C++性能优化技术导论

【介绍】

本文完整的描述了C++语言的性能优化方法，从编译器、算法、语言特性、硬件、Linux等多个角度去考虑问题，文章技术含量很高，值得一看。

来源：http://www.whysearch.org/a/zh_CN/date/20110824

作者：冲出宇宙

【目录】

第一章 性能优化原理

第二章 善用编译器

第三章 算法为王

第四章 c++语言特性

第五章 理解硬件

第六章 linux系统

1、性能优化原理

在谈论性能优化技术之前，有几点大家一定要明确。第一点是必须有编写良好的代码，编写的很混乱的代码（如注释缺乏、命名模糊），很难进行优化。第二点是良好的构架设计，性能优化只能优化单个程序，并不能够优化蹩脚的构架。不过，网络如此发达，只要不是自己乱想的构架，只要去积极分析别人的成功构架，大家几乎不会遇到蹩脚的构架。

 

1.1、计算函数、代码段调用次数和耗时

函数的调用次数比较好说，用一个简单的计数器即可。一个更加通用的框架可能是维护一个全局计数，每次进入函数或者代码段的时候，给存储的对应计数增加1。

为了精确的计算一段代码的耗时，我们需要极高精度的时间函数。gettimeofday是其中一个不错的选择，它的精度在1us，每秒可以调用几十万次。注意到现代cpu每秒能够处理上G的指令，所以1us内cpu可以处理几千甚至上万条指令。对于代码长度少于百行的函数来说，其单次执行时间很可能小于1us。目前最精确的计时方式是cpu自己提供的指令：rdtsc。它可以精确到一个时钟周期（1条指令需要消耗cpu几个时钟周期）。

我们注意到，系统在调度程序的时候，可能会把程序放到不同的cpu核心上面运行，而每个cpu核心上面运行的周期不同，从而导致了采用rdtsc时，计算的结果不正确。解决方案是调用linux系统的sched_setaffinity来强制进程只在固定的cpu核心上运行。

有关耗时计算的参考代码：

// 通常计算代码耗时

uint64_t preTime = GetTime();

//代码段

uint64_t timeUsed = GetTime() - preTime;

// 改进的计算方式

struct TimeHelper{

uint64_t preTime;

TimeHelper():preTime(GetTime())

{}

~TimeHelper(){

g_timeUsed = GetTime() - preTime;

}

};

// 调用

{

TimeHelper th;

// 代码段

}

// g_timeUsed保存了耗时

// 得到cpu的tick count，cpuid（重整时钟周期）消耗约300周期（如果不需要特别精确的精度，可以不执行cpuid

inline uint64_t GetTickCPU()

{

uint32_t op;  // input:  eax

uint32_t eax; // output: eax

asm volatile(   

"pushl %%ebx   \n\t"

"cpuid         \n\t" 

"popl %%ebx    \n\t" 

: "=a"(eax)   : "a"(op)  : "cc" );

uint64_t ret;

asm volatile ("rdtsc" : "=A" (ret));

return ret;

}

// 得到cpu的主频, 本函数第一次调用会耗时0.01秒钟

inline uint64_t GetCpuTickPerSecond()

{

static uint64_t ret = 0;

if(ret == 0)

{

const uint64_t gap = 1000000 / 100;

uint64_t endTime = GetTimeUS() + gap;

uint64_t curTime = 0;

uint64_t tickStart = GetTickCPU();

do{

curTime = GetTimeUS();

}while(curTime < endTime);

uint64_t tickCount = GetTickCPU() - tickStart;

ret = tickCount * 1000000L / (curTime - endTime + gap);

}

return ret;

}

1.2、其他策略

除了基本的计算执行次数和时间外，还有如下几种分析性能的策略：

a、基于概率

通过不断的中断程序，查看程序中断的位置所在的函数，出现次数最多的函数即为耗时最严重的函数。

b、基于事件

当发生一次cpu硬件事件的时候，某些cup会通知进程。如果事件包括L1失效多少次这种，我们就能知道程序跑的慢的原因。

c、避免干扰

性能测试最忌讳外界干扰。比如，内存不足，读内存变成了磁盘操作。

1.3、性能分析工具-callgrind

valgrind系列工具因为免费，所以在linux系统上面最常见。callgrind是valgrind工具里面的一员，它的主要功能是模拟cpu的cache，能够计算多级cache的有效、失效次数，以及每个函数的调用耗时统计。

callgrind的实现机理（基于外部中断）决定了它有不少缺点。比如，会导致程序严重变慢、不支持高度优化的程序、耗时统计的结果误差较大等等。

我们编写了一个简单的测试程序，用它来测试常见性能分析工具。代码如下：

// 计算最大公约数

inline int gcd(int m, int n)

