C#中如何利用SIMD和Vector进行数据并行处理

在C#的数值计算、图像处理、科学计算等场景中，处理大量同类型数据时，传统的逐元素循环操作会浪费CPU的并行计算能力。SIMD（单指令多数据）技术允许CPU一条指令同时处理多个数据，而C#通过System.Numerics命名空间下的Vector类型封装了SIMD能力，让开发者无需编写汇编代码就能使用这一特性提升程序性能。

SIMD和Vector基础概念

SIMD是一种计算机体系结构技术，核心思想是单条指令可以同时操作多个独立的数据元素。比如对两个长度为8的int数组做加法，传统方式需要循环8次，每次处理一个元素，而支持SIMD的CPU可以一次处理4个或者8个int元素，大幅减少指令执行次数。

C#的Vector<T>是一个泛型结构体，T必须是基元数值类型，比如int、float、double等。Vector的长度由当前运行环境的CPU支持的SIMD寄存器宽度决定，比如256位的SIMD寄存器可以存放8个int（每个int32位）或者4个double（每个double64位）。我们可以通过Vector<T>.Count属性获取当前环境下一个Vector能容纳的元素数量。

基础使用示例：数组并行求和

下面通过一个简单的数组求和示例，对比传统循环和Vector并行处理的实现方式。

传统循环实现

using System;

class Program
{
    static void Main()
    {
        int[] data = new int[1000000];
        // 初始化数组
        for (int i = 0; i < data.Length; i++)
        {
            data[i] = i;
        }

        // 传统循环求和
        long sum = 0;
        for (int i = 0; i < data.Length; i++)
        {
            sum += data[i];
        }
        Console.WriteLine($"传统循环求和结果：{sum}");
    }
}

Vector并行实现

using System;
using System.Numerics;

class Program
{
    static void Main()
    {
        int[] data = new int[1000000];
        // 初始化数组
        for (int i = 0; i < data.Length; i++)
        {
            data[i] = i;
        }

        // Vector并行求和
        long sum = 0;
        int vectorSize = Vector<int>.Count;
        int i = 0;
        // 处理可以凑整为Vector长度的部分
        for (; i <= data.Length - vectorSize; i += vectorSize)
        {
            Vector<int> vectorData = new Vector<int>(data, i);
            sum += Vector.Dot(vectorData, Vector<int>.One);
        }
        // 处理剩余不足一个Vector长度的元素
        for (; i < data.Length; i++)
        {
            sum += data[i];
        }
        Console.WriteLine($"Vector并行求和结果：{sum}");
    }
}

上面的代码中，Vector.Dot方法计算两个向量的点积，这里用Vector<int>.One作为另一个向量，点积结果就是当前向量的所有元素之和。对于剩余不足一个Vector长度的元素，再用传统循环处理即可。

常见数据处理场景实现

数组元素批量加倍

对数组中的每个元素乘以2，使用Vector可以批量处理：

using System;
using System.Numerics;

class Program
{
    static void Main()
    {
        int[] data = new int[20];
        for (int i = 0; i < data.Length; i++)
        {
            data[i] = i;
        }

        int vectorSize = Vector<int>.Count;
        int i = 0;
        // 批量处理
        for (; i <= data.Length - vectorSize; i += vectorSize)
        {
            Vector<int> vectorData = new Vector<int>(data, i);
            Vector<int> resultVector = vectorData * 2;
            resultVector.CopyTo(data, i);
        }
        // 处理剩余元素
        for (; i < data.Length; i++)
        {
            data[i] *= 2;
        }

        Console.WriteLine("加倍后的数组：");
        foreach (int num in data)
        {
            Console.Write(num + " ");
        }
    }
}

两个数组对应元素相加

两个同长度数组对应位置元素相加，生成新的结果数组：

using System;
using System.Numerics;

class Program
{
    static void Main()
    {
        int[] arr1 = { 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 };
        int[] arr2 = { 10, 20, 30, 40, 50, 60, 70, 80, 90, 100 };
        int[] result = new int[arr1.Length];

        int vectorSize = Vector<int>.Count;
        int i = 0;
        for (; i <= arr1.Length - vectorSize; i += vectorSize)
        {
            Vector<int> v1 = new Vector<int>(arr1, i);
            Vector<int> v2 = new Vector<int>(arr2, i);
            Vector<int> sumVector = v1 + v2;
            sumVector.CopyTo(result, i);
        }
        for (; i < arr1.Length; i++)
        {
            result[i] = arr1[i] + arr2[i];
        }

        Console.WriteLine("相加结果数组：");
        foreach (int num in result)
        {
            Console.Write(num + " ");
        }
    }
}

使用注意事项

• Vector<T>的T必须是基元数值类型，不支持自定义类型，也不支持string等非数值类型。
• 处理的数据长度最好是Vector<T>.Count的整数倍，避免剩余元素处理带来的额外开销，如果数据长度不固定，一定要记得处理剩余元素，否则会出现数据遗漏。
• 不是所有场景都适合用SIMD，如果数据量很小，SIMD的初始化和向量操作的开销可能比传统循环还大，只有处理大规模数据时才能体现出性能优势。
• 可以通过Vector.IsHardwareAccelerated属性判断当前环境是否支持硬件级别的SIMD加速，如果返回false，Vector操作会退化为普通的标量操作，性能不会有提升。

性能对比参考

以下是不同数据量下传统循环和Vector并行处理的耗时对比（测试环境为64位.NET 6，CPU支持AVX2指令集）：

从对比可以看出，数据量越大，Vector并行处理的性能优势越明显，当数据量达到千万级别时，性能可以提升3倍以上。

C#SIMDVector数据并行处理修改时间：2026-07-05 11:54:34