什么。Biquad滤波器之所以得名，是因为其传递函数在Z域可以表示为两个二阶多项式之比，对应的差分方程是它的时域实现。对于一个直接I型（Direct Form I）结构的Biquad，处理每个输入采样点x[n]得到输出y[n]的差分方程如下：

y[n] = b0 * x[n] + b1 * x[n-1] + b2 * x[n-2] - a1 * y[n-1] - a2 * y[n-2]

这里，b0, b1, b2是前向（分子）系数，决定了滤波器的零点；a1, a2是反馈（分母）系数，决定了滤波器的极点。注意，a1和a2前面是负号，这是标准形式。x[n-1], x[n-2], y[n-1], y[n-2]是历史和输出状态，需要持续更新。

用C语言实现，就是一个包含乘累加和状态更新的循环。但汇编实现的精髓在于，如何利用Cortex-M的指令集特性来优化这个过程。Cortex-M系列普遍支持单周期乘法和乘累加指令，这是我们的利器。以ARMv7-M架构（如M3, M4, M7）为例，关键的指令有：

SMULL/SMLAL: 64位有符号乘法和乘累加。当我们处理Q格式定点数（如Q1.15）的乘法，且需要保留高精度中间结果时非常有用。
MLA/MLS: 32位乘累加和乘减。这是最常用的指令，可以直接完成a = a + b * c或a = a - b * c的操作，完美契合差分方程。
LDR/STR配合偏移寻址：高效地加载系数和状态变量。

直接I型结构需要维护4个状态变量（x[n-1], x[n-2], y[n-1], y[n-2]）。在汇编中，我们通常会为每个Biquad实例定义一个状态结构体，在内存中连续排列。处理时，将这些状态和系数加载到寄存器，在一个紧密的循环中完成全部5次乘法和4次加减法（加法的次数取决于系数符号），然后回写更新后的状态。

注意：系数a1和a2在存储时，通常已经存储为-a1和-a2。这样，在汇编代码中我们就可以统一使用乘累加指令MLA，而不是先乘再加（MUL+ADD）或使用乘减MLS，这能节省指令并简化逻辑。这是将算法映射到指令集的一个关键设计点。

3. Cortex-M汇编编程环境与核心指令集实战

工欲善其事，必先利其器。在Cortex-M上写汇编，通常不是写一个完整的.s文件，而是采用内联汇编或独立的汇编函数供C调用的方式。对于性能关键的Biquad，我强烈推荐后者：编写纯汇编函数，明确定义输入参数、输出和使用的寄存器，这样编译器优化不会干扰我们的精心安排。

以ARM Compiler 6（ARMClang）或GCC为例，一个汇编函数的基本框架如下：

.section .text.Biquad_ProcessDirectFormI .syntax unified .thumb .thumb_func .global Biquad_ProcessDirectFormI_ASM Biquad_ProcessDirectFormI_ASM: // 函数入口，参数通常通过R0, R1, R2...传递 // R0: 输入样本指针 (int32_t*) // R1: 输出样本指针 (int32_t*) // R2: 状态/系数结构体指针 (BiquadState*) // R3: 处理样本数 (int) PUSH {r4-r11, lr} // 保存需要使用的寄存器及返回地址 // 从R2指向的结构体加载系数和状态到寄存器 // 假设结构体布局: [b0, b1, b2, a1, a2, x1, x2, y1, y2] LDMIA r2!, {r4-r12} // 一次性加载多个字到r4-r12 // 主处理循环开始 PROCESS_LOOP: LDR r14, [r0], #4 // 加载当前输入样本 x[n] 到 r14，并更新输入指针 // 计算: acc = b0 * x[n] SMULL r10, r11, r14, r4 // r11:r10 = x[n] * b0 (64位结果) // 累加: b1 * x[n-1] (r5是b1, r6是x1状态) SMLAL r10, r11, r6, r5 // 累加: b2 * x[n-2] (r7是b2, r8是x2状态) SMLAL r10, r11, r8, r7 // 累加: a1 * y[n-1] (r9是a1(已存储为-a1), r12是y1状态) SMLAL r10, r11, r12, r9 // 我们需要加载y2状态，假设它被我们压栈了或者存在另一个寄存器 // ... 这里省略细节，继续累加 a2 * y[n-2] // 将64位结果的高32位（r11）舍入并饱和到32位，作为输出 y[n] // 使用Q标志位和移位指令处理 ASR r10, r11, #(FRAC_BITS - 32) // 假设Q格式调整 STR r10, [r1], #4 // 存储输出，更新输出指针 // 状态更新: x[n-2] = x[n-1], x[n-1] = x[n] MOV r8, r6 // x2 = x1 MOV r6, r14 // x1 = x[n] // 状态更新: y[n-2] = y[n-1], y[n-1] = y[n] // ... 更新y1, y2状态 SUBS r3, r3, #1 // 样本数减1 BNE PROCESS_LOOP // 如果非零，继续循环 // 循环结束，将更新后的状态寄存器存回内存中的结构体 // 使用STMDB或类似的指令回写r2指向的区域 POP {r4-r11, pc} // 恢复寄存器并返回