{

PERFOMANCE("gcd"); // 全局计算耗时的define

int d = 0;

do{

d = m % n;

m = n;

n = d;

 }while(d > 0);

return m;

}

// 主函数

int main(){

int g = 0;

uint64_t pretime = GetTickCPU();

for(int idx = 1; idx < 1000000;idx ++)

g += gcd(1234134,idx);

uint64_t time = GetTickCPU() - pretime;

printf("%d,%lld\n", g, time);

return 0;

}

callgrind运行的结果如下：

我们把输出的结果在windows下用callgrind的工具分析，得到如下结果：

1.4、g++性能分析

gprof是g++自带的性能分析工具（gnu profile）。它通过内嵌代码到各个函数里面来计算函数耗时。按理说它应该对高度优化代码很有效，但实际上它对-O2的代码并不友好，这个可能和它的实现位置有关系（在代码优化之后）。gprof的原理决定了它对程序影响较小。

下图是同样的程序，用gprof检查的结果：

 

我们可以看到，这个结果比callgrind计算的要精确很多。

在前一章，我们对分析代码和函数性能的策略进行了介绍。本章将介绍算法在程序性能方面的作用。

如果没有看过第一章的兄弟，在这里查看：第一章 性能分析原理。

2 算法为王

算法是程序的核心，一个程序的好坏，大部分是看起算法的好坏。对于一般的程序员来讲，我们无法改变系统和库的调用，只能根据规则来使用它们，我们可以改变的是我们自己核心代码的算法。

算法能够十倍甚至百倍的提高程序性能。如快排和冒泡排序，在上千万规模的时候，后者比前者慢几千倍。

通常情况下，有如下一些领域的算法：

A）常见数据结构和算法

B）输入输出

C）内存操作

D）字符串操作

E）加密解密、压缩解压

F）数学函数

本文不是讲解算法和数据结构，所以，我们不展开。

2.1 选择算法

程序里面使用最多的是检索和排序。

map是一种很通用的结构（如c++里面的std::map或者java的TreeMap），一般的语言都是用红黑树来实现。红黑树是一种读写性能比较均衡的平衡二叉树。

对于排序来说，std::sort采用的是改进的quicksort算法，即intro sort。这种算法在递归层次较深的时候，改用堆排序，从而避免了快排进入“陷阱”（即O(N)复杂度）。Introsort是公认的最好的快速排序算法。

平常的排序用introsort即可，但在遇到大规模字符串排序的时候，更好的一个策略是采用基数排序。笔者的经验是，千万量级时，基数排序在字符串领域比introsort快几十倍。有很多研究论文探讨基数排序在字符串领域的应用，大家可以去看看，如：Efficient Trie-Based Sorting of Large Sets Of Strings。

在某些情况下，如果数组基本有序的话，可能希尔排序也是一个好选择。希尔排序最重要的是其每次选择的数据间隔，这个方面有专门的研究可以参考。

至于其他的特殊算法，如多个有序数组归并等等，大家可以在实际情况中灵活应变。

2.2 算法应用优化策略

在实际应用中，有一些基本的优化策略可以借鉴。如：

A）数组化

这条策略的逻辑很简单：访问数组比访问其他结构（如指针）更快。基于这种考虑，我们可以把树结构变成数组结构。数组平衡树，它把一个通常的平衡树修改为数组的形式，但编程比较复杂。双数组Trie树，用2个或者多个数组来描述Trie树，因为trie树是一个多叉树，变成数组后，性能可以提高10多倍。数组hash，hash表用数组描述，最方面最有名的结构是bloom filter和cuckoo hash。

参考：双数组Trie树

参考：bloom-filter

B）大节点化

如果一个节点（树或者链表等）长度太小，那么单个数据命中cpu cache的概率就很低。考虑到cpu cache line的长度（如64字节），我们需要尽量把一个节点存放更多的数据。B树就是这样的一种结构，它一个节点保存了大量连续数据，能有效利用cache。Judy Array也是通过谨慎安排树节点的长度来利用cache。列表结构，一个节点存放多个数据，也能提高cache命中率。

2.3 内存管理算法

常见的内存管理算法有很多，如First-Fit、Best-Fit、Buddy-system、Hal-Fit。每个程序根据自己的特点会采用不同的算法，没有绝对好的算法。比如，内核可能采用Buddy-System。有1个比较经典的算法大家需要清楚，即c语言的内存分配malloc算法。我们目前在各种系统中看到的算法，比如memcached、nginx等，都是这种算法的简单变形。

