На 64-битной машине можно ли безопасно работать с отдельными байтами 64-битного квадратного слова параллельно?

Фон

Я делаю параллельные операции над строками и столбцами в изображениях. Мои изображения - 8-битные или 16-битные пиксели, и я на 64-битной машине.  Когда я выполняю параллельные операции с столбцами, два соседних столбца могут использовать один и тот же 32-битный int или 64 бит long. В принципе, я хочу знать, могу ли я безопасно работать с отдельными байтами одного и того же квадрата. Параллельно.

Минимальный тест

Я написал минимальную тестовую функцию, которую я не смог выполнить. Для каждого байта в 64 бит long я одновременно выполняю последовательные умножения в конечном поле порядка p. Я знаю, что небольшая теорема Ферма a^(p-1) = 1 mod p, когда p является простым. Я изменяю значения a и p для каждого из моих 8 потоков, и выполняю k*(p-1) умножения a. Когда потоки заканчивают каждый байт, должно быть 1. И фактически, мои тестовые примеры проходят. Каждый раз, когда я запускаю, я получаю следующий вывод:

8
101010101010101
101010101010101

Моя система Linux 4.13.0-041300-generic x86_64 с 8-ядерным процессором Intel (R) Core i7-7700HQ с частотой 2.80 ГГц. Я скомпилировал с g++ 7.2.0 -O2 и рассмотрел сборку. Я добавил сборку для "INNER LOOP" и прокомментировал это. Мне кажется, что генерируемый код безопасен, потому что магазины записывают только младшие 8 бит в пункт назначения вместо того, чтобы выполнять некоторую поразрядную арифметику и сохраняя все слово или квадрат. g++ -O3 сгенерировал аналогичный код.

Вопрос:

Я хочу знать, всегда ли этот код является потокобезопасным, а если нет, то в каких условиях он не будет. Может быть, я очень параноик, но я чувствую, что мне нужно будет работать на четырех языках одновременно, чтобы быть в безопасности.

#include <iostream>
#include <pthread.h>

class FermatLTParams
{
public:
    FermatLTParams(unsigned char *_dst, unsigned int _p, unsigned int _a, unsigned int _k)
        : dst(_dst), p(_p), a(_a), k(_k) {}

    unsigned char *dst;
    unsigned int p, a, k;
};

void *PerformFermatLT(void *_p)
{  
    unsigned int j, i;
    FermatLTParams *p = reinterpret_cast<FermatLTParams *>(_p);
    for(j=0; j < p->k; ++j)
    {    
        //a^(p-1) == 1 mod p

        //...BEGIN INNER LOOP
        for(i=1; i < p->p; ++i)
        {
            p->dst[0] = (unsigned char)(p->dst[0]*p->a % p->p);
        }
        //...END INNER LOOP

        /* gcc 7.2.0 -O2  (INNER LOOP)

        .L4:
            movq    (%rdi), %r8             # r8 = dst
            xorl    %edx, %edx              # edx = 0
            addl    $1, %esi                # ++i
            movzbl  (%r8), %eax             # eax (lower 8 bits) = dst[0]
            imull   12(%rdi), %eax          # eax =  a * eax
            divl    %ecx                    # eax = eax / ecx;   edx = eax % ecx    
            movb    %dl, (%r8)              # dst[0] = edx (lower 8 bits)
            movl    8(%rdi), %ecx           # ecx = p
            cmpl    %esi, %ecx              # if (i < p)
            ja      .L4                     #   goto L4
        */

    }
    return NULL;
}

int main(int argc, const char **argv)
{
    int i;
    unsigned long val = 0x0101010101010101; //a^0 = 1
    unsigned int k = 10000000;
    std::cout << sizeof(val) << std::endl;
    std::cout << std::hex << val << std::endl;
    unsigned char *dst = reinterpret_cast<unsigned char *>(&val);
    pthread_t threads[8];
    FermatLTParams params[8] = 
    { 
        FermatLTParams(dst+0, 11, 5, k),
        FermatLTParams(dst+1, 17, 8, k),
        FermatLTParams(dst+2, 43, 3, k),
        FermatLTParams(dst+3, 31, 4, k),
        FermatLTParams(dst+4, 13, 3, k),
        FermatLTParams(dst+5, 7, 2, k),
        FermatLTParams(dst+6, 11, 10, k),
        FermatLTParams(dst+7, 13, 11, k)
    };

    for(i=0; i < 8; ++i)
    {
        pthread_create(threads+i, NULL, PerformFermatLT, params+i);
    }
    for(i=0; i < 8; ++i)
    {
        pthread_join(threads[i], NULL);
    }

    std::cout << std::hex << val << std::endl;
    return 0;
}