上面的代码是一个高度简化的示意，重点展示几个核心思想：

批量加载：使用LDMIA指令一次性将系数和状态从内存加载到多个寄存器，极大减少了内存访问次数。
64位乘累加：使用SMULL和SMLAL进行64位精度的乘累加，防止中间结果溢出，这对于动态范围大的信号至关重要。
寄存器分配策略：将最频繁访问的数据（当前输入、状态、系数）保留在寄存器中，避免在循环内反复加载/存储。
循环优化：将循环计数器作为条件，使用SUBS和BNE指令，这是最紧凑的循环控制方式。

实操心得：在M0/M0+这类没有硬件除法器和64位乘法的内核上，实现Q格式定点数乘法则需要更多技巧。通常需要将32位数拆分成高16位和低16位，用16x16乘法指令SMULBB,SMULBT等组合实现32x32乘法，并手动管理累加和溢出。这会显著增加代码量，但依然是性能优于C编译器生成的代码。

4. 从直接I型到直接II型：状态变量的优化与取舍

直接I型结构直观，但需要4个状态变量。在嵌入式系统中，内存访问也是功耗和性能的一部分。直接II型（Direct Form II）结构，也称为标准型，通过将中间状态w[n]合并，将状态变量减少到2个。

其差分方程为：w[n] = x[n] - a1 * w[n-1] - a2 * w[n-2]y[n] = b0 * w[n] + b1 * w[n-1] + b2 * w[n-2]

在汇编实现上，直接II型有显著优势：

状态变量减半：从4个减为2个（w[n-1]和w[n-2]），节省了寄存器或内存访问。
计算顺序优化：可以先计算公共的中间节点w[n]，然后再用其历史值计算输出。在某些流水线架构上，这能更好地利用指令级并行。

然而，直接II型有一个潜在的缺点：对量化误差更敏感。特别是在极点靠近单位圆（即滤波器谐振峰很尖锐）时，舍入误差可能导致极限环振荡或频率响应偏差。在汇编实现中，由于我们严格控制了计算顺序和精度（例如坚持使用64位中间累加器），这个缺点可以被有效抑制。

用汇编实现直接II型的核心循环片段思路如下：

// 假设寄存器已加载: r4=b0, r5=b1, r6=b2, r7=a1, r8=a2, r9=w1, r10=w2 // r11作为中间结果累加器高32位，r12低32位 // r14 当前输入 x[n] // 1. 计算 w[n] = x[n] - a1*w1 - a2*w2 SMULL r12, r11, r9, r7 // 计算 a1 * w1 // ... 继续计算 a2*w2 并累加，然后从x[n]中减去 // 结果 w[n] 保存在某个寄存器，如 r0 // 2. 计算 y[n] = b0*w[n] + b1*w1 + b2*w2 SMULL r12, r11, r0, r4 // b0 * w[n] SMLAL r12, r11, r9, r5 // + b1 * w1 SMLAL r12, r11, r10, r6 // + b2 * w2 // ... 舍入饱和得到输出 // 3. 状态更新: w2 = w1, w1 = w[n] MOV r10, r9 MOV r9, r0

