概要
koboの電子書籍リーダーは，CPUにARMのCortex-A8やCortex-A9を採用しています．動作クロックも低く，動作はもっさりしています．
このもっさり動作を改善するために，CPUが持つ機能をフルに活用すべく改良を試みます．
具体的には，オープンソースのソフトウエアをより最適化が効くようにコードを書き換えたり，コンパイルオプションを変更してコンパイルすることで実行速度を上げる，というものです．
同様の試みとして，その昔libjpeg-turboに差し替えて使うのが流行りました．後に標準ファームウエアに採用されるようになり，意味をなさなくなりましたけれども(全くの余談ですが，標準ファームウエアのバージョンアップでABIが変更になり，差し替え後に起動しなくなるなんて事故がありました)．
今回はやや導入のハードルが高い(後述)ですが，sqliteを題材にしてみます．koboに組み込まれているsqliteは，qt-5.2.1に同梱されている3.7.17ですが，これをもう少し新しいものに変えてみましょう．
また，本稿では具体的な手順は割愛し，コード書き換えのポイントを示します．お好きな開発ホスト，コンパイル環境を用意してください．
当方はVirtualBoxでUbuntuを動作させ，gcc-arm-linux-gnueabihfやclangを用いてコンパイルしています．
コード書き換えのポイント
最初に申し上げておきますと，プログラミング言語の標準仕様で表現できる範囲のコードにおいては，概ね最適化はコンパイラに任せるのがよいです．
「それだとコードを書き換える必要がないじゃないか」と考えるのが自然なわけですが，実はアセンブラレベルではプログラミング言語の標準仕様で表現できない便利な命令が色々あります．
今回は，その中のエンディアン変換命令について触れます．
sqliteにおけるエンディアン変換
sqliteのデータベースファイルは，バイトオーダーに依存しない形式になっています．
これはつまり，ビッグエンディアンの処理系で作成したデータベースファイルは，リトルエンディアンの処理系にも使いまわせるということです．こういう形式の場合，概ねデータ自体はビッグエンディアン形式に統一しており，リトルエンディアンの処理系では頻繁にエンディアン変換処理を行うことになります．
ネットワーク通信のコードを書いたことがある方には，htonl()やntohl()に相当する処理，と言えば理解が早まるでしょうか．
さて，このエンディアン変換をC言語の標準仕様の範囲で実装する場合は，概ね以下のようになるでしょう．
SQLITE_PRIVATE u32 sqlite3Get4byte(const u8 *p){
return (p[0]<<24) | (p[1]<<16) | (p[2]<<8) | p[3];
}
これを-march=armv7-a -mthumb -O2オプションを付加してコンパイルすると，以下のようになります．
00000000 <sqlite3Get4byte>:
0: 7843 ldrb r3, [r0, #1]
2: 7801 ldrb r1, [r0, #0]
4: 78c2 ldrb r2, [r0, #3]
6: 041b lsls r3, r3, #16
8: 7880 ldrb r0, [r0, #2]
a: ea43 6301 orr.w r3, r3, r1, lsl #24
e: 4313 orrs r3, r2
10: ea43 2000 orr.w r0, r3, r0, lsl #8
14: 4770 bx lr
16: bf00 nop
バイトロードを4回，ビットシフトや論理和を駆使してr0に結果を入れてリターンしています．r1からr3まで汎用レジスタを3つも使用し，命令数が9というコードが出力されていることがわかります(実際はインライン展開されると思うので，もうちょっと違った出力になる可能性があります)．
ところがARMにはバイト序列を反転するrev命令があります．Cのコードで書きやすくするため，gccのコンパイラ拡張を用いると以下のように実装できます．
SQLITE_PRIVATE u32 sqlite3Get4byte(const u8 *p){
const u32 *q = (const u32*)p;
return __builtin_bswap32(*q);
}
これを同様のオプションを付加してコンパイルすると，以下のようになります．
00000000 <sqlite3Get4byte>:
0: 7800 ldr r0, [r0, #0]
2: ba00 rev r0, r0
4: 4770 bx lr
8: bf00 nop
ワードロードを1回実行，同一の汎用レジスタ内でバイト序列を反転し，リターンするだけになりました．命令数は1/3，一時的に使用する汎用レジスタはゼロという非常に効率の良いコードが出力されるようになりました．