参考：malloc

malloc算法根据空闲内存块大小进行分段，每个段有一个字节范围，在这个范围内的空闲内存块都挂在对应链表上面。分配内存的时候，先找到对应的段，然后取链表的第一个内存块分配即可。

TLSF算法是号称最好的内存分配算法。它也是malloc算法的一种变形。

参考：tlsf

2.4 库的选择

毫无疑问，首选glibc/stl库，因为他们被论证多年，并且，同样的算法，很难写出更好更快的代码。

第二可以考虑boost库，但建议只用那些最常见的功能。

ACML和MKL也是一种高性能的库，他们对向量计算很友好。

对于各种开源库，如glib/apr/ace/gsl/crypto++等等，必须考虑它们开源的协议，避免使用商业收费的协议。对于安装服务器比例不高的库，也尽量不要使用，因为开源库代码都不加什么注释，出错很难查。

在前一章，我们对常见算法的选择做了些简单的说明。本章将介绍g++编译器在性能优化中的重要作用。

如果没有看过第二章的兄弟，在这里查看：第二章 算法为王。

3 善用编译器

算法能够十倍、几十倍的提高程序性能，但当算法已经很难改进时，还有一种简单的办法提高程序性能，那就是微调编译器。利用编译器提供的各种功能，你能够轻松的提高几倍的程序性能。

大家要记住的是，编译器绝对比想象的要强大的多。编写编译器的人大都是十年、几十年代码编写经验的科学家！你能简单想到的，他们都已经想到过了。普通的编译器，可以支持大部分已知的优化策略以及多媒体指令。

至于哪个编译器更好？大部分人的观点是：intel。Intel毕竟是最优秀的cpu提供者，他们的编译器考虑了很多cpu的特性，跑的更快。但目前intel编译器有一些比较弱智的地方，即它只识别自己的cpu，不是自己的cpu，就认为是最差的i386-i686机器，从而不能在amd等平台上面支持sse功能。我们在linux上面写代码，一般更加喜欢流行的编译器，比如gcc。

Gcc的优点是它更新快，开源，bug修改迅速。正因为他更新快，所以它能够支持部分C03的规范。

3.1 gcc支持的优化技术

1) 函数内联

函数调用的过程是：压入参数到堆栈、保护现场、调用函数代码、恢复现场。当一个函数被大量调用的时候，函数调用的开销特别巨大。函数内联是指把这些开销都去除，而直接调用代码。函数内联的不好之处是难以调试，因为函数实际上已经不存在了。

2) 常量预先计算

a=b+1000*16

对于这段代码，程序会预先计算1000*16，从而变成：

a=b+16000

3) 相同子串提取

a=(b+1)*(b+1)

这里，b+1需要计算2次，可以只用计算一次：

tmp=b+1

a=tmp*tmp

4) 生存周期分析

这是一个比较高级的技术。假设有代码：

a=b+1

c=a+1

在执行的时候，因为第二句依赖第一句，所以2句是线性执行。

但编译器其实可以知道，c就是等于b+2，所以代码变成：

a=b+1

c=b+2

这样，这2句就没有任何关系来了，执行的时候，cpu可以并行执行它们。

5) 清除跳转

看如下代码：

int func()

{

int ret = 0;

if(xxx)

ret=5;

else if(yyy)

ret=6;

return ret;

}

当条件xxx满足的时候，程序还会跳到下面执行，但其实是没有必要的。编译器会把它变成：

int func()

{

if(xxx)

return 5;

else if(yyy)

return 6;

}

6) 循环展开

循环由几个部分组成：计数器赋值、计算器比较、跳转。每次循环，后面2步都是必须的消耗。把循环内的代码拷贝多份，可以大大减少循环的次数，节约后面2步的耗时。参考：

for(int counter=0;counter<4;count++)

xxx;

可以变成：

xxx;

xxx;

xxx;

xxx;

编译器不仅仅可以展开普通循环，它还能展开递归函数。原理是一样的，递归其实是一个不定长的借用了堆栈的循环。

7) 循环内常量移除

for(int idx=0;idx<100;idx++)

a[idx]=a[idx]*b*b;

因为b*b在循环体内的值固定（常量），所以代码可以变成：

tmp=b*b;

for(int idx=0;idx<100;idx++)

a[idx]=a[idx]*tmp;

8) 并行计算

大家都知道，现代cpu支持超流水线技术，同时可以执行多条语句。多条语句能否同时执行的限制是不能互相依赖。编译器会自动帮我们把看起来单线程执行的代码，变成并行计算，参考：

d=a+b;

e=a+d+f;

可以变成：

tmp=a+f;

d=a+b;

e=d+tmp;

