性能优化tips(一)

转自：http://www.searchtb.com/2013/04/performance_optimization_tips.html

(1)数据对齐是否更快？

从学习数据结构的第一天起，书上就告诉我们，数据对齐可以使得访问速度更快，我心里也一直有这样一个印象，但是对其具体原因，一直不太清楚。借着最近TreeLink大赛之后大家对于性能优化痴迷的机会，我也来细细研究下这个问题。

首先来看下面这段代码：

假设传入的数组大小为100,000.并且运行这两个case 100,000次之后得到的统计时间为

case two的运行速度比case one要快出17%左右。

在NotAlignedStruct的定义前，我们通过

指定使其按照1字节对齐，所以sizeof(NotAlignedStruct)=7.

而在AlignedStruct的定义前，我们又通过

恢复了编译器的默认对齐规则(默认规则是啥样的，稍后解释)，所以sizeof(AlignedStruct)=8.

那究竟为什么AlignedStruct的访问速度要比NotAlignedStruct快呢?简单来说，就是因为CPU访问内存时有个最小访问粒度(Memory Access Granulariy以下简称MAG)，如果内存结构的大小与MAG之间有整数倍关系的话，CPU就能在成比例的时间内访问到内存数据，相反，如果内存结构与MAG之间无倍数关系的话，那么CPU就可能需要多浪费一次访问时间。

举个例子，假设CPU的的MAG为8，数据结构的大小为7,我们现在需要遍历一个该数据结构的4维数组a[4]。假设数组的起始地址为0，那么各个元素的地址分别为0,7,14,21.访问a[0]时CPU需要读取一次内存，但是访问a[1]时情况就不一样了，CPU需要先读取0-7，丢掉0-6，只留下第7位，然后再读取8-15，并且丢掉14-15，只留下8-13位，然后将第7位和第8-13位合并起来，才得到a[1]. a[2]和a[3]的访问同理.但是如果数据结构的大小为8的话，CPU只需要4次访问就可以轻松得到a[0],a[1],a[2],a[3]的值。现在大家知道为什么内存对齐可以提供访问速度了吧。

在默认情况下，编译器已经帮我们做了内存对齐，那编译究竟是按照怎样的规则做内存对齐的呢?

让我们通过以下几个实例来说明gcc(4.1.2)的规则。

sizeof(FirstStruct)=3, sizeof(SecondStruct)=24, sizeof(ThirdStruct)=16.

下面我们直接说出我的理解：从结构体的第一个成员开始依次往后看，必须保证每个成员的起始地址是自身大小的倍数，并且尽可能紧凑的放置所有成员。结构体最终占用的空间大小一定是其中最大的成员所占空间的倍数。

了解编译器的对齐规则，对于我们定义数据结构，提高程序性能，有很大好处。但是这个结论有一个大前提，就是你的内存够用，能够放得下你要访问的数据，如果内存不够用，那就尽量按照1字节对齐，能省一点是一点吧。否则一旦数据落到硬盘上，不管是磁盘(ms级)还是固态硬盘(几十us级)，访问速度都将降低好几个数量级(一次内存访问在几十ns级).

(2)如何加快循环的速度

我们先来看一个实例:如何能够快速地计算出一个float型的数组(1M个元素)中各个元素的和?

我们先来看最直观的答案:

重复运行1000次， 最终耗时约为1221869 us.

显然，这段代码中最耗时的就是循环部分，要想做优化，必须从循环入手。而对于循环的优化最有效的手段就是循环展开，所谓循环展开，就是增加每次循环的步长，在循环体中多做几步处理。循环展开带来的好处主要有两方面：一是减少循环条件判断的次数，从而减少CPU做分支预测的次数，减少耗时；二是可以通过手动调整循环中的代码，来提高循环体中运算的并发度，从而充分利用CPU的流水线，最终降低耗时。下面我们分别来看看这两种处理的手段和效果如何。

答案2：

在上面的代码中，我们将循环步长增加到4,显然这样我们就能够节约3/4的循环条件的判断。

重复运行1000次，最终耗时约为1221701 us.

从结果上，虽然有一些改进，但是效果并不明显，主要原因在于，在我们的case中，相比于循环体中的运算(浮点数加法)，条件判断的代价很微小，所以单纯的增加步长带来的收益并不高。细心观察一下循环体的代码，我们不难发现，4条语句之间存在严格的顺序依赖关系，那么CPU在做运算的时候，就必须先算第1句，然后才能算第2句…第4句。而了解计算机体系结构的同学都知道，现代CPU的超标量和流水线技术使得能够CPU能够做到指令级并行计算(如下图)，





但是我们这种写法却无法有效利用这个特性，白白浪费资源。而实际上，一次循环中4个元素的相加并没有先后顺序的约束，完全可以在代码级并行起来。这样答案3就出来了。

答案3：

在代码中我们添加了两个无任何依赖的value1和value2,在每次循环的计算中value1和value2分别计算2个元素的和，最后再和value相加，这样一来，4个元素就可以完成两两并行的相加操作了。

重复运行1000次， 最终耗时为643581 us. 将近提高了一倍的性能.

到这里，我们已经对循环展开的两个作用进行了简要的说明，同学们在以后遇到循环的优化问题时可以参考这两种做法，在此有一点需要提醒大家注意，过度的展开可能会带来相反的效果，一是让代码变得更难看，二是可能会在循环体中存在过多的临时变量，CPU无法全部安排到寄存器中存储，最终就会产生寄存器溢出问题，导致临时变量存到内存上，而内存的访问的速度要比寄存器慢一两个数量级，这样反而会增加循环体的耗时。

参考资料：

(1) http://www.ibm.com/developerworks/library/pa-dalign/
(2) 深入理解计算机系统