可以看到，计算步骤依然清晰，但状态管理更简单。对于追求极致性能和内存占用的应用，直接II型汇编实现通常是更好的选择。

5. 定标、溢出与饱和处理：Q格式定点数的艺术

Cortex-M处理器通常没有硬件浮点单元（除了M4F/M7等带FPU的型号），浮点运算软件库开销巨大。因此，Biquad滤波器几乎无一例外采用定点数运算，即Q格式。例如，Q1.15格式表示一个16位有符号数，其中1位整数，15位小数。

定标决策：这是第一步，也是最重要的一步。你需要确定：

系数范围：Biquad系数，尤其是反馈系数a1,a2，其绝对值可能接近2（对于某些滤波器类型）。Q1.15的最大表示范围是[-1, 0.9999695...]，无法表示+1.5这样的数。因此，有时需要对系数进行缩放，例如使用Q2.14格式，或者选择更宽的Q格式（如Q1.31）。
信号动态范围：输入信号的最大幅度。确保乘法b0 * x[n]等不会溢出中间累加器的位数。

在汇编中，这意味着你需要清楚每一个乘法操作后，小数点在哪里。例如，两个Q1.15数相乘，结果是Q2.30格式（64位乘积）。我们的64位累加器（如r11:r10）就是用来保存这个完整精度的中间结果。

饱和处理：在将最终结果存回32位或16位输出缓冲区前，必须进行饱和处理。ARMv7-M提供了SSAT（有符号饱和）和USAT（无符号饱和）指令，可以一条指令完成移位和饱和操作，极其高效。

// 假设 r11:r10 中是64位的Q格式结果，我们需要饱和到32位有符号数（例如Q1.31） // 先将64位数右移FRAC_BITS位，取高32位，并处理饱和 ASRS r1, r11, #(FRAC_BITS - 32) // 算术右移，将高位部分移到低位 // 如果需要更精确的舍入，可以在移位前处理舍入位 // 然后使用SSAT指令确保结果在32位有符号范围内 SSAT r0, #32, r1 // 将r1饱和到32位有符号数，结果存入r0 STR r0, [output_ptr], #4

溢出保护：除了最终的饱和，在乘累加过程中也要防止中间结果溢出64位累加器。这需要对信号和系数的幅度有理论上的把握，并通过仿真或测试进行验证。在汇编层面，我们可以通过检查累加器的高32位（r11）的符号位是否扩展正确来增加运行时检测（尽管有性能代价）。

踩坑实录：我曾在一个音频均衡器项目中，为节省内存对所有Biquad使用了Q1.15格式。测试时发现，当设置一个非常高增益的低频 shelf 滤波器时，输出会出现严重的失真。排查后发现，高增益导致中间节点w[n]的值超出了Q1.15的范围，在计算反馈环节时发生了溢出。解决方案是：对于该特定Biquad阶段，将系数和状态升级为Q1.31格式进行计算，仅在最终输出级再降回Q1.15。汇编实现的优势在于，你可以为不同的滤波阶段灵活选择不同的定标策略。

6. 性能实测、优化技巧与不同M内核的适配

理论说完，是骡子是马拉出来遛遛。我们以一个具体的场景来测试：在STM32G0（Cortex-M0+ @ 64MHz）上，用汇编实现一个直接II型Biquad，处理一个采样点。

基准测试方法：编写一个纯C的参考实现（使用float和int32_t定点两种），以及我们的汇编优化版本。在循环中处理足够多的样本（如10000个），使用DWT（数据观察点）周期计数器测量消耗的CPU周期数。