9) 表达式简化

当年笔者在学习《离散数学》和《数字电路》的时候，总被眼花缭乱的布尔运算简化题目难倒。gcc终于让我松了一口气。参考：

!a && !b

这句需要3步执行，但变成：

!(a || b)

只需要2步执行。

3.2 gcc重要优化选项

1) 内联

Ø -finline-small-functions

内联比较小的函数。-O2选项可以打开。

Ø -findirect-inlining

间接内联，可以内联多层次的函数调用。-O2选项可以打开。

Ø -finline-functions

内联所有可以内联的函数。-O3选项可以打开。

Ø -finline-limit=N

可以进行内联的函数的最小代码长度。注意，这里是伪代码，不是真实代码长度。伪代码是编译器经过处理后的代码。带inline等标志的函数，默认300行代码即可内联，不带的默认50行代码。和这个相关的选项是max-inline-insns-single和max-inline-insns-auto。

Ø max-inline-insns-recursive-auto

内联递归函数时，函数的最大代码长度。

Ø large-function-insns、large-function-growth、large-unit-insns等

函数内联的副作用是它导致代码变多，程序变长。这里的几个参数可以控制代码的总长度，避免编译后出现巨大的程序，影响性能和浪费资源。

2) -fomit-frame-pointer

不采用标准的ebp来记录堆栈指针，节省了一个寄存器，并且代码会更短。但据说在某些机器上面会导致debug模式出错。实际测试表明，在gcc4.2.4以下，O2和O3都无法打开这个选项。

3) -fwhole-program

把代码当做一个最终交付的程序来编译，即明确指定了不是编译库。这个时候，编译器可以使用更多的static变量，来加快程序速度。

4) mmx/ssex/avx

多媒体指令，主要支持向量计算。一般来说，-march=i686、-mmx、-msse、-msse2是目前机器都支持的指令。

除了基本的多媒体支持外，gcc编译器还支持-ftree-vectorize，这个选项告诉编译器自动进行向量化，也是-O3支持的选项。

多说几句。在平常的使用中，多媒体指令不是很常见（除非游戏）。如果你有几个位表（bitset），它们需要进行各种位操作的话，多媒体指令还是挺有效果滴。

3.3 gcc大杀器-profile driven optimize

这是比较晚才出现的技术。其基本原理是：根据实际运行情况，缩短hot路径的长度。编译器通过加入各种计数器来监控程序的运行，然后根据计算出来的实际访问路径情况，来分析hot路径，并且缩短其长度。根据gcc开发者的说法，这种技术可以提高20-30%的运行效率。

其使用方式为：

Ø 编译代码，加上-fprofile-generate选项

Ø 到正式环境一段时间

Ø 当程序退出后，会产生一个分析文件

Ø 利用这个分析文件，加上-fprofile-use，重新编译一次程序

举个例子来说：

a=b*5;

如果编译发现b经常等于10，那么它可以把代码变成：

a=50;

if(b != 10)

a=b*5;

从而在大多数情况下，避免了乘法消耗。

3.4 gcc支持的优化属性（__attribute__）

Ø aligned

可以设置对齐到64字节，和cpu的cache line看齐

Ø fastcall

如果函数调用的前面2个参数是整数类型的话，这个选项可以用寄存器来传递参数，而不是用常规的堆栈

Ø pure

函数是纯粹的函数，任何时刻，同样的输入，都会有同样的输出。可以很方便依据概率来优化它。

3.5 gcc其他优化技术

Ø #pragma pack()

对齐到一个字节，节省内存

Ø __builtin_expect

直接告诉编译器表达式最可能的结果，方便优化

Ø 编译带debug信息的小文件

以下代码能够大大减少编译后程序大小，同时保留debug信息。其原理是外链一个带debug的版本。

g++ tst.cpp -g -O2 -pipe

copy a.out a.gdb

strip --strip-debug a.out

objcopy --add-gnu-debuglink=a.gdb a.out

在前一章，我们对gcc编译器的性能优化策略进行了简单描述。本章将介绍和c++语言相关的性能优化技术。

如果没有看过第二章的兄弟，在这里查看：第二章 善用编译器。

4 C++代码优化

C++语言博大精深，作为一个不到10年的使用者，笔者并没有多少经验，只能通过学习，看源码来形成一些自己的想法。

4.1 变量存储

1、数据区

可执行文件包含多个区域，有代码区，数据区等。一般的c++编译器，会把全局变量、static变量、float/double/string常量、switch跳表、初始化变量列表、虚函数表等存放到数据区域。int变量一般会存储在代码区，和指令放到一起。

略解释一下初始化变量列表：int d[]={1,2,3};

