直接用 _mm256_loadu_ps 读取列式数据易出错，因其虽支持非对齐访问，但若数据长度非8的倍数，末尾越界读会引入脏值，导致布尔掩码错误；应配合边界检查或使用对齐分配。
为什么直接用 _mm256_loadu_ps 读取列式数据常崩或结果错
列式存储（如 Arrow、DuckDB 内部格式）中，同一列的数值通常连续存放，但未必对齐到 32 字节边界。而 _mm256_load_ps 要求地址 32 字节对齐，强行使用会触发 segmentation fault 或未定义行为；用 _mm256_loadu_ps 虽可绕过对齐检查，但若数据长度不是 8 的倍数（float），末尾越界读可能引入脏值，导致过滤条件误判（比如 val > 100 对最后 2 个元素返回错误布尔掩码）。
实操建议：
立即学习“C++免费学习笔记（深入）”；
- 始终用
_mm256_loadu_ps+ 边界检查：先处理完整向量块（len / 8），再用标量循环收尾 - 若列数据由自己分配，优先用
aligned_alloc(32, size)或_mm_malloc(size, 32)，后续可用_mm256_load_ps - 对布尔结果做掩码聚合时，别直接用
_mm256_movemask_ps—— 它只取每个 float 的最高位，而 AVX2 没有原生 8×int32 布尔压缩指令；应先用_mm256_castps_si256转整型，再用_mm256_movemask_epi8配合位运算提取
如何用 AVX2 向量化实现 WHERE col > threshold 过滤并生成行号索引
纯布尔掩码不等于可用索引——你需要把满足条件的原始行号（0, 1, 2, …）收集出来，供后续聚合跳转。AVX2 没有 gather-scatter 索引生成指令，必须手工拼装。
实操建议：
立即学习“C++免费学习笔记（深入）”；
- 维护一个计数器
out_idx，每处理一个 8 元素块，用_mm256_movemask_epi8(_mm256_castps_si256(mask))得到 32 位掩码（每位对应 1 字节），再用查表法（256 项静态数组）快速统计置位数并写入对应行号 - 避免在循环内反复调用
std::vector::push_back：预分配输出缓冲区，用指针偏移写入，最后 resize - 若目标是跳过过滤、直接聚合（如 SUM），更高效的做法是：用
_mm256_blendv_ps(zero_vec, data_vec, mask_vec)把不满足条件的元素置零，再用水平加法累加（_mm256_hadd_ps×2 +_mm256_extract_ps）
std::reduce 和手写 SIMD 循环在聚合性能上差多少
在 clang 15+/gcc 12+ 且开启 -O3 -march=native 时，std::reduce 可能自动向量化，但实际取决于迭代器类型和谓词复杂度。对简单 sum += x[i]，它常生成 AVX2 代码；但一旦加入条件（如 if (x[i] > t) sum += x[i]），编译器大概率退回到标量分支，失去向量化机会。
实操建议：
立即学习“C++免费学习笔记（深入）”；
- 不要依赖 STL 算法隐式向量化条件聚合；显式 SIMD 循环的吞吐量通常是标量的 3–5 倍（实测 Arrow C++ Filter + Sum on 1M float32）
- 注意编译器屏障：用
__attribute__((noalias))标注输入/输出指针，避免因别名分析抑制向量化 - 聚合中间结果建议用
__m256存多个累加器（如 4 个独立 sum），最后再合并——减少写内存和依赖链
为什么 Aggregation Key 分组聚合难用 SIMD 加速
分组聚合（如 GROUP BY city SUM(sales)）本质是随机访存 + 散列表更新，SIMD 对“判断 city[i] == current_key”能加速，但无法加速哈希计算、桶定位、冲突链遍历这些非计算密集型操作。AVX2 的 256 位宽在这里几乎无用武之地。
实操建议：
立即学习“C++免费学习笔记（深入）”；
- 对低基数字符串 key（如枚举类城市名），可预编码为 int32，再用
_mm256_cmpeq_epi32批量比对，配合_mm256_movemask_epi32快速筛出匹配块 - 高基数场景下，SIMD 主要价值在预过滤：先用向量化条件（如
sales > 0）大幅缩小参与分组的数据量，再交给标量 hash map 处理 - 真正提升分组性能的是 cache 局部性优化：按 key 排序后分段聚合，或改用 radix tree / roaring bitmap 等更适合向量化跳过的结构
SIMD 加速列式计算的关键不在“能不能用指令”，而在“哪一段逻辑真正受限于算力而非访存或控制流”。过滤和无分支聚合收益明确；分组、字符串匹配、空值处理这些地方，硬塞 SIMD 往往掩盖了更根本的算法瓶颈。
