性能優化指南（5000 字小結）

• 2019 年 10 月 29 日
• 筆記

來源：cnblogs.com/xybaby/p/9055734.html

• 一般性原則
• 性能優化的層次
• 一般性方法
  • 快取
  • 並發
  • 惰性
  • 批量，合併
  • 更高效的實現
  • 縮小解空間
• 性能優化與程式碼品質
• 總結

作為一個程式設計師，性能優化是常有的事情，不管是桌面應用還是web應用，不管是前端還是後端，不管是單點應用還是分散式系統。本文從以下幾個方面來思考這個問題：性能優化的一般性原則，性能優化的層次，性能優化的通用方法。本文不限於任何語言、框架，不過可能會用Python語言來舉例。

不過囿於個人經驗，可能更多的是從Linux服務端的角度來思考這些問題。

一般性原則

依據數據而不是憑空猜測

這是性能優化的第一原則，當我們懷疑性能有問題的時候，應該通過測試、日誌、profillig來分析出哪裡有問題，有的放矢，而不是憑感覺、撞運氣。一個系統有了性能問題，瓶頸有可能是CPU，有可能是記憶體，有可能是IO（磁碟IO，網路IO），大方向的定位可以使用top以及stat系列來定位（vmstat，iostat，netstat…），針對單個進程，可以使用pidstat來分析。

在本文中，主要討論的是CPU相關的性能問題。按照80/20定律，絕大多數的時間都耗費在少量的程式碼片段裡面，找出這些程式碼唯一可靠的辦法就是profile，我所知的程式語言，都有相關的profile工具，熟練使用這些profile工具是性能優化的第一步。

忌過早優化

The real problem is that programmers have spent far too much time worrying about efficiency in the wrong places and at the wrong times; premature optimization is the root of all evil (or at least most of it) in programming.

我並不十分清楚Donald Knuth說出這句名言的上下文環境，但我自己是十分認同這個觀念的。在我的工作環境（以及典型的互聯網應用開發）與編程模式下，追求的是快速的迭代與試錯，過早的優化往往是無用功。而且，過早的優化很容易拍腦袋，優化的點往往不是真正的性能瓶頸。

忌過度優化

As performance is part of the specification of a program – a program that is unusably slow is not fit for purpose

性能優化的目標是追求合適的性價比。

在不同的階段，我們對系統的性能會有一定的要求，比如吞吐量要達到多少多少。如果達不到這個指標，就需要去優化。如果能滿足預期，那麼就無需花費時間精力去優化，比如只有幾十個人使用的內部系統，就不用按照十萬在線的目標去優化。

而且，後面也會提到，一些優化方法是「有損」的，可能會對程式碼的可讀性、可維護性有副作用。這個時候，就更不能過度優化。

深入理解業務

程式碼是服務於業務的，也許是服務於最終用戶，也許是服務於其他程式設計師。不了解業務，很難理解系統的流程，很難找出系統設計的不足之處。後面還會提及對業務理解的重要性。

性能優化是持久戰

當核心業務方向明確之後，就應該開始關注性能問題，當項目上線之後，更應該持續的進行性能檢測與優化。

現在的互聯網產品，不再是一鎚子買賣，在上線之後還需要持續的開發，用戶的湧入也會帶來性能問題。因此需要自動化的檢測性能問題，保持穩定的測試環境，持續的發現並解決性能問題，而不是被動地等到用戶的投訴。

選擇合適的衡量指標、測試用例、測試環境

正因為性能優化是一個長期的行為，所以需要固定衡量指標、測試用例、測試環境，這樣才能客觀反映性能的實際情況，也能展現出優化的效果。

衡量性能有很多指標，比如系統響應時間、系統吞吐量、系統並發量。不同的系統核心指標是不一樣的，首先要明確本系統的核心性能訴求，固定測試用例；其次也要兼顧其他指標，不能顧此失彼。

測試環境也很重要，有一次突然發現我們的QPS高了許多，但是程式壓根兒沒優化，查了半天，才發現是換了一個更牛逼的物理機做測試伺服器。

性能優化的層次

按照我的理解可以分為需求階段，設計階段，實現階段；越上層的階段優化效果越明顯，同時也更需要對業務、需求的深入理解。

需求階段

不戰而屈人之兵，善之善者也

程式設計師的需求可能來自PM、UI的業務需求（或者說是功能性需求），也可能來自Team Leader的需求。當我們拿到一個需求的時候，首先需要的是思考、討論需求的合理性，而不是立刻去設計、去編碼。