2、堆栈区

堆栈区域保存函数调用、上下文、局部变量。因为局部变量存储在堆栈区，所以访问局部变量很可能会命中cpu的cache，其速度很快。

3、堆

申请的内存（如通过new）。

4.2 变量优化

1、使用成员初始化和构造初始化列表

它们都可以避免2次赋值（即初始化后再赋值）。如：

pubilc C(): x(10)

{}

和

std::string str("java");

避免使用：

std::string str="java";

2、堆栈最快

上面已经说过，因为cache的原因，堆栈变量访问速度很快。

Ø 缩短变量周期

让变量更快速的结束，有2个好处：占用的位置可以给下面的变量使用、编译器甚至可以用寄存器来存储变量。

Ø 延期申请

变量距离上一个使用过的变量近，被cache概率高。

3、参数传递

为了降低函数调用的开销，当有多个参数时，最好把参数组合成一个结构。

4、返回变量

Ø 返回构造形式

避免2次拷贝。如：

return string("java");

要比

return "java";

更快。

Ø 用引用代替返回

避免构造对象。在函数调用的时候，把需要返回的对象都用引用传递进来。如：

void func(Object& retObj);

5、变量紧密定义

关联度很高的变量可以定义在一起。举例来说：

int a[N],b[N];

for(int idx=0;idx<N;idx++)

a[idx] = b[idx];

修改成：

struct {

int a,b;

} d[N];

for(int idx=0;idx<N;idx++)

d[idx].a=d[idx].b;

后者因为a,b紧密定义在一起，其访问对cache更友好。

6、类/结构成员顺序

因为默认对齐的原因，成员变量的顺序对对象的空间占用有一定影响。一般把变量按照字节大小从前往后放。比如：

struct{

double d;

int i;

short s;

bool b;

}

其size是16字节。但：

struct{

bool b;

double d;

short s;

int i;

}

其size是20字节。

例外的是数组成员。一般认为数组成员应该往后放。这是因为访问其他变量的时候，相对偏移（结构的初始位置）比较小，代码更短。如：

mov eax, [ebp+10h] 显然比 mov eax, [ebp+256h] 实际代码要短。

4.3 函数内联

函数内联作为编译器最大最好的优化选项，无论在哪里都值得探讨一番。函数内联的好处是节省了保护现场和返回值的开销。编译器并不是万能的，有些函数很容易进行内联，有些函数则很难进行内联。

对编译器友好的函数，一般代码比较短，函数没有递归逻辑。对编译器不友好的函数，显然就是指：函数指针调用、深度递归、虚函数。函数指针调用，会让编译器不知道真实的函数在哪里，既然都不知道函数在哪里，自然无法内联了。虚函数也是一样的问题，编译器不清楚调用的方法在哪里。

有一种策略可以把虚函数变成可以内联的函数，下面在重点讨论这个策略。假设我们的程序如下：

struct CParent{

    virtual int f(){

        return 0;

}

};

struct CChild1: CParent{

int f(){

return 1;

}

};

struct CChild2: CParent{

int f(){

return 2;

}

};

调用语句如下：

int count=0;

vector<CParent*> ds;

vector<CParent*>::iterator iter=ds.begin();

while( iter !=ds.end())

{

count += (*iter)->f();

iter ++;

}

毫无疑问，程序在编译的时候，不可能知道f函数到底是CChild1::f还是CChild2::f。我们通过加一个内置的type，来明确告诉编译器到底是f是哪个真正的函数：

struct CParent{

    int type;

    virtual int f(){

        return 0;

}

};

struct CChild1: CParent{

    CChild1(){

type=1;

    }

int f(){

return 1;

}

};

struct CChild2: CParent{

    CChild2(){

    type=2;

}

    int f(){

return 2;

}

};

inline int f(CParent* p){

switch(p->type){

case 1:

return ((CChild1*)p)->CChild1::f();

case 2:

return ((CChild2*)p)->CChild2::f();

}

return 0;

}

// 调用代码

int count=0;

vector<CParent*> ds;

vector<CParent*>::iterator iter=ds.begin();

while( iter !=ds.end())

{

count += f(*iter);

iter ++;

}

我们仅用一个switch语句就节约了函数调用的各种开销，很值得。事实证明，这种策略可以极大的提高程序效率。

4.4 switch优化

switch有3种替换模式：

Ø if

用if来替换switch。当switch的判断值数量少时，这种策略比较高效。

Ø Jump table，跳表

用一个数组存储case包含的代码，而直接用case的值来跳转到代码位置。如：

switch(d){

case 0:

xxx;

break;

case 1:

yyy;

break;

...

