为什么Linux内核代码中有这么多的likely和unlikely

Linux内核中的likely和unlikely优化 分支预测能够根据历史执行信息猜测分支的结果,并在程序执行时提前加载分支目标的指令,从而减少因分支导致的流水线停顿。然而,分支预测并不总是准确的,如果分支预测错误,将导致流水线的清空和重新加载,影响程序的执行效率。likely和unlikely关键字的作用就是向编译器提供条件分支的可能性信息,以便编译器在生成机器码时做出更准确的分支预测。likely关键字用于标记条件分支成立的可能性较高的情况,而unlikely关键字则用于标记条件分支不成立的可能性较高的情况。 阅读详情

1、前言

在阅读Linux内核代码时,我们可以看到在if/else结构中,都用到了likely和unlikely这样的判断,其实不只是Linux内核,很多开源代码,比如DPDK,suricata等等,都用到了它们。

图片

ps: 这里两次取反,是把x的表达式变成一个bool类型的值。

那如果我们深究一下,为什么这些开源代码都热衷于在if后面加这么个宏定义呢?使用它到底有什么好处呢?

碰到问题,我们习惯通过搜索引擎找答案,搜索引擎一般给出的答案是:通过likely和unlikely告诉编译器哪个条件分支发生的可能性更大。

这个说法当然没错,只是还没有说到更关键的点子上。

其实,使用likely和unlikely是跟CPU的工作方式有关,今天我们就一起来看一下。

2、C代码生成可执行程序的过程

我们一般都知道,C语言由源码变成可以运行的可执行文件包括四个阶段,分别是:

  • -预处理阶段(预处理器)

  • -编译阶段(编译器)

  • -汇编阶段(汇编器)

  • -链接阶段(链接器)

以我写的下面这个C代码likely.c文件为例:

图片

具体过程见下图:

图片

我们使用objdump命令:objdump -S likely.o,看一下likely.o的汇编指令:

图片

在这个过程中,gcc编译器帮我们把likely.c的分支代码逻辑,翻译成了cmpl、je、addl、jmp和subl等汇编机器指令给CPU去执行。

3、CPU Cache和指令预取

上面的likely.c源码,经过编译,最终生成了likely可执行程序,这个可执行程序现在在磁盘上,当我们在linux系统上通过./likely执行程序时,计算机会把likely程序文件包含的内容,从磁盘读到内存,然后再读到CPU Cache中进行执行。

为什么要有Cache?因为CPU执行指令的速度非常快,而从内存中读数据却慢得多,所以在它们之间加了一个Cache,CPU从内存中读取指令数据时,会把一些热点数据放到Cache中,每次读取时,会先去Cache中看有没有需要的数据,如果没有,才去内存中读取,通过这样的方式来提高CPU的处理效率。

图片

通过下面这张图,我们可以了解到计算机系统存储系统的层次结构,

它是一个金字塔是结构:

图片

另外,CPU从Cache中读取数据,并不是一条一条指令数据的读取,而是以一定大小字节来读取的,一般是64字节,我们也叫做Cache Line。

所以对于上面if语句里面的代码指令,CPU很有可能也是会读到Cache中,从而方便下次进行处理的。

但是这里有一个问题,if/else是一个条件分支,也就是if和else分支包含的内容,是只会执行一个的,所以,如果把if和else中包含的指令都加载到Cache,总有一部分是无用的,而且会占用Cache的空间(Cache的空间很小)。

这部分无用的指令在Cache中不会被命中,我们叫做Cache miss,它也是会影响CPU的性能。

其实,CPU执行指令本身也是带分支预测功能的,就是根据多次执行指令的情况,来动态预测来哪一部分的指令更可能执行,然后就将这部分指令提前加载到Cache中。

那再回到likely.c程序,如果程序员事先从业务逻辑上已经知道了哪一个分支更可能发生,通过likely告诉编译器,编译器可以在编译生成CPU执行指令时,通过改变指令在可执行二进制文件中的顺序,特意让CPU提前加载更有可能发生的分支指令到Cache中,从而来提高CPU的执行效率。

4、CPU的流水线工作机制

CPU除了会提前对指令预取以外,其实它还是流水线作业的,什么意思呢?就是为了提高性能,避免串行执行指令的等待,CPU执行指令的多个步骤,其实是同步开展的。

CPU 执行一条指令的过程大致如下:

  • 取指:CPU 从内存中取出下一条指令。

  • 解码:CPU 识别出指令的类型和操作数。

  • 执行:根据指令的类型和操作数,CPU 进行相应的运算或数据传送。

  • 访存:将数据从存储器读出或写入存储器

  • 写回:将运算结果写回到内存或寄存器中。

CPU流水线工作示意图如下:

图片

所以,在对if条件进行判断时,其实CPU已经开始在执行条件分支里面的指令了,如果分支预测失败,那么,这些指令的执行都是无效的,对数据的计算操作都要擦除重来,所以对CPU的性能影响还是挺大的。

5、需要注意的问题

现代CPU的分支预测准确率可以到90%以上。既然准确率不是100%,就意味着有失败的时候。

如果CPU发现预测错误,会把所有预测之后的指令执行结果全部抛弃,然后从预测分支那里重新开始执行,相当于很多指令白跑了。

预测失败的代价很高,正常一条指令执行需要10-20个指令周期,预测失败的话可能额外多出30-40个指令周期。

因此在分支发生概率严重倾斜、追求极致性能的场景下,使用likely/unlikely才具有较大意义。

怎么样,看了上面的分析,小伙伴们有没有什么想法?是不是没想到,我们写的代码里面,很小很小的一个细节,竟然暗藏有这么深的玄机。小伙伴们对这种类型的文章感不感兴趣呢?要不要小智再给大家多扒一扒?要的话,大家点个分享、在看和点赞,我就知道了,哈哈~~

我的号没有留言功能,不过并不妨碍小伙伴认真仔细读我的文章,上一篇文章《什么是NUMA,我们为什么要了解NUMA》有一处很明显的错误,有小伙伴马上加我wx(ID: coderxiaozhi),给我指出来了,真的非常感谢他。

希望有更多的小伙伴看到我的文章,跟我讨论,指出我的问题,这样大家才能一起学习进步。另外,我还建了一个交流群,大家一起交流技术,划水、八卦都可以。

Linux内核中的分支预测优化:unlikely与__builtin_expect详解 本文深入解析Linux内核中的unlikely宏及其底层__builtin_expect函数的原理与应用。该宏通过向编译器提示条件表达式预期为假(如错误处理等低频事件),帮助优化代码布局:将高频执行路径紧邻主逻辑,减少CPU分支预测错误和跳转开销。文章详细阐述了其定义语法、使用场景(错误处理、异常路径等)、底层优化机制(指令重排序、流水线优化)以及验证方法(反汇编分析、perf工具)。同时对比了likely/unlikely的特性和适用场景,并指出编译器依赖、硬件影响等注意事项。最后强调合理使用这些工具需结 阅读详情

相关推荐

Kernel: likely/unlikely[积木]

这个likely和unlikely让人容易混淆的原因是在于否定(unlikely),再否定(使用到的内建函数时!!),再再否定(需要的表达式时出现!=或者!)。这样连续的否定还是一个否定。/*

mzhan017的博客 586

Linux内核入门-- likely和unlikely

编译器优化时,根据条件跳转的预期值,按正确地顺序生成汇编代码,把“很有可能发生”的条件分支放在顺序执行指令段,而不是jmp指令段(jmp指令会打乱CPU的指令执行顺序,大大影响CPU指令执行效率)。我们知道目前的CPU无一例外的都引入了流水线技术,用于加快指令的执行,提高CPU的性能。在一个条件判断语句中,当这个条件被认为是非常非常有可能满足时,则使用likely()宏,否则,条件非常非常不可能或很难满足时,则使用unlikely()宏。可见,编译器利用程序员作出的判断,生成了高效的汇编码。

m0_74282605的博客 2679

从零构建无线AM信号模拟系统:基于STM32与AD9959的国赛一等奖方案解析

本文详细解析了基于STM32F103RCT6与AD9959芯片构建无线AM信号模拟系统的国赛一等奖方案。文章从项目背景、核心芯片选型出发,深入剖析了系统架构、硬件电路设计及软件控制逻辑,重点分享了“直流偏置叠加法”实现AM调制、多径模拟以及高频电路调试的实战经验与避坑指南,为参加全国大学生电子设计大赛的选手提供了一套完整、可靠的复现路径。

weixin_29182481的博客 183

Linux likely、unlikely

​ 1、likely,unlikely同if else一样进行分支判断;likely 期望执行if (true)为真的分支;unlikely 期望执行 if (true) 当中的else分支, 直接运 行else分支代码。​ 2、likely, unlikely 通过分支预测指令的预取能提高代码的执行效率。

谨以此记录下自己的每一点、每一滴、每一步,以督促自己,不忘目标,不忘理想。 1651

硬件级Dalvik字节码粒度无痕HOOK及VMP取址码定位分析

2.通过硬件读写断点的输出信息 可知pc寄存器就是art解释器的取码地址 直接硬件执行断点在这个pc 即可直接trace所有的smali执行流 通杀所有机型系统。本文即将探讨的是 如何在硬件级别实现dalvik bytecode粒度的无痕拦截技术 并实现鼠标点击一键hook 指哪儿打哪儿 感受 button power 的强大魅力!4.由于硬件断点是同步的 断下后可随时硬件dump下这一瞬间的app内存映像 写入unicorn的内存模拟执行。解释器在解释执行前必会读取内存中的bytecode。

2503_90751789的博客 1086

Python数据爬取超详细讲解(零基础入门,老年人都看的懂)

Python数据爬取超详细讲解(零基础入门,老年人都看的懂)

python03011的博客 3755

linux内核中likely与unlikely

前言   内核版本:linux 4.13   在linux内核中,经常可以看见if( likely(x))或if( unlikely(x))语句,那么likely和unlikely是什么意思呢?本文将对likely和unlikely进行一些讨论。 likely和unlikely 参考/include/linux/compiler.h */ # define likely(x) __bu...