需求是為了解決某個問題，問題是本質，需求是解決問題的手段。那麼需求是否能否真正的解決問題，程式設計師也得自己去思考，在之前的文章也提到過，產品經理（特別是知道一點技術的產品經理）的某個需求可能只是某個問題的解決方案，他認為這個方法可以解決他的問題，於是把解決方案當成了需求，而不是真正的問題。

需求討論的前提對業務的深入了解，如果不了解業務，根本沒法討論。即使需求已經實現了，當我們發現有性能問題的時候，首先也可以從需求出發。

需求分析對性能優化有什麼幫助呢，第一，為了達到同樣的目的，解決同樣問題，也許可以有性能更優（消耗更小）的辦法。這種優化是無損的，即不改變需求本質的同時，又能達到性能優化的效果；第二種情況，有損的優化，即在不明顯影響用戶的體驗，稍微修改需求、放寬條件，就能大大解決性能問題。PM退步一小步，程式前進一大步。

需求討論也有助於設計時更具擴展性，應對未來的需求變化，這裡按下不表。

設計階段

高手都是花80%時間思考，20%時間實現；新手寫起程式碼來很快，但後面是無窮無盡的修bug

設計的概念很寬泛，包括架構設計、技術選型、介面設計等等。架構設計約束了系統的擴展、技術選型決定了程式碼實現。程式語言、框架都是工具，不同的系統、業務需要選擇適當的工具集。如果設計的時候做的不夠好，那麼後面就很難優化，甚至需要推到重來。

實現階段

實現是把功能翻譯成程式碼的過程，這個層面的優化，主要是針對一個調用流程，一個函數，一段程式碼的優化。各種profile工具也主要是在這個階段生效。除了靜態的程式碼的優化，還有編譯時優化，運行時優化。後二者要求就很高了，程式設計師可控性較弱。

程式碼層面，造成性能瓶頸的原因通常是高頻調用的函數、或者單次消耗非常高的函數、或者二者的結合。

下面介紹針對設計階段與實現階段的優化手段。

一般性方法

快取

沒有什麼性能問題是快取解決不了的，如果有，那就再加一級快取

a cache /kæʃ/ KASH,[1] is a hardware or software component that stores data so future requests for that data can be served faster; the data stored in a cache might be the result of an earlier computation, or the duplicate of data stored elsewhere.

快取的本質是加速訪問，訪問的數據要麼是其他數據的副本 — 讓數據離用戶更近；要麼是之前的計算結果 — 避免重複計算.

快取需要用空間換時間，在快取空間有限的情況下，需要優秀的置換換算來保證快取有較高的命中率。

數據的快取

這是我們最常見的快取形式，將數據快取在離使用者更近的地方。比如作業系統中的CPU cache、disk cache。對於一個web應用，前端會有瀏覽器快取，有CDN，有反向代理提供的靜態內容快取；後端則有本地快取、分散式快取。

數據的快取，很多時候是設計層面的考慮。

對於數據快取，需要考慮的是快取一致性問題。對於分散式系統中有強一致性要求的場景，可行的解決辦法有lease，版本號。

計算結果的快取

對於消耗較大的計算，可以將計算結果快取起來，下次直接使用。

我們知道，對遞歸程式碼的一個有效優化手段就是快取中間結果，lookup table，避免了重複計算。python中的method cache就是這種思想。

對於可能重複創建、銷毀，且創建銷毀代價很大的對象，比如進程、執行緒，也可以快取，對應的快取形式如單例、資源池（連接池、執行緒池）。

對於計算結果的快取，也需要考慮快取失效的情況，對於pure function，固定的輸入有固定的輸出，快取是不會失效的。但如果計算受到中間狀態、環境變數的影響，那麼快取的結果就可能失效，比如這篇文章講到的：

http://www.cnblogs.com/xybaby/p/8403461.html#_label_6

並發

一個人干不完的活，那就找兩個人干。並發既增加了系統的吞吐，又減少了用戶的平均等待時間。

這裡的並發是指廣義的並發，粒度包括多機器（集群）、多進程、多執行緒。

對於無狀態（狀態是指需要維護的上下文環境，用戶請求依賴於這些上下文環境）的服務，採用集群就能很好的伸縮，增加系統的吞吐，比如掛載nginx之後的web server

