性能优化决策树
本指南帮助你通过结构化的决策框架来导航优化过程。
概览
性能优化不是随意的——它遵循系统化的方法。这个决策树帮助你为特定情境找到正确的优化技术。
黄金法则
优化前务必先性能分析！
过早优化是编程中万恶之源（或至少大部分）。 —— Donald Knuth
决策流程图
优化决策流程Mermaid
快速诊断清单
CPU 瓶颈症状
| 指标 | 命令 | 阈值 |
|---|---|---|
| 高 CPU 利用率 | perf stat | > 80% CPU 繁忙 |
| 低缓存缺失率 | perf stat -e cache-misses | < 1% LLC 缺失 |
| 分析中热点循环 | perf report | 单个循环占主导 |
前往： SIMD 优化
内存瓶颈症状
| 指标 | 命令 | 阈值 |
|---|---|---|
| 高缓存缺失 | perf stat -e cache-misses | > 5% LLC 缺失 |
| 内存带宽饱和 | perf stat -e bus-cycles | 接近峰值 |
| 长内存延迟 | perf mem | 高延迟 |
前往： 内存优化
并发问题
| 指标 | 命令 | 检测方式 |
|---|---|---|
| 线程扩展性差 | 变化 OMP_NUM_THREADS | 加速比 < 0.5 × 线程数 |
| 锁竞争 | perf record -e lock:* | 锁等待时间长 |
| 数据竞争 | cmake --preset=tsan | TSAN 报告竞争 |
前往： 并发优化
按类别划分的优化技术
SIMD 优化
SIMD 优化流程Mermaid
关键技术：
- 自动向量化 — 让编译器完成工作
- 对齐 —
alignas(64)使数据 SIMD 友好 - 受限指针 —
float* __restrict ptr - 手动内联函数 — 编译器失败时使用 SSE/AVX/AVX-512
参考： SIMD 模块
内存优化
内存优化流程Mermaid
关键技术：
- AOS 转 SOA — 顺序访问时用 Structure of Arrays
- 伪共享修复 —
alignas(64)填充 - 预取 — 对可预测模式使用
__builtin_prefetch - 缓存分块 — 按缓存大小处理数据
参考： 内存模块
并发优化
并发优化流程Mermaid
关键技术：
- 原子操作 — 带正确内存序的
std::atomic - 无锁结构 — SPSC 队列、无锁栈
- 伪共享预防 — 缓存行填充
- OpenMP 并行化 —
#pragma omp parallel for
参考： 并发模块
决策速查表
| 你的情况 | 首先尝试 | 替代方案 |
|---|---|---|
| 循环执行多次迭代 | 自动向量化 | 手动 SIMD |
| 顺序数据访问，高缓存缺失 | AOS 转 SOA | 预取 |
| 多线程，扩展性差 | 检查伪共享 | 无锁 |
| 随机内存访问 | 分块/平铺 | B-树结构 |
| 高分支预测失误 | 无分支代码 | 排序数据 |
| 小临界区 | 无锁 | 细粒度锁 |
性能分析工作流
性能分析工作流Mermaid
常见陷阱
过早优化
cpp
// 错误：未分析就优化
void process() {
// "这个循环看起来慢，让我 SIMD 它"
for (int i = 0; i < 10; ++i) { ... } // 只有 10 次迭代！
}修复： 先分析。小循环可能不重要。
为错误的问题使用错误的优化
cpp
// 错误：对内存受限代码使用 SIMD
void process(float* data, size_t n) {
// 内存带宽已饱和，SIMD 帮不上忙！
for (size_t i = 0; i < n; ++i) {
data[i] = data[i] * 2.0f; // 内存受限，非 CPU 受限
}
}修复： 先检查是 CPU 还是内存瓶颈。
忽略算法复杂度
cpp
// 错误：优化 O(n^2) 算法
for (int i = 0; i < n; ++i) {
for (int j = 0; j < n; ++j) { // O(n^2)
// SIMD 救不了你
}
}修复： 先使用更好的算法（O(n log n) 或 O(n)）。
下一步
- 使用性能分析指南 分析你的代码
- 使用上述决策树 识别瓶颈
- 从相关模块 应用适当的技术
- 使用基准测试 测量改进
- 记录你的发现以供将来参考