发现 SSE版本的 zeromemory 不咋地啊 .该如何处理

发现 SSE版本的 zeromemory 不咋地啊 ...
写了一个 MASM 版本的 zeromemory 给 D语言 调用 ... 发现没有明显的速度提升 ... SSE速度的体现 也只是表现在 一对多的情况下么 ... （SIMD嘛 ） 。。。 

      .686                      ; create 32 bit code
	  .mmx
	  .xmm                     
      .model flat, stdcall      ; 32 bit memory model
      option casemap :none      ; case sensitive

    .code

; ml -c /omf ad.asm
; Microsoft (R) Macro Assembler Version 10.00.30319.01
; Copyright (C) Microsoft Corporation.  All rights reserved.

_align16_zero_memory proc C  _byte_num, _source
		option prologue:none, epilogue:none	
		
		mov eax, [esp+4] ; - U load _byte_num
		push edi         ; - V save old frame 
		mov edi, [esp+12] ; - U load _source 
		push ecx         ; - V save old frame 
		mov ecx, eax     ; - U save old frame 
		nop              ; - V spare 
		shr eax, 7       ; - U get round 
		je _remain_byte_deal ; - V/N deal remain frame 
		pxor xmm0, xmm0  ; get zero 
		align 16 
	main_loop:  

		movdqa [edi], xmm0 
		movdqa [edi+010h], xmm0
		movdqa [edi+020h], xmm0 
		movdqa [edi+030h], xmm0
		
		movdqa [edi+040h], xmm0 
		movdqa [edi+050h], xmm0
		movdqa [edi+060h], xmm0 
		movdqa [edi+070h], xmm0
		
		add edi, 128 
		nop 
		dec eax 
		jnz main_loop ; jnz opr ... maybe unsafe ... 
		mov eax, ecx  ; - U save old frame 
		and ecx, 112  ; - V/N 0x0111 0000
		shr ecx, 3    ; - U 0x0000 1110 0/2/4/6/
		align 16      ; - V/N maybe jmp opcode/nop opcode 
		_remain_byte_deal:
				pxor xmm0, xmm0               ; get zero
				lea edi, [edi-070h+ecx*8]     ; - N 
				jmp [RemainDQwordTable+ecx*4] ; - N
		align 16 
		SB0E:
		SB0F:
			movdqa [edi], xmm0 
		SB0C:
		SB0D:
			movdqa [edi+010h], xmm0
		SB0A:
		SB0B:
			movdqa [edi+020h], xmm0 
		SB08:
		SB09:
			movdqa [edi+030h], xmm0
		SB06:
		SB07:
			movdqa [edi+040h], xmm0 
		SB04:
		SB05:
			movdqa [edi+050h], xmm0
		SB02:
		SB03:
			movdqa [edi+060h], xmm0 	
		SB00:
		SB01:
			neg ecx 
			and eax, 15 
			lea edi, [edi+070h+ecx*8]
			mov ecx, eax 
			xor eax, eax 
			cld 
			rep stosb 
			pop ecx
			pop edi
			ret 
		RemainDQwordTable dd   SB00, SB01, SB02, SB03, SB04, SB05, SB06, SB07
						  dd   SB08, SB09, SB0A, SB0B, SB0C, SB0D, SB0E, SB0F
_align16_zero_memory endp

		end 

import std.stdio;

align(16) __gshared byte i[65535];
align(16) __gshared int ix;
extern(C) void _align16_zero_memory(uint i, uint o);
extern(C)
ulong RDTSC () {
	asm {
		naked ;
		rdtsc ;
		ret   ;
	}
}
void main()
{
	while (ix++!=20){
	uint cs = cast(uint)i.ptr;
	ulong a = RDTSC ();
	ulong b;
	
		i[0..$] = 5;
	b = cast(uint)(RDTSC()-a);
	
	
	a = RDTSC ();
_align16_zero_memory(65535, cs);
	printf("CRT:%d SSE:%d\n",cast(uint)b, cast(uint)(RDTSC()-a));
	
	}
}

------解决思路----------------------
心理不够强大，曾经看过几眼速度优化方面的，发现要神经质了。