ところで最近のsqliteでは少々改良(? 後述)され，以下のように実装されています．
SQLITE_PRIVATE u32 sqlite3Get4byte(const u8 *p){
#if SQLITE_BYTEORDER==4321
u32 x;
memcpy(&x,p,4);
return x;
#elif SQLITE_BYTEORDER==1234 && !defined(SQLITE_DISABLE_INTRINSIC) \
&& defined(__GNUC__) && GCC_VERSION>=4003000
u32 x;
memcpy(&x,p,4);
return __builtin_bswap32(x);
#elif SQLITE_BYTEORDER==1234 && !defined(SQLITE_DISABLE_INTRINSIC) \
&& defined(_MSC_VER) && _MSC_VER>=1300
u32 x;
memcpy(&x,p,4);
return _byteswap_ulong(x);
#else
testcase( p[0]&0x80 );
return ((unsigned)p[0]<<24) | (p[1]<<16) | (p[2]<<8) | p[3];
#endif
}
__builtin_bswap32()の前に，memcpy()が書かれています．これはCPUがワード幅(32bit)のデータアクセスをするときに，対象になるアドレスがワード境界であることを保証するための実装です．
これはワード幅のデータアクセスをするときはアドレスもワード境界，ハーフワード幅のデータアクセスをするときにはアドレスもハーフワード境界の必要があるCPUがあるからです(そういったCPUでは，これを守らないと例外が発生してしまいます)．
と思っていたのですが，コンパイルしてみると以下のようになりました．
00000000 <sqlite3Get4byte>:
0: 6800 ldr r0, [r0, #0]
2: b082 sub sp, #8
4: 9001 str r0, [sp, #4]
6: 9801 ldr r0, [sp, #4]
8: ba00 rev r0, r0
a: b002 add sp, #8
c: 4770 bx lr
e: bf00 nop
全くお構いなしにワードロード命令を使いやがってます．コンパイラがlittle endianのARM CPUはワード境界を考慮しないアクセスができることを知っていて，気を利かせてくれたのかもしれません．しかもmemcpy()が意味もなくスタックに退避という無駄処理に化けてしまっています．困ったものです．
これまではコンパイラにgccを使用していましたが，ここでclangを使用してみると，恐らく実装者が期待したであろうコードを出してきます．
sqlite3Get4byte:
ldrb r1, [r0]
ldrb r2, [r0, #1]
ldrb r3, [r0, #2]
ldrb r0, [r0, #3]
orr r1, r1, r2, lsl #8
orr r0, r3, r0, lsl #8
orr r0, r1, r0, lsl #16
rev r0, r0
bx lr
バイト序列を反転する命令を使用しているものの，これでは最適化前の実装と差がありません．
そんなわけで，最も最適な実装は見えたかと思います．そのようにコードを書き換えてコンパイルしておきましょう．
ハードルについて
最初の方に「sqliteはハードルが高い」と書きました．
これはsqliteが単体でshared libraryとしてインストールされているのではなく，qt-5.2.1に組み込まれてしまっているからです．ですからsqliteを差し替えられるようにするには，qt-5.2.1のコンフィグレーションを変更してコンパイルし直さなければいけません．
慣れている人なら-system-sqliteを付与してコンフィグレーションしてコンパイル，できたsqldriverを差し替えてsqliteのshared libraryを入れる，で通じるかと思います．
終わりに
koboの電子書籍リーダーを快適に使うべく，CPUが持つ機能をフルに活用するためにオープンソースのソフトウエアを再コンパイルする例を示しました．
近年ではCPUのパワー不足は時やお金が解決してくれる風潮がありますが，電子書籍リーダーのような限られたハードウェア性能の製品においては，まだまだ工夫の余地があります．C言語の仕様の範囲では表現不可能な機能を多く備えているCPUがありますので，ニーモニック表とか眺めるのも良いかと思います．コンパイラ拡張のマニュアルから見てみるのが早いかもしれません．
とはいえ，汎用的に活用できる事例とは思えないので，労力や時間，お金のバランスを考えて手段を選択するのがよいでしょう．