}

变成：

addr={addr_xxx, addr_yyy};

jump addr[d];

但这个策略只适合判断的值比较连续的情况，这是因为数组下标连续。

Ø Lookup table，查找表

查找表适合简单的逻辑，可以预先计算结果，然后直接根据某种逻辑返回结果。但一般需要编程者自己完成设计。比如：

ret ={"a","b","c"}

return ret[d];

最后大家看一下switch语句的独特用法：

4.5 最大概率路径最短化

这次策略的思想我们多次提到。有几种常见的方式来达到这个目的：

Ø switch/if/?x:y

把最常见的情况放在前面，减少其比较次数。

Ø 布尔表达式

在&&表达式时，把最不容易为true的放在前面。在||表达式时，把最容易为true的放在前面。

Ø 函数内cache

可以用一个变量存储最常见的返回结果。如：

static int comm_input, comm_output;

if(input == comm_input)

return comm_output;

xxx;

考虑到计算最常见的输入需要很多额外操作，故我们可以只存储最上一次的结果。

4.6 异常

C++的异常有不少诟病，比如没有finally，出错时难以释放资源。它还需要大量额外的资源，因为需要保存那些变量没有被析构等信息。我们的建议是不使用异常，尽量通过自定义log以及assert的方式来处理程序异常。

在前一章，我们对c++语言和性能有关的部分进行了简单描述。本章将介绍和和cpu硬件相关的性能优化技术。

5 理解硬件

    Intel的cpu外部结构由著名的CPU、南北桥组成。北桥连接的都是快速设备，如内存和显卡。南桥则是低速设备，如磁盘、声卡等等。

图 支持intel的主板

 

图intel cpu基本构架图

 

 

AMD的cpu'外部结构有所不同。其socket的接口为AM3，其内存控制器在cpu里面，可以直接连接内存。

图 支持AMD的主板

 

 

图 amd K10构架

 

5.1 理解内存

我们现在使用的一般是DDR3代内存条，台式机的内存一般有240针，但内存的实际数据位数只有64位，即8个字节。

 

图 台式机内存脚的说明

 

一般来说，内存的速度比cpu的速度慢。为了提高内存的数据传输速度，有人设计了多通道模式。在这种模式下，内存的传输速度可以加倍。多通道有双通道和三通道之说，后者仅最新的Intel cpu支持。多通道又分为Ganged和Unganged模式。前者每次提供128位数据，后者每次提供64位数据，但容许同时读取。实际结果表明，后者对多核多线程的服务器更加有效。（注：cpuz会把unganged模式识别为单通道+）

 

图 多通道

 

 

 

5.2 理解cpu cache

现代cpu包含多级cache，一般为L1-L3共3级。下图是笔者对cpu cache的分析图：

 

图 cpu cache分析

 

从图中我们可以看到，内存控制器（IMC）通过多个通道和内存（memory stick）连接。每个通道的位宽是64。内存控制器和L3 cache的位宽是96。为啥是94位呢？这是因为在双通道模式下，内存控制器的进入位宽是128，而IMC的频率一般为内存频率的1.5倍（实际数据），如果出位宽是96，则IMC的频率差不多刚好够用（需要为内存频率的1.33倍）。

 

5.3 cache line的解释

有几点大家要明白：

n 内存位宽是64；

n Cpu Lx cache line是64字节；

Cache每次消耗8个时钟读取一个数据（从内存中）。

在双通道ganged模式下，只需要4个时钟的读取时间。

n Lx cache N-way的概念

内存中的数据，只能固定存储在Lx cache中的某些位置。对于32way的cache来说，每块内存中的数据（即把内存按照cache line的长度切分）只能在32个位置中出现。这样的目的是加快cache的查找。

 

5.4 内存速度

内存的速度很难计算，毕竟不是所有的指令都能让cpu和内存之间的通道全速工作。好在mov/movq指令可以比较全面的利用cpu流水线，能够测试出大概的内存速度。

对于DDR3 1333的内存和北桥（或者IMC）速度为1995M的cpu，我们大致可以计算如下：

Ø DDR3 1333, unganged dual channel

理论带宽：1333*8*2=21G/s，访问延迟：几十个ns。

Ø L3 cache, NB-speed(1995M), on-die, 48-way

理论带宽：1995*8=16G/s，访问延迟：10ns。

Ø L2 cache, full-speed, on-die

理论带宽2800*8=22G/s，访问延迟：几ns。

Ø L1 cache

理论带宽未知，访问延迟<1ns。

 

下面的图是EVEREST的测试结果：

 

 

5.5 几个简单应用

第一个应用：快速2分查找。2分查找的主要问题是访问随机，对cache很不友好。我们根据查找树把元素重新排列，增加每个节点的数据个数。从而提高了cache的命中率。

 

图 快速2分查找

 

