吴晓飞_高性能CC++系统性能优化 从理论到实践.pdf

1、高性能高性能C/C+C/C+系统性能优化：从理论到实践系统性能优化：从理论到实践PolarDBPolarDB TPCCTPCC登顶性能优化登顶性能优化阿里云RDS MySQL内核负责人吴晓飞目 录CONTENTS1.性能优化的理论支持2.性能分析的工具支持3.性能优化实战以PolarDB TPCC为例性能优化的理论支持1.学会“抓重点”Amdahl定律（Amdahls Law）系统整体加速受限于不可并行部分的比例S=1 1 +其中 是可并行部分比例，是并行资源数量。a、提升可并行区并行度及并行效率，将资源尽可能充分利用b、降低串行区比例，减少系统瓶颈区性能优化的理论支持1.学会“抓重点”90/

2、10 法则 程序 90%的时间可能花在 10%的代码上。a、应当执行“测量先行，再优化”策略，避免过早优化b、优化应当着眼于“热点（hot）”路径性能优化的理论支持2.清楚硬件的底层逻辑 Memory Hierarchy CPU 缓存 内存 （磁盘/网络）“越靠近 CPU 的存储越快、越小、越贵；越远离 CPU 的存储越慢、越大、越便宜”层级典型延迟（Latency）带宽（Bandwidth）容量对程序优化的影响寄存器（Registers）0 cycles极高几十几百字节编译器自动优化，尽量让热点变量驻留寄存器L1 Cache14 ns（14 cycles 3GHz）150 GB/s64-51

3、2 KB/core数据局部性、对齐、避免 false sharingL2 Cache10 ns50100 GB/s256 KB16 MB/core预取、循环展开、减少跨 cache line 访问L3 Cache（共享）2050 ns4080 GB/s8512 MB（多核共享）多线程数据布局避免争用主存（DRAM）60120 ns2060 GB/s（DDR4/5）GB 级避免频繁分配/释放、使用内存池SSD（NVMe）10100 s18 GB/sTB 级I/O 是瓶颈时，需异步、多线程、批量、提升缓存性能优化的理论支持2.清楚硬件的底层逻辑 Memory Hierarchy CPU 缓存 内存

4、 （磁盘/网络）每个核心有有限寄存器（如 x86-64 有 16 个通用寄存器）。指令流水线（Pipeline）、超标量（Superscalar）、乱序执行（OoO）提升吞吐。批量指令向量化（SIMD）执行小循环、简单计算更容易被完全寄存器化。避免过多局部变量或复杂控制流阻碍寄存器分配。大部分依赖编译器、优化器进行底层优化（Compiler、LTO、PGO）性能优化的理论支持2.清楚硬件的底层逻辑 Memory Hierarchy CPU 缓存 内存 （磁盘/网络）缓存行（Cache Line）：常 64 字节，一次加载整 cache line。缓存未命中（Miss）类型：Cold Miss（

5、首次访问）Capacity Miss（容量不足）Conflict Miss（映射冲突）写策略：Write-Through vs Write-Back（常见）。伪共享（False Sharing）：不同线程修改同一 cache line 中不同变量 频繁无效化 性能下降。多线程性能优化的核心战场，提升局部性、降低冲突性、结构体优化等等。性能优化的理论支持2.清楚硬件的底层逻辑 Memory Hierarchy CPU 缓存 内存 （磁盘/网络）DRAM 访问非均匀（NUMA 架构下，远程内存更慢）。内存带宽有限，带宽瓶颈常出现在大数据拷贝场景。有效带宽受访问模式影响（顺序 随机）避免不必要的内存

6、拷贝（使用 move 语义、span/view）。使用内存池（Memory Pool）减少 new/delete 开销和碎片。NUMA 感知分配（如 numactl 或 libnuma）。内存通道交错并联，提升吞吐利用率。性能优化的理论支持2.清楚硬件的底层逻辑 Memory Hierarchy CPU 缓存 内存 （磁盘/网络）延迟 vs 吞吐：磁盘/网络以延迟为主导（尤其是小I/O）。SSD 随机读写远优于 HDD，但仍比内存慢数百倍以上。大规模 raid 阵列下吞吐极限高，单不易实现IO 的充分利用和异步化使用异步逻辑，避免在热路径中进行请求。批量多线程处理、考虑压缩、缓存中间结果等。性