加密指令扩展:AES-NI 与 SHA 扩展的流水线位置、延迟吞吐与加速比全解
更新时间:2026-10-02。在 向量 SIMD 执行单元 里我们讲过,现代核的整数/浮点流水线旁边挂着一组宽向量单元,专用指令靠独占的执行端口和后端的独立数据通路换取数量级的吞吐提升。加密指令扩展是这条思路走到极致的例子:AES-NI(Advanced Encryption Standard New Instructions)把 AES 加密的一整轮变换做成一条指令,SHA 扩展(SHA Extensions)把 SHA-1/SHA-256 的轮迭代做成一条指令,还有 PCLMULQDQ(Carry-Less Multiplication)专供 GCM 模式的伽罗华域乘法。这一篇回答三件事:这些指令在流水线里落在什么位置、延迟吞吐参数长什么样、相对纯软件实现到底快多少,以及怎么用最小实验亲自验证。
本文要回答的问题
- 没有加密指令扩展时,软件实现 AES 一轮要花多少条通用指令,慢在哪?
- AES-NI 的六条指令各自做什么,在流水线里走哪条数据通路?
- SHA 扩展与 PCLMULQDQ 的加速机制有什么异同?
- 专用加密单元的延迟与吞吐参数是多少,为什么吞吐比延迟更重要?
- 加速比在什么负载下兑现、什么时候被内存或调度吃掉?
一、软件 AES 的痛点:查表、掩码与侧信道
AES-128 加密一轮包含四步:SubBytes(S 盒字节替换)、ShiftRows(行移位)、MixColumns(列混合,伽罗华域上的矩阵乘)、AddRoundKey(轮密钥异或)。用通用整数指令实现,经典做法是 T 表法:把 SubBytes、ShiftRows、MixColumns 合并成四张各 1KB 的查找表,一轮 16 字节状态要 16 次查表加 16 次异或,再加上地址计算和掩码,一轮下来大约 40-50 条指令、15-20 个周期。十轮的 AES-128 完整加密一个 16 字节块,软件实现典型在 150-250 周期量级,折算下来每字节 10-15 周期。
慢只是问题的一半,另一半更致命:查表的地址依赖密钥相关的数据,缓存命中与否泄露密钥信息——这就是缓存时序侧信道,2005 年前后有一整串论文演示过从 OpenSSL 的 AES 实现里远程榨出密钥。软件对策(位片化 bitslicing、常量时间实现)要么牺牲性能,要么实现门槛极高。也就是说,通用指令集在密码学原语上同时打输了性能和安全两场仗,这是 CPU 厂商下场做专用指令的直接动机。
二、AES-NI:一轮一条指令,密钥扩展也包了
Intel 在 2010 年的 Westmere 上首次引入 AES-NI,共六条指令,分两组。加解密四条:AESENC(执行一轮加密)、AESENCLAST(最后一轮,少 MixColumns)、AESDEC 与 AESDECLAST(解密侧,用等价逆变换)。密钥扩展两条:AESKEYGENASSIST(辅助生成轮密钥)、AESIMC(把加密轮密钥转换成解密用的逆密钥)。操作数都是 128 位 XMM 寄存器,状态块和轮密钥各占一个。
上图是 AES-NI 与软件路径在流水线里的对照。关键观察有三个。第一,AESENC 译码后就是一条微操作(uop),走向量执行端口,后端的 AES 单元把 S 盒、行移位、列混排全部做成硬连线组合逻辑——一轮变换一拍做完,不存在查表,也就不存在数据相关的内存访问,侧信道从硬件层面被铲掉。第二,延迟与吞吐是不对称的:典型实现(如 Ice Lake)里 AESENC 延迟 4 周期、吞吐每周期 1 条(有两个 AES 单元的核甚至每周期 2 条)。延迟 4 意味着十轮 AES 串行依赖链是 40 周期,但块与块之间没有依赖,CTR/GCM 这类可并行模式靠吞吐吃饭,每周期完成一轮,一块 128 位密文的均摊成本逼近每字节 0.1 周期。第三,端口竞争格局变了:加密不再抢通用 ALU 端口,与整数代码混跑时干扰大减——端口争用的背景见 执行端口争用。
三、SHA 扩展与 PCLMULQDQ:同样的配方
SHA 扩展(Intel 从 Goldmont、AMD 从 Zen 开始提供)针对的是另一类瓶颈。SHA-256 的轮函数是一堆按位旋转、按位与或非、模加的组合,软件实现一轮约 20-30 条整数指令,压缩 64 字节消息块要 64 轮,典型 300-500 周期。SHA256RNDS2 一条指令做两轮迭代,SHA256MSG1/SHA256MSG2 负责消息调度,硬件同样把轮函数做成组合逻辑,加速比约 3-5 倍。SHA 扩展的加速比没有 AES-NI 那么夸张(后者常见 5-10 倍),因为软件 SHA 本来就不查表、没有侧信道短板,硬件赢的只是指令条数。
