C++性能优化

C++ 性能优化的核心原则可以总结为：减少不必要的计算、提升内存访问效率、发挥硬件并行能力，以及利用编译期优化。

1. 内存与缓存优化（现代 CPU 性能的关键）

提升数据局部性（Data Locality）： 优先使用连续内存存储的容器（如 std::vector、std::array），减少对节点型容器（如 std::list、std::map）的使用，避免 CPU Cache Miss。

自定义内存分配器： 对于频繁创建/销毁的小对象，标准库的 malloc 或 new 会带来较大的开销与内存碎片。使用内存池（Memory Pool）或对象池能大幅提升分配效率。

优化结构体对齐（Memory Alignment）： 调整结构体成员的排列顺序，按字节大小降序排列，减少补齐（Padding）字节；在多线程场景下要注意防止伪共享（False Sharing），通过 alignas(64) 将频繁修改的变量隔离在不同的缓存行（Cache Line）中。

1. 语法与语言特性层面 减少不必要的拷贝（零拷贝与移动语义）：

使用移动语义（Move Semantics）：合理实现/利用移动构造和移动赋值，避免深拷贝。

值传递与引用传递： 复杂对象优先选择 const T& 传递；只读字符串使用 std::string_view（C++17），数组切片使用 std::span（C++20）。

原地构造： 使用 emplace_back 替换 push_back，避免临时对象的创建与拷贝。

利用编译期计算：

尽可能使用 constexpr / consteval 将计算从运行期提前到编译期完成。

减少虚函数与非必要动态绑定：

虚函数调用存在指针寻址开销，且阻碍编译器进行内联优化。对不需要被继承的类或虚函数标记 final，方便编译器进行去虚化（Devirtualization）。

采用 CRTP（Curiously Recurring Template Pattern，奇异递归模板模式） 实现静态多态。

1. 算法与数据结构选择 选对数据结构： 查找密集型场景下，无序哈希表 std::unordered_map 通常比基于红黑树的 std::map 更高效；但数据量较小时，甚至连续数组 std::vector 加线性查找的速度都可能超过哈希表（因为 Cache 更友好）。

预分配内存容量： 对于 std::vector、std::string 等可扩容容器，在已知元素数量或大致范围时，提前调用 .reserve() 避免多次重新分配内存和搬运数据。

1. 编译器优化选项与 PGO 许多性能提升只需开启编译器的优化开关：

基础优化等级： 发布版本务必开启 -O2 或 -O3（Clang/GCC）或 /O2（MSVC）。

PGO（Profile-Guided Optimization，基于性能分析的优化）：

带 Instrumentation 标志编译程序，跑一遍典型业务流程收集 Profile 数据。

编译器利用这些数据重新编译（优化热点代码分支预测、函数内联与代码布局），通常能带来 5%~20% 的额外提升。

LTO / LTCG（Link-Time Optimization，链接期优化）： 开启 -flto，打破跨编译单元（.cpp 文件）的壁垒，实现跨文件的函数内联和无用代码消除。

针对架构指令集优化： 指定 -march=native，允许编译器使用当前 CPU 支持的高级指令集（如 AVX2、AVX-512）。

1. 多线程与并发优化 无锁（Lock-Free）编程： 在高并发读写热点上，尝试用 std::atomic 替换互斥锁 std::mutex；注意选择合适的内存顺序（Memory Order，如 std::memory_order_relaxed），避免过强同步锁死流水线。

线程池化： 避免频繁创建和销毁线程，采用任务队列 + 线程池模式复用工作线程。

cyclone 性能下降问题怎么比较优化结果 https://confluence.ext.net.nokia.com/pages/viewpage.action?pageId=1857328842

https://confluence.ext.net.nokia.com/pages/viewpage.action?spaceKey=5GRD&title=Cyclone

PGO 优化

Cyclone provides a method to monitor performance KPIs during test execution. KPIs like #instructions, #cycles consumed per slot and per scheduler phase (TD - FD - PostTd) can help identify bottlenecks or performance degradation in continuous integration.

Additionally more KPIs are tracked for snowfish (ABIO) that leverage Intel’s capability of TOPDOWN performance analysis. e.g; FE_ICACHE or FE_PREDECODE. TOPDOWN approach details here: Intel+Top-Down+Analysis+for+Processor+Performance

Monitoring is achieved by pushing these measured KPIs to a Grafana dashboard. Variations in L2-PS performance can be then easily tracked and fixed.

U-Plane SW Performance Aspects

3.1. TSC - Time Stamp Counter Counts the number of CPU cycles.

3.2. INS - Instructions Retired Event How many instructions were completely executed.

算法复杂度，单独开一期来写

任务切换 同一进程，共享地址空间，页表，代码段，只需要切寄存器和栈。 不同进程，除了寄存器，还要换页表，虚拟地址空间，TLB 进程切换 > 线程切换 > 函数调用 切换为导致 Cache失效， 性能下降

让同一个线程长期跑在同一个核上。Cache一直热着，性能会好很多。 通信软件常做的就是 线程绑定CPU核。

上下文切换本质上就是“给当前线程拍快照保存，再把另一个线程的快照恢复回来”。真正昂贵的不只是保存寄存器，而是切换后原来缓存中的代码和数据失效，导致CPU需要重新把新线程的工作集装入Cache，这部分成本往往远高于寄存器保存本身。

扩展阅读

[1] Optimized C++ by Kurt Guntheroth(O’Reilly). Copyright 2016 Kurt Guntheroth, 978-1-491-92206-4