从代码到设计的性能优化指南_代码性能分析指南-优快云博客

本文链接：https://blog.youkuaiyun.com/Free355/article/details/131851244

本文详述了从代码优化和设计优化两个层面提升系统性能的策略。代码优化包括预加载关联、缓存对齐、分支预测、写时复制和内联优化，通过调整代码结构、使用静态变量和内联技术提高程序执行效率。设计优化则涉及缓存、异步处理、并行和池化，如利用缓存减少数据访问延迟，采用非阻塞 IO 和协程提高并发性能，以及合理利用线程池和数据库连接池。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一前言

性能优化是一个系统开发过程中非常重要的一环，特别是在互联网应用中，性能优化往往能够决定一个应用的成败。

性能优化是个系统性工程，宏观上可分为网络，服务，存储几个方向，每个方向又可以细分为架构，设计，代码，可用性，度量等多个子项。 本文将重点从代码和设计两个子项展开，谈谈那些提升性能的知识点。当然，很多性能提升策略都是有代价的，适用于某些特定场景，大家在学习和使用的时候，最好带着批判的思维，决策前，做好利弊权衡。

先简单罗列一下性能优化方向：

二代码优化

2.1 关联代码

关联代码优化是通过预加载相关代码，避免在运行时加载目标代码，造成运行时负担。我们知道 Java 有两个类加载器：Bootstrap class loader 和 Application class loader。Bootstrap class loader 负责加载 Java API 中包含的核心类，而 Application class loader 则负责加载自定义类。关联代码优化可以通过以下几种方式来实现。

预加载关联

预加载关联类是指在程序启动时预先加载目标与关联类，以避免在运行时加载。可以通过静态代码块来实现预加载，如下所示：

public class MainClass {
    static {
        // 预加载MyClass，其实现了相关功能
        Class.forName("com.example.MyClass");
    }
    // 运行相关功能的代码
    // ...
}

使用线程池

线程池可以让多个任务使用同一个线程池中的线程，从而减少线程的创建和销毁成本。使用线程池时，可以在程序启动时创建线程池，并在主线程中预加载相关代码。然后以异步方式使用线程池中的线程来执行相关代码，可以提高程序的性能。

使用静态变量

可以使用静态变量来缓存与关联代码有关的对象和数据。在程序启动时，可以预先加载关联代码，并将对象或数据存储在静态变量中。然后在程序运行时使用静态变量中缓存的对象或数据，以避免重复加载和生成。这种方式可以有效地提高程序的性能，但需要注意静态变量的使用，确保它们在多线程环境中的安全性。

2.2 缓存对齐

在介绍缓存对齐之前，需要先普及一些 CPU 指令执行的相关知识。

缓存行(Cache line) ： CPU 读取内存数据时并非一次只读一个字节，一般是会读一段 64 字节（硬件决定）长度的连续的内存块 (chunks of memory)，这些块我们称之为缓存行。
伪共享（False Sharing）：当运行在两个不同 CPU 上的两个线程写入两个不同的变量时，如果这两个变量恰好存储在同一个 CPU 缓存行中，就会发生伪共享（False Sharing）。即当第一个线程修改缓存行中其中一个变量时，其他引用此缓存行变量的线程的缓存行将会无效。如果 CPU 需要读取失效的缓存行，它必须等待缓存行刷新，这会导致性能下降。
CPU 停止运转（stall）：当一个核心需要等待另一个核心重新加载缓存行时（出现伪共享时），它无法继续执行下一条指令，只能停止运转等待，这被称之为 stall。减少伪共享也就意味着减少了 stall 的发生。
IPC(instructions per cycle)：它表示平均每个 CPU 周期执行的指令数量，很显然该数值越大性能越好。可以基于 IPC 指标（比如：阈值 1.0）来简单判断程序是属于访问密集型还是计算密集型。Linux 系统中可以通过 tiptop 命令来查看每个进程的 CPU 硬件数据：

如何简单来区分访存密集型和计算密集型程序？

如果 IPC < 1.0, 很可能是 Memory stall 占主导，多半意味着访存密集型。
如果 IPC > 1.0, 很可能是计算密集型的程序。

CPU 利用率：是指系统中 CPU 处于忙碌状态的时间与总时间的比例。忙碌状态时间又可以进一步拆分为指令（instruction）执行消耗周期 cycle(%INS) 和 stalled 的周期 cycle(%STL)。perf 采集了 10 秒内全部 CPU 的运行状态：

IPC计算

IPC = instructions/cycles
上图中，可以计算出结果为：0.79
现代处理器一般有多条流水线（比如：4核心），运行 perf 的那台机器，IPC的理论值可达到4.0。
如果我们从 IPC的角度来看，这台机器只运行到其处理器最高速度的 19.7%（0.79 / 4.0)。

总之，通过 Top 命令，看到 CPU 使用率之后，可以进一步分析指令执行消耗周期和 stalled 周期，有这些更详细的指标之后，就能够知道该如何更好地对应用和系统进行调优。

缓存对齐： 是通过调整数据在内存中的分布，让数据在被缓存时，更有利于 CPU 从缓存中读取，从而避免了频繁的内存读取，提高了数据访问的速度。

缓存填充 (Padding)

减少伪共享也就意味着减少了 stall 的发生，其中一个手段就是通过填充 (Padding) 数据的形式，即在适当的距离处插入一些对齐的空间来填充缓存行，从而使每个线程的修改不会脏污同一个缓存行。

/**
 * 缓存行填充测试
 *
 * @author liuhuiqing
 * @date 2023年04月28日
 */
public class FalseSharingTest {
    private static final int LOOP_NUM = 1000000000;

    public static void main(String[] args) throws InterruptedException {
        Struct struct = new Struct();
        long start = System.currentTimeMillis();
        Thread t1 = new Thread(() -> {
            for (int i = 0; i < LOOP_NUM; i++) {
                struct.x++;
            }
        });

        Thread t2 = new Thread(() -> {
            for (int i = 0; i < LOOP_NUM; i++) {
                struct.y++;
            }
        });
        t1.start();
        t2.start();
        t1.join();
        t2.join();
        System.out.println("cost time [" + (System.currentTimeMillis() - start) + "] ms");
    }

    static class Struct {
        // 共享变量
        volatile long x;
        // 一个long占用8个字节，此处定义7个填充数据，来保证业务数据x和y分布在不同的缓存行中
        long p1, p2, p3, p4, p5, p6, p7;
        // long[] paddings = new long[7];// 使用数组代替不会生效，思考一下，为什么？
        // 共享变量
        volatile long y;
    }
}

经过本地测试，这种以空间换时间的方式，即实现了缓存行数据对齐的方式，在执行效率方面，比没有对齐之前，提高了 5 倍！