PCLMULQDQ 则是为 AES-GCM 认证加密模式补齐的最后一块。GCM 的认证标签靠 GF(2^128) 上的乘法,普通乘法指令带进位链,而伽罗华域乘法要求无进位(carry-less)乘法,软件模拟一条无进位乘法要几十条指令。PCLMULQDQ 单条完成 64x64 无进位乘法(Ice Lake 起延迟 6、吞吐每 2 周期),配合 AES-NI 让 GCM 模式的加密加认证整体压到每字节 1 周期以内——这正是今天 HTTPS/TLS 流量几乎零成本加密的硬件基础。
| 指令 | 功能 | 典型延迟/吞吐 | 软件替代成本 | 典型加速比 |
|---|---|---|---|---|
| AESENC | AES 一轮加密 | 4 周期 / 每周期 1 条 | 40-50 条指令 | 5-10 倍 |
| AESKEYGENASSIST | 轮密钥扩展辅助 | 与上同量级 | 数十条指令 | 数倍 |
| SHA256RNDS2 | SHA-256 两轮迭代 | 3-4 周期 / 每周期 1 条 | 40-60 条指令 | 3-5 倍 |
| PCLMULQDQ | 64 位无进位乘法 | 6 周期 / 每 2 周期 1 条 | 数十条指令 | 8-15 倍 |
四、加速比的兑现条件:并行模式与数据局部性
单块 ECB 串行加密是加速比的下限场景:十轮 AESENC 构成一条 40 周期的依赖链,乱序窗口帮不上忙,测出来的只有延迟。加速比的上限场景是 CTR、GCM、XTS 这类计数器模式——各块的计数器不同、彼此独立,编译器(OpenSSL 的汇编例程就是这么干的)会交错处理 4-8 个块,把多条依赖链并行压进流水线,吃满 AES 单元的吞吐。这也是为什么选型时密码学家坚持推可并行模式,硬件吞吐参数只有在这种模式下才兑得现,其逻辑和 流水线与超标量 里「ILP 决定宽度利用率」一脉相承。
上图对照两种调度形态:硬件是同一个 AES 单元,单块串行只能测到延迟,多块交错才能逼近吞吐。另外两个现实折扣要心里有数:小报文场景下函数调用、密钥扩展的开销占比上升,加速比打折;数据不在缓存时,内存带宽先成为瓶颈,加密再快也白搭——观察这类瓶颈归属的方法见 IPC 瓶颈分析。
五、亲手验证:两条命令加一个小实验
验证分三步。第一步确认硬件支持:Linux 下 grep -o 'aes\|sha_ni\|pclmulqdq' /proc/cpuinfo | sort -u,三个标志齐全即说明 AES-NI、SHA 扩展、无进位乘法都在。第二步跑现成的基准:openssl speed -evp aes-128-gcm 与 openssl speed -evp sha256 会走硬件路径,加 -elapsed 参数更接近真实吞吐;再用 OPENSSL_ia32cap="~0x200000000000000"(屏蔽 AES-NI 位)重跑一遍,两个数字一比就是本机真实加速比,常见结果是 GCM 差 6-8 倍、SHA-256 差 3-4 倍。第三步想看微架构层面的证据,用 perf 统计指令数:同一个加密循环,开关硬件路径前后 instructions 事件差一个数量级,而 cycles 的差距印证吞吐参数。perf 的用法参见仓库 tools 目录下 CPU 观测工具 的相关篇章。
一个常见误区顺带澄清:有人担心专用加密指令像 Spectre 与瞬态执行 那样引入新的投机风险。恰恰相反,AES-NI 的历史意义在于它把「常量时间」从软件纪律变成了硬件事实——数据通路里没有任何依赖秘密的分支和访存,投机执行没有可观察的侧信道抓手。
这一篇在知识体系里的位置
本篇属于微架构模块的「专用执行单元」支线,与 向量 SIMD 执行单元 互为姊妹:一个讲宽向量,一个讲固化密码学原语,共用「专用数据通路换吞吐」的思想。上游框架见 CPU 微架构总览;执行端口背景见 执行端口争用;并行度与流水线的关系见 流水线与超标量;侧信道的投机维度见 Spectre 与瞬态执行。
总结
加密指令扩展把 AES 轮变换、SHA 轮迭代、伽罗华域乘法这些软件要几十条通用指令且自带缓存侧信道的操作,固化成走向量端口的单条硬连线指令:AES-NI 以「延迟 4 周期、吞吐每周期一轮」的参数带来 5-10 倍加速,SHA 扩展与 PCLMULQDQ 分别以 3-5 倍、8-15 倍补齐哈希与 GCM 认证,加速比在 CTR/GCM 这类可并行模式下按吞吐兑现、在串行小块模式下只兑现延迟——同时顺带把常量时间从软件纪律升级为硬件事实,成为现代 TLS 流量近乎免费加密的底座。