第二个应用：最快速的内存拷贝。主要是3个步骤：1）预先读取指令，把数据读取到cpu cache里面；2）采用mmx缓存器，有效利用cpu流水线；3）movn指令，直接写内存，不存放在Lx cache里面。

 

图 最快的memory copy

 

 

5.5 多核的问题

图 代码

 

 

图 问题

 

 

在多核的情况下，cpu需要经常同步他们之间的cache。而每次同步都是以一个cache line为单位。当多个核心cache了同样的line时，如果你不小心修改了line中的一个字节，也会导致整个line被同步。这就导致了本来和其他线程无关的数据，也会经常的被同步给它们。所以，我们建议在定义变量的时候，每个线程只写入位置超过一个line长度的变量。

5.6 cpu指令集介绍

386：支持少量寄存器；

x64：64位，多了几个寄存器；

mmx、sseX：多媒体指令、适合向量计算；

avx：256为YMM寄存器，支持浮点（但只被新系统支持）；

3dnow!：多媒体指令

在前一章，我们对cpu及其周边部分进行了简单描述。本章将介绍和和linux系统有关的一些通用性能优化技术。

6 linux系统

系统对程序性能的影响很大，因为程序大量使用系统提供的核心库。从程序角度来看，耗时严重的地方主要是在IO处理，包括基本的磁盘读写、网络读写外，还包括系统对页的管理（会导致磁盘IO）。

6.1 更快的磁盘IO

通常使用标准c/c++函数读取文件时，库和系统都会进行很多处理，如把数据在各自的buffer里面进行传递。

图 文件读取示意图

Linux系统提供了底层open函数，加上设置O_DIRECT，可以跳过中间的cache，直接从磁盘读取（当然，磁盘设备自身的cache还会有）。有人测试表明，这种策略几乎不能提高（提高1-2%）顺序读取文件的速度。这种策略的最大好处其实不是跳过程序中间cache，而是跳过linux系统全局文件块缓存。全局文件块缓存会额外的消耗不少cpu和内存，考虑这点，加上减少的中间层cpu消耗，本策略能够大大降低cpu的消耗。从别人的测试结果中能够看到，在多线程同时进行磁盘IO时，本方法能够较大的提高性能。使用的时候，请注意它的对齐约束。

mmap策略是另外一个更好的办法，简单易用，并且没有open函数的系统调用开销。异步io（aio）是另外一个不错的减少等待的方式，不会阻塞当前线程。

6.2 更快的网络IO

第一步，用epoll替换select。

select每次等待都会遍历所有的socket，而epoll每次都只用处理有事件的socket。在大量并发socket的情况下，它们的速度相差很远。

第二步，加快连接速度。

使用基本的connect函数，在连不上时（如服务器端口未监听），需要很久很久才会返回错误。一种解决方案是采用异步connect，不阻塞在当前线程；另外一种解决方案是设置IPTOS_LOWDELAY标志，让对方马上响应。参考代码：

bool SetLowDelay(int32_t sd){

#  ifdef IPTOS_LOWDELAY

    const int tos = IPTOS_LOWDELAY;

#  else

    const int tos = 0x10;

#  endif

    return setsockopt (sd, IPPROTO_IP, IP_TOS, (char *) &tos, sizeof (tos)) == 0;

}

第三步，禁止Nagle算法。

这个算法会缓存数据，等数据达到一定大小后再一起发送。某些情况下，它会导致包发送速度变慢。通过设置TCP_NODELAY来禁止它。有人测试说，禁用Nagle算法会导致apache服务器吞吐变慢。参考代码：

bool SetDisableNagle(int32_t sd){

    int bool_true = 1;

    return setsockopt( sd, IPPROTO_TCP, TCP_NODELAY, (char *)&bool_true, sizeof(bool_true)) == 0;

}

第四步，把socket缓存设置为最大。

如果有权限，可以先修改系统支持的最大缓冲大小，参考：

/sbin/sysctl -w net.core.rmem_max

/sbin/sysctl -w net.core.wmem_max

/sbin/sysctl -w net.ipv4.tcp_mem

至于在程序中，可以通过SO_SNDBUF标志来修改socket的实际缓冲大小。有一种策略是用2分法来找到可以设置成功的最大缓冲值。

第五步，使用accept4替换accept。

通常在accept得到一个socket id之后，都会对socket进行一些基本的设置，这就产生了2次系统调用。而accept4函数可以直接设置socket的flag，减少了一次系统调用。

第六步，使用合适的网络层构架。

图 网络层构架1

正如图中所示，本结构把socket交给单个线程管理，每个线程管理多个socket。这种结构的好处是耦合少，不用进行线程同步；额外开销少，适合单任务处理速度很快的情况。不好之处是在socket比较少时，难以使用所有线程的处理能力；二次发送数据间隔较长，导致实际处理缓慢。典型的系统见memcached、nginx。