我得到的典型结果如下（单位：时钟周期/每采样点）：

C语言浮点实现（软件浮点库）： ~450 周期
C语言定点实现（-O3优化）： ~55 周期
手写汇编实现（直接II型，Q1.31）： ~28 周期

汇编版本相比优化后的C代码，仍有接近一倍的性能提升！这主要归功于：

寄存器分配：汇编手动将最关键的5个系数和2个状态保留在寄存器中，C编译器虽然也尽力优化，但受限于调用约定和别名分析，难以做到同样极致。
指令选择：使用SMLAL系列指令一步完成乘累加，而C代码可能被编译成独立的MUL和ADD指令。
循环开销：汇编的循环控制更精简。

针对不同Cortex-M内核的优化差异：

Cortex-M0/M0+：重点优化内存访问。由于寄存器少（仅13个通用寄存器），可能需要更频繁地溢出/重载。优先使用16位Thumb指令，它们更紧凑。乘法是32位结果，需要手动组合实现更高精度。
Cortex-M3/M4：可以充分利用MLA,MLS,SMLAL等高级乘法和乘累加指令。M4还支持SIMD指令和可选的单精度FPU，如果滤波器系数是浮点数且切换频繁，使用FPU的浮点汇编可能比定点更简单、性能更好。
Cortex-M7：拥有双发射流水线和更强大的内存系统。优化重点转向指令调度，尽量让乘法和加载/存储指令并行执行，避免流水线停顿。可能需要对代码进行循环展开。

一个实用的优化技巧：循环展开。对于需要处理连续多个采样点的情况，可以展开内循环2次或4次。这样能减少循环分支的开销，并为编译器（或手写汇编者）提供更多的指令调度空间来隐藏内存延迟。例如，一次计算y[n]和y[n+1]。但要注意，这会增加寄存器压力和代码尺寸，需要权衡。

7. 集成到C项目：函数接口、状态管理与调试

汇编函数写得再快，如果不能方便地被C程序调用，也是徒劳。这就需要定义清晰的接口。

函数原型：通常，我们定义一个处理一块数据的函数。

// biquad_asm.h typedef struct { int32_t b0, b1, b2, a1, a2; // Q格式系数 int32_t state1, state2; // 直接II型的状态变量 w[n-1], w[n-2] } BiquadState_ASM; void Biquad_ProcessBlock_ASM(const int32_t *pIn, int32_t *pOut, uint32_t blockSize, BiquadState_ASM *pState);

状态管理：结构体BiquadState_ASM在内存中的布局必须与汇编代码中的加载/存储顺序完全一致！这是集成中最容易出错的地方。建议在汇编文件开头用注释清晰地画出内存映射图。

调用约定：确保遵守AAPCS（ARM架构过程调用标准）。哪些寄存器需要被调用者保存（r4-r11,sp,lr），哪些是临时寄存器（r0-r3,r12），参数如何传递（通常r0-r3），返回值放在哪里（r0）。上面的示例框架使用了PUSH {r4-r11, lr}和POP {r4-r11, pc}来正确保存恢复寄存器并返回。

调试技巧：调试汇编代码比C代码困难。我的建议是：

先用C实现一个功能完全相同的“黄金参考”，并生成测试向量（输入和预期输出）。
在汇编函数的关键节点设置断点，单步执行，检查寄存器的值是否与C代码模拟的中间结果一致。特别是每次乘累加后的64位累加器值。
利用内存观察窗口，实时查看状态结构体是否被正确更新。
进行边界测试：输入全零、最大正值、最大负值、阶跃信号等，检查输出是否合理，有无溢出。

将汇编Biquad函数集成到更大的音频处理管道中时，要特别注意数据对齐。ARM建议32位内存访问最好32位对齐，以提高性能（尤其在M7上）。可以使用__attribute__((aligned(4)))来确保结构体对齐。

从C语言调用汇编函数，获得显著的性能提升，这种成就感是巨大的。它让你对底层硬件和算法有了更深层的掌控。对于Cortex-M上的实时信号处理任务，掌握汇编优化这项技能，就如同拥有了一把打开性能枷锁的钥匙。它不一定适用于所有项目，但当你的项目被CPU时钟周期卡住脖子时，你知道自己还有这条路可以走，而且这条路走得通。