夜风的博客 2万+

从零搭建Simulink-Adams联合仿真平台:实现电机转速的精准闭环控制

本文详细介绍了从零搭建Simulink-Adams联合仿真平台的完整流程,旨在实现电机转速的精准闭环控制。通过将Simulink的控制算法与Adams的物理模型相结合,构建了一个包含真实机械效应的数字孪生系统。文章涵盖了Adams物理模型构建、接口定义、Simulink控制闭环搭建、PID参数调试以及常见避坑指南,为机电系统仿真提供了实用的工程实践指导。

weixin_29189373的博客 154

linux内核中的likely()和unlikely()宏的作用

在看linux内核代码的时候,经常会看到likely(x)和unlikely(x)宏的使用。那这两个宏有什么作用呢? 这两个宏在内核中的定义如下: # define likely(x) __builtin_expect(!!(x), 1) # define unlikely(x) __builtin_expect(!!(x), 0) 可见这里使用了gcc的内建函数__builtin_exp

落尘纷扰的专栏 2万+

Docker部署Nextcloud私有云:MariaDB、OnlyOffice与HTTPS全栈实践

Nextcloud作为主流开源私有云平台,其稳定部署依赖Docker容器化、MariaDB数据库优化、OnlyOffice在线协作集成及HTTPS安全加固四大核心技术。理解Docker Compose服务健康检查机制与依赖等待原理,可避免因启动时序导致的500/404错误;掌握MariaDB字符集配置与InnoDB参数调优,是保障Nextcloud全文搜索与大文件上传可靠性的底层基础;而OnlyOffice的JWT兼容性控制与Nginx路径重写规则,则直接决定文档协同功能是否可用。在家庭NAS、边缘服务器或

weixin_30328063的博客 515

(三)UPF之Domain Coverage Relationship(Cover、Equivalent、Independent)

整个Soc架构中一般会存在多个Power Domain,不同的Power Domain之间也存在着一定的Coverage关系。在Cadence工具中,这种。不同的Domain Coverage关系中,各个Domain存在着一定的关联()。

Mr.翟的博客 1426

内核中的 likely() 与 unlikely()

<br />内核中的 likely() 与 unlikely()<br />在 2.6 内核中,随处可以见到 likely() 和 unlikely() 的身影,那么为什么要用它们?它们之间有什么区别?<br />首先要明确:<br />            if(likely(value)) 等价于 if(value)<br />            if(unlikely(value)) 也等价于 if(value)<br />也就是说 likely() 和 unlikely() 从阅读和理解代码的

kikikind的专栏 2926

电路设计仿真软件:Mentor Graphics_(11).MentorGraphics软件操作与技巧

/ 定义自定义仿真命令// 加载设计文件// 运行仿真// 主函数return 1;return 0;// 自定义设计检查// 获取设计中的所有模块// 遍历所有模块// 检查模块名称是否符合规范if (!// 检查模块中的所有引脚if (!// 主函数main() {通过本节的学习,您应该已经掌握了如何在 Mentor Graphics 中进行二次开发,包括使用 Tcl、C++ 和 Python 进行基本和高级操作。

kkchenjj的博客 1648

likely和unlikely的用法

在实际使用中,应该基于性能分析和测试结果来确定哪些分支更有可能和不太可能执行,并相应地使用这些宏。如果错误地使用这些宏,可能会导致性能下降,因此建议在优化代码之前进行充分的性能分析。它们通常与条件语句的分支一起使用,以指示哪些分支更有可能执行,哪些分支更不可能执行。在一般的应用程序中,使用这些宏的性能影响可能不明显,因此在普通应用程序中使用它们可能没有太大的必要。例如,在Linux内核中,通常会将likely用于可能出现的快速路径,而将unlikely用于可能出现的慢速路径,以帮助编译器更好地优化代码。

坛城的博客 1293

YOLOv12改进策略【Neck】| arXiv 2024 MAFPN:多分支辅助特征金字塔网络 | 通过双向辅助融合与异构卷积机制,解决传统PAFPN多尺度特征融合不充分与小目标检测不足问题

