如何做系统性能优化
性能优化的目标是什么？不外乎两个：
时间性能：减小系统执行的时间
空间性能：减小系统占用的空间
一、代码优化
做代码优化前，先了解下硬件Cache：
（1）Cache Level：通常来说L1、L2的Cache集成在CPU里，L3的Cache放在CPU外；
（2）Cache Size：它决定你能把多少东西放到Cache里，有Size就有竞争，就有替换，才有所谓优化的空间；
（3）Cache Type：I-Cache（指令），D-Cache（数据），TLB（MMU的Cache）；
代码层次的优化主要从以下两个角度考虑问题：
（1）I-Cache优化：精简code path，简化调用关系，减少冗余代码等等；
（2）D-Cache优化：减少D-Cache的miss数量，增加有效数据访问。
以下是一些技巧，可供参考：
（1）Code adjacency（把相关代码放在一起）
这里有两层含义：一是相关源文件要放在一起；二是相关函数在object文件里面，也应该相邻。
这样，可执行文件被夹在到内存里时，函数位置也是相邻的，同事还符合模块化编程的要求：高内聚，低耦合。
（2）Cache line alignment（cache对齐）
对齐Cache以减少潜在的一次读写，但这可能意味着内存的浪费，需要从空间和时间两方面衡量。
（3）Branch prediction（分支预测）
如果能预测那段代码有更高的执行概率，就能减少跳转次数（调整if和else的顺序？）。
（4）Data prefetch（数据预取）
由CPU自动完成。
（5）Register parameters（寄存器参数）
（6）Lazy computation（延时计算）
最近不用的变量，不要急着去初始化（意味着可能执行复杂的构造），如果某个分支跳出了函数，这些动作就浪费了。
COW（copy-on-write）就是一种延时计算的技术。
（7）Early computation（提前计算）
有些变量，计算一次就够了，任何加减乘除都会消耗CPU指令，尽量使用常数，而不是246060来表示一天的秒数。
（8）Inline（内联函数）
（9）Macro（宏定义）
（10）Allocation on stack（局部变量）
避免在栈上申请大数组，其初始化和销毁的代价很高。
（11）Per-cpu data structure（非共享数据结构）
避免共享量的锁，在thread local里，多核情况下使用局部变量会带来好处。
（12）Reduce call path or call trace（减少函数调用层次）
（13）Read&write split（读写分离）
（14）Recude duplicated code（减少冗余代码）
其中，（1）（6）（7）（8）（9）（10）（11）（12）（14）这些优化方式最为常见。
二、工具优化
“工欲善其事，必先利其器”，如果没有工具的支持，性能优化难以实施，谁也不知道哪些地方是严重影响性能的主要矛盾。
使用性能优化的工具，需要考虑以下问题：
（1）使用工具是否需要重新执行编译？
（2）工具本身对测量结果的影响：工具对性能的影响必须在一个可接受的范围以内。
工具能解决的问题：
（1）建立性能基线，以作对比；
（2）帮助定位性能瓶颈；
（3）帮助验证优化方案；
性能测试工具一般由这么几种：
（1）收集CPU的性能计数；
（2）利用编译器的功能，在函数入口和出口加回调函数；
（3）在代码中加入时间测量点。
在Linux下，通常会用到的有：
（1）Oprofile
它已经加入Linux内核代码库，但通常需要重新编译内核，参考如下
http://oprofile.sourceforge.net/news/
http://people.redhat.com/wcohen/Oprofile.pdf
（2）KFT and Gprof
KFT是kernel的一个patch，只对kernel有效；Gprof是gcc里面的一个工具，只对用户空间的程序有效。这两个工具都需要重新编译代码，它们都用到了gcc里面的finstrument-functions选项。编译时会在函数入口，出口加回调函数，而且inline函数也会改成非inline的。它的工作原理可以参考：
http://blog.linux.org.tw/~jserv/archives/001870.html
http://blog.linux.org.tw/~jserv/archives/001723.html
http://elinux.org/Kernel_Function_Trace
http://www.network-theory.co.uk/docs/gccintro/gccintro_80.html
三、系统优化
从系统层面去优化系统往往有更为明显的效果，优化之前，可以思考，是否能够通过扩展系统来达到提高性能的目的：
（1）Scale up：使用更强的硬件；
（2）Scale out：使用更多的组件；
如果升级硬件的方法就能解决问题，为什么还要使用修改代码，调整架构这样大风险的举措呢？（需要考虑成本）
以下是一些常用的系统优化的方法：
（1）Cache
Cache干什么？保存已经执行过的结果。
Cache为什么有效？避免已计算过的开销，获取更快的访问。
Cache的难点在哪里？一是快速匹配；二是Cache容量有效，需要较好的替换策略；
Cache在哪些情况下有效？时间局部性。即当前计算的结果，后续有可能使用到，如果没有时间局部性，反而对架构有害。
（2）Lazy Computing
理念就是，不要做多余的事情，最常见的例子就是COW（copy-on-write）：
http://en.wikipedia.org/wiki/Copy-on-write
COW干什么？写时复制。
COW为什么有效？节省内存复制时间，均匀内存分配时间。
COW的难点在哪里？一是引用计数的使用；二是确认哪些内存是可以共享的。
（3）read ahead/pre-fetch预读
http://en.wikipedia.org/wiki/Readahead
预读干什么？提前准备所需要的数据。
预读为什么有效？减少等待内存的时间，相当于把多个操作集合成一个。
预读在哪些情况下有效？空间局部性。
（4）Asynchronous异步
http://en.wikipedia.org/wiki/Asynchronous_I/O
异步干什么？异步是一种通信方式，请求与应答分离。
异步为什么有效？消除等待时间。
异步的难点是什么？如何实现分布式状态机，如何使用回调，使异步时间到达后继续执行。
异步在哪些情况下有效？状态之间不能有强依赖关系。
（5）Polling轮询
http://en.wikipedia.org/wiki/Polling_(computer_science)
（6）Static memory pool（内存池）
http://en.wikipedia.org/wiki/Static_memory_allocation
内存池干什么？提前分配内存以获取更好的性能，只是适应性可能会降低，并可能造成内存浪费。
内存池为什么有效？避免重复内存申请、释放开销。
内存池的难点是什么？分配多大的内存池，如何避免浪费都是需要考虑的问题。
内存池在哪些情况下有效？一是固定大小的内存需求，二是快速的分配与释放需求。
四、总结
性能优化只是系统的一个方面，它可能会和系统的其他要求有冲突，比如
可读性：性能优化不能影响可读性，谁愿意维护不怎么漂亮的代码；
模块化：性能优化往往需要打破模块的边界，想想这是否值得；
可移植：隔离硬件相关的代码，尽量使用统一的API；
可维护：许多性能优化的技巧，会导致后来维护代码的人崩溃；
需要在性能优化和上述的几个要求之间做出tradeoff，不能一意孤行。