另外一种网络结构统一管理socket，通过分发器来均匀分发任务，确保每个线程都繁忙。参考图：

这种结构统一管理任务，发送数据时异步缓存，保证线程一次发送成功。能够极限利用cpu的处理能力。其缺点是结构复杂，额外有不少消耗。目前电商搜索后台一般采用这种逻辑。

6.3 少用swap

swap的工作原理是：系统自动的把它认为不重要的页从内存置换到磁盘，以提供内存空间给其他人使用。虽然其设计者认为在linux下应该把swappiness设置为100%，但在很多情况下，swap都会导致严重问题。

swap会导致机器死机。某些情况下，当某个程序的swap占用过大时，如果这个时候程序要退出或者不需要那么多页，系统会尝试把swap的数据置换到内存，以便进行下一步操作，如果这个时候内存不足以存放这些数据，就会导致死机。注：swap导致死机的问题，不知道大家有没有更好的解释？

一般来说，数据库和能够自带缓存的程序，都不希望系统把内存页置换出去。最简单的“阻止”swap的策略是修改系统参数，参考：

sysctl -w vm.swappiness=0

echo 1>/proc/sys/vm/drop_caches

第一条语句是建议系统不要使用swap，第二条语句是让系统清理cache，以便释放更多内存。但第一条并不能够绝对阻止swap（因为只是建议）。

mlockall是程序比较常用的锁定内存的函数。它能够防止内存页被置换到swap。

6.4 避免多线程写磁盘

多线程大量写入磁盘文件，如果是同一个文件有多个写入者，会导致同步的麻烦；如果是不同的文件，也会因为大量IO导致机器假死（如不接收网络连接）。通过调低vm.dirty_ratio和vm.dirty_background_ratio参数来降低系统文件写缓存能力，减少写入时大量的cpu耗用。

题外话，减少squid的coss文件的使用，因为coss文件消耗cpu也很严重。

6.5 锁理论

多线程环境下，给资源加锁是很有技巧的事情。最简单的策略是尽量减少线程进入锁的时间。从理论上面讲，CAS是锁的基础。CAS即Compare&Swap，其原理很简单，就是一个基本的操作：如果n等于m，则把n和q交换。为啥CAS能够能够完美的支持锁呢？原理很复杂，参考论文《Wait-Free Synchronization》。汇编语言的CMPXCHG就可以支持CAS。而G++自带的__sync_val_compare_and_swap/__sync_bool_compare_and_swap函数（支持CAS），仅在编译的时候用-march=i486以上时才生效。考虑到现在的intel和amd的都支持i686以上指令，可以直接换成-march=i686。

pthread_mutex是常用的锁模式。它的开销也不算大，但在大量调用的时候，还是对性能有影响。有人测试说，开100个线程，每个调用10w次，需要25秒。

atomic原子操作也很常用。因为它主要是对int类型进行处理，故经常在引用计数的地方看到它。

在高性能编程中，我们更有兴趣的是non-blocking算法（也叫lock free）。这类算法能够不用加锁来进行多线程同步。常见的有以下两种策略：

1、circular buffer（也叫ring） fifo

首尾相连的队列结构，一般用数组表示。用开始和结束指针来表示数据位置。参考：

这种结构适合一个线程写一个线程读的情况。

2、RCU（read-copy-update）

读取拷贝更新，意思就是说，在要进行update的时候，先保留旧数据，然后替换新数据；再等待旧数据无人使用后，删除旧数据。从它的思想可以看到它写入数据的开销比较大，因为要等待所有读取线程都不在使用旧数据为止。这种结构比较适合用在很多线程读，但只有少量写的地方。

Linux核心提供了基于RCU的锁函数。但在用户态下，需要自己调用其他库，如liburcu。

下图简单的描述了在实时索引技术里面使用的一种免锁机制：

图中是内存结构，每个色块代表一个内存数据，而白色的表示空闲内存。当来了新的数据，和橘色的块合并为一个新的块，把这个块存放到空闲内存的最底部。右边灰色的表示旧橘色数据的位置。

（完）

【附录】

文章相关链接：

http://hi.baidu.com/algorithms/blog/calendar/201108

http://www.whysearch.org/a/zh_CN/date/20110824
http://www.whysearch.org/a/zh_CN/date/20110826
http://www.whysearch.org/a/zh_CN/date/20110901
http://www.whysearch.org/a/zh_CN/date/20110902
http://www.whysearch.org/a/zh_CN/date/20110905
http://www.whysearch.org/a/zh_CN/date/20110922