本文记录的是利用MAFPN颈部结构改进YOLOv12的目标检测网络模型。通过引入双向辅助融合机制优化特征处理流程,在自底向上路径利用 SAF 模块融合主干浅层特征与颈部输出,并保留浅层空间信息,为小目标检测提供更丰富细节;自顶向下路径通过 AAF 模块建立密集连接,聚合浅层高 / 低分辨率层、同级层及前层特征,均衡各层通道数后实现多向梯度信息交互,增强中 / 大目标特征表达。将其应用到中,解决传统特征金字塔在多尺度信息整合中的不足,提升多尺度目标检测的精度与特征表达的丰富性。Multi-Branch Aux

Limiiiing的博客 1258

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

linux内核中likely和unlikely的含义

在内核代码中经常会看到unlikely和likely的踪影。他们实际上是定义在 linux/compiler.h 中的两个宏。   #define likely(x)    __builtin_expect(!!(x), )   #define unlikely(x)  __builtin_expect(!!(x), 0)   这里的__built_expect()函数是gcc的內建函数。

u013177568的专栏 654

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

Likely和unlikely 分析

第一部分 问题描述 在阅读2.6内核代码时经常出现likely()和unlikely()两个宏函数,下面来解释一下这两个宏函数的函数含义。 例如在Linux 2.6.38内核include/linux/compiler.h中,这两个宏的定义如下: #define likely(x)    __builtin_expect(!!(x), 1) #define unli

GreatChance的专栏 812

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

内核中的likely和unlikely宏的使用

在内核代码中经常会看到unlikely和likely的踪影。他们实际上是定义在 linux/compiler.h 中的两个宏。  #define likely(x) __builtin_expect(!!(x), 1)  #define unlikely(x) __builtin_expect(!!(x), 0)  这里的__built_expect()函数是gcc的內建函数。

Macross的专栏 1708

linux内核中likely与unlikely【转】

(转自:https://blog.youkuaiyun.com/u014470361/article/details/81193023) 前言   内核版本:linux 4.13   在linux内核中,经常可以看见if( likely(x))或if( unlikely(x))语句,那么likely和unlikely是什么意思呢?本文将对likely和unlikely进行一些讨论。 likely和unlikely 参考/include/linux/compiler.h */ # define likely(

Uaena的博客 416

linux中likely()和unlikely()

转自:https://www.cnblogs.com/embedded-linux/p/5943652.html likely()与unlikely()在2.6内核中,随处可见,那为什么要用它们?它们之间有什么区别呢? 首先明确: if (likely(value))等价于if (value) if (unlikely(value))等价于if (value) 也就是说likely()和unl...

博客标题不能为空 809

likely和unlikely的区别

likely()与unlikely()在2.6内核中,随处可见,那为什么要用它们?它们之间有什么区别呢? 首先明确:  if (likely(value))等价于if (value)  if (unlikely(value))等价于if (value) 也就是说likely()和unlikely()从阅读和理解的角度是一样的。 这两个宏在内核中定义如下: #define lik

Wait for 的专栏 1903

Linux kernel的likely与unlikely

为什么使用likely与unlikely 在Linux kernel的源码中,存在这样的用法: if (likely(cond)) { ...... } if (unlikely(cond)) { ...... } likely和unlikely是宏定义,若cond为真(非0),那么likely(cond)为真;反之,若cond为假(非0),那么**likely(cond)**为假。unl...

gzxb1995的博客 1672

linux宏定义likely和unlikely解析

解析内核宏定义:likely、unlikely

雨天不打滑的博客 1222

unlikely和likely

主要是跟处理器有关,现在处理器都是流水线的,有些里面有多个逻辑运算单元,系统可以提前取多条指令进行并行处理,但遇到跳转时,则需要重新取指令,这相对于不用重新去指令就降低了速度。所以对unlikely的宏,系统运行时,将减少跳转,重新取指。 与assert()是不一样的,assert()是对一个值进行判断,如指针是否为NULL,如果为NULL,则程序直接exit。跟unlikely是不用级别上的东

随便写写 819

linux 中likely与unlikely用法

前言   内核版本:linux 4.13   在linux内核中,经常可以看见if( likely(x))或if( unlikely(x))语句,那么likely和unlikely是什么意思呢?本文将对likely和unlikely进行一些讨论。 likely和unlikely...

be_programmer的博客 1282

Linux内核中的likely()和unlikely()宏

在Linux内核代码中经常看到likely()和unlikely()这两个宏,它们都是对bool变量进行判定,其定义如下: # define likely(x)__builtin_expect(!!(x), 1) # define unlikely(x)__builtin_expect(!!(x), 0) 其中__builtin_expect()函数是gcc提供的用于对分支语句进行优化,其原型如下: long __builtin_expect (long exp, long c) 当exp ==..

jinking01的专栏 906
上一篇: 什么是NUMA,我们为什么要了解NUMA
编程十万问
博客等级 码龄7年 2438粉丝 59原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值