C++性能优化技术导论

分享一下我老师大神的人工智能教程。零基础！通俗易懂！风趣幽默！还带黄段子！希望你也加入到我们人工智能的队伍中来！https://blog.youkuaiyun.com/jiangjunshow

               

转载：http://blog.youkuaiyun.com/heiyeshuwu/article/details/7088192

【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;