對於有狀態的服務，也有兩種形式，每個節點提供同樣的數據，如mysql的讀寫分離；每個節點只提供部分數據，如mongodb中的sharding

分散式存儲系統中，partition（sharding）和replication（backup）都有助於並發。

絕大多數web server，要麼使用多進程，要麼使用多執行緒來處理用戶的請求，以充分利用多核CPU，再有IO阻塞的地方，也是適合使用多執行緒的。比較新的協程（Python greenle、goroutine）也是一種並發。

惰性

將計算推遲到必需的時刻，這樣很可能避免了多餘的計算，甚至根本不用計算，參見：

http://www.cnblogs.com/xybaby/p/6425735.html

CopyOnWrite這個思想真牛逼！

批量，合併

在有IO（網路IO，磁碟IO）的時候，合併操作、批量操作往往能提升吞吐，提高性能。

我們最常見的是批量讀：每次讀取數據的時候多讀取一些，以備不時之需。如GFS client會從GFS master多讀取一些chunk資訊；如分散式系統中，如果集中式節點複雜全局ID生成，俺么應用就可以一次請求一批id。

特別是系統中有單點存在的時候，快取和批量本質上來說減少了與單點的交互，是減輕單點壓力的經濟有效的方法

在前端開發中，經常會有資源的壓縮和合併，也是這種思想。

當涉及到網路請求的時候，網路傳輸的時間可能遠大於請求的處理時間，因此合併網路請求就很有必要，比如mognodb的bulk operation，redis 的pipeline。寫文件的時候也可以批量寫，以減少IO開銷，GFS中就是這麼乾的

更高效的實現

同一個演算法，肯定會有不同的實現，那麼就會有不同的性能；有的實現可能是時間換空間，有的實現可能是空間換時間，那麼就需要根據自己的實際情況權衡。

程式設計師都喜歡造輪子，用於練手無可厚非，但在項目中，使用成熟的、經過驗證的輪子往往比自己造的輪子性能更好。當然不管使用別人的輪子，還是自己的工具，當出現性能的問題的時候，要麼優化它，要麼替換掉他。

比如，我們有一個場景，有大量複雜的嵌套對象的序列化、反序列化，開始的時候是使用python（Cpython）自帶的json模組，即使發現有性能問題也沒法優化，網上一查，替換成了ujson，性能好了不少。

上面這個例子是無損的，但一些更高效的實現也可能是有損的，比如對於python，如果發現性能有問題，那麼很可能會考慮C擴展，但也會帶來維護性與靈活性的喪失，面臨crash的風險。

縮小解空間

縮小解空間的意思是說，在一個更小的數據範圍內進行計算，而不是遍歷全部數據。最常見的就是索引，通過索引，能夠很快定位數據，對資料庫的優化絕大多數時候都是對索引的優化。

如果有本地快取，那麼使用索引也會大大加快訪問速度。不過，索引比較適合讀多寫少的情況，畢竟索引的構建也是需有消耗的。

另外在遊戲服務端，使用的分線和AOI（格子演算法）也都是縮小解空間的方法。

性能優化與程式碼品質

很多時候，好的程式碼也是高效的程式碼，各種語言都會有一本類似的書《effective xx》。比如對於python，pythonic的程式碼通常效率都不錯，如使用迭代器而不是列表（python2.7 dict的iteritems(), 而不是items())。

衡量程式碼品質的標準是可讀性、可維護性、可擴展性，但性能優化有可能會違背這些特性，比如為了屏蔽實現細節與使用方式，我們會可能會加入介面層（虛擬層），這樣可讀性、可維護性、可擴展性會好很多，但是額外增加了一層函數調用，如果這個地方調用頻繁，那麼也是一筆開銷；又如前面提到的C擴展，也是會降低可維護性、

這種有損程式碼品質的優化，應該放到最後，不得已而為之，同時寫清楚注釋與文檔。

為了追求可擴展性，我們經常會引入一些設計模式，如狀態模式、策略模式、模板方法、裝飾器模式等，但這些模式不一定是性能友好的。所以，為了性能，我們可能寫出一些反模式的、訂製化的、不那麼優雅的程式碼，這些程式碼其實是脆弱的，需求的一點點變動，對程式碼邏輯可能有至關重要的影響，所以還是回到前面所說，不要過早優化，不要過度優化。

總結

來張腦圖總結一下