C# SIMD — System.Numerics & Vector 활용

개요

SIMD(Single Instruction Multiple Data)는 하나의 명령어로 여러 데이터를 동시에 처리합니다. C#은 System.Numerics 네임스페이스를 통해 JIT가 SIMD 명령어를 자동 생성하도록 지원합니다.

---

1. Vector — 하드웨어 크기 자동 적응

using System.Numerics;

// 현재 하드웨어의 SIMD 레지스터 크기에 맞춰 자동 조정
// SSE2: 128비트 → int 4개 / AVX2: 256비트 → int 8개
Console.WriteLine($"Vector<int> 크기: {Vector<int>.Count}"); // 4 또는 8

float[] SumArrays(float[] a, float[] b)
{
    var result = new float[a.Length];
    int vectorSize = Vector<float>.Count;
    int i = 0;

    // SIMD 처리
    for (; i <= a.Length - vectorSize; i += vectorSize)
    {
        var va = new Vector<float>(a, i);
        var vb = new Vector<float>(b, i);
        (va + vb).CopyTo(result, i);
    }

    // 나머지 스칼라 처리
    for (; i < a.Length; i++)
        result[i] = a[i] + b[i];

    return result;
}

---

2. Vector128 / Vector256 — 고정 크기 벡터

using System.Runtime.Intrinsics;
using System.Runtime.Intrinsics.X86;

// AVX2가 지원되면 256비트 처리
void AbsoluteValue(float[] data)
{
    if (Avx.IsSupported)
    {
        var signMask = Vector256.Create(0x7FFFFFFF).AsSingle();
        int i = 0;

        for (; i <= data.Length - 8; i += 8)
        {
            var v = Vector256.LoadUnsafe(ref data[i]);
            var abs = Avx.And(v, signMask);
            abs.StoreUnsafe(ref data[i]);
        }

        for (; i < data.Length; i++)
            data[i] = MathF.Abs(data[i]);
    }
    else
    {
        for (int i = 0; i < data.Length; i++)
            data[i] = MathF.Abs(data[i]);
    }
}

---

3. Vector256 도트 프로덕트

using System.Runtime.Intrinsics;
using System.Runtime.Intrinsics.X86;

float DotProduct(float[] a, float[] b)
{
    if (!Avx.IsSupported || a.Length != b.Length)
        return ScalarDot(a, b);

    var sum = Vector256<float>.Zero;
    int i = 0;

    for (; i <= a.Length - 8; i += 8)
    {
        var va = Vector256.LoadUnsafe(ref a[i]);
        var vb = Vector256.LoadUnsafe(ref b[i]);
        sum = Fma.IsSupported
            ? Fma.MultiplyAdd(va, vb, sum)   // FMA: a*b + sum (한 명령)
            : Avx.Add(Avx.Multiply(va, vb), sum);
    }

    // 256비트 → 스칼라 합산
    var sum128 = Sse.Add(sum.GetLower(), sum.GetUpper());
    sum128 = Sse.Add(sum128, Sse.MoveHighToLow(sum128, sum128));
    sum128 = Sse.AddScalar(sum128, Sse.Shuffle(sum128, sum128, 1));
    float result = sum128.ToScalar();

    for (; i < a.Length; i++)
        result += a[i] * b[i];

    return result;
}

---

4. ARM NEON 지원 (AdvSimd)

using System.Runtime.Intrinsics.Arm;

void MultiplyAdd(float[] dst, float[] src, float scalar)
{
    if (AdvSimd.IsSupported)
    {
        var vs = Vector64.Create(scalar);
        int i = 0;

        for (; i <= dst.Length - 4; i += 4)
        {
            var vd = AdvSimd.LoadVector128(ref dst[i]);
            var vsrc = AdvSimd.LoadVector128(ref src[i]);
            var result = AdvSimd.FusedMultiplyAdd(vd, vsrc,
                Vector128.Create(scalar));
            AdvSimd.Store(ref dst[i], result);
        }

        for (; i < dst.Length; i++)
            dst[i] += src[i] * scalar;
    }
}

---

5. Vector로 문자열 검색 가속

using System.Numerics;

int CountChar(ReadOnlySpan<byte> data, byte target)
{
    int count = 0;
    var vTarget = new Vector<byte>(target);
    int vectorSize = Vector<byte>.Count;
    int i = 0;

    for (; i <= data.Length - vectorSize; i += vectorSize)
    {
        var chunk = new Vector<byte>(data[i..]);
        var eq = Vector.Equals(chunk, vTarget);
        // 일치 바이트 수 카운트
        count += -Vector.Dot(eq, Vector<byte>.One);
    }

    for (; i < data.Length; i++)
        if (data[i] == target) count++;

    return count;
}

---

6. 성능 가이드라인

항목	권장 사항
하드웨어 감지	Avx2.IsSupported, AdvSimd.IsSupported 확인 후 분기
정렬	가능하면 16/32바이트 정렬된 메모리 사용
루프 잔여	SIMD 루프 후 스칼라 처리 코드 필수
벤치마크	BenchmarkDotNet으로 실제 속도 측정
크로스 플랫폼	Vector<T> 우선, Intrinsics는 폴백 포함

---

7. BenchmarkDotNet 측정 예시

|          Method |      Mean | Speedup |
|---------------- |----------:|--------:|
|    ScalarDotPro | 2,140.0 ns |    1.0x |
|  Vector_DotProd |   312.5 ns |    6.8x |
| Avx2_DotProduct |   178.2 ns |   12.0x |

---

정리

C# SIMD는 Vector<T>로 크로스 플랫폼 벡터화를 시작하고, 성능이 더 필요하면 Vector256과 플랫폼별 Intrinsics로 내려가는 계층적 접근이 효과적입니다. 이미지 처리, 오디오 DSP, 물리 시뮬레이션, 머신러닝 전처리 등 대용량 수치 연산에서 6~12배의 속도 향상을 기대할 수 있습니다.