效能最佳化指南：效能最佳化的一般性原則與方法

【本文轉自部落格園 作者：xybaby 原文連結：https://www.cnblogs.com/xybaby/p/9055734.html】
作為一個程式設計師，效能最佳化是常有的事情，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：效能最佳化的一般性原則，效能最佳化的層次，效能最佳化的通用方法。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

　　依據資料而不是憑空猜測

　　這是效能最佳化的第一原則，當我們懷疑效能有問題的時候，應該透過測試、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。一個系統有了效能問題，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...)，針對單個程式，可以使用pidstat來分析。

　　在本文中，主要討論的是相關的效能問題。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工具是效能最佳化的第一步。

　　忌過早最佳化

　　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(以及典型的網際網路應用開發)與程式設計模式下，追求的是快速的迭代與試錯，過早的最佳化往往是無用功。而且，過早的最佳化很容易拍腦袋，最佳化的點往往不是真正的效能瓶頸。

　　忌過度最佳化

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

　　效能最佳化的目標是追求合適的價效比。

　　在不同的階段，我們對系統的效能會有一定的要求，比如吞吐量要達到多少多少。如果達不到這個指標，就需要去最佳化。如果能滿足預期，那麼就無需花費時間精力去最佳化，比如只有幾十個人使用的內部系統，就不用按照十萬線上的目標去最佳化。

　　而且，後面也會提到，一些最佳化方法是“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，就更不能過度最佳化。

　　深入理解業務

　　程式碼是服務於業務的，也許是服務於終端使用者，也許是服務於其他程式設計師。不瞭解業務，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。

　　效能最佳化是持久戰

　　當核心業務方向明確之後，就應該開始關注效能問題，當專案上線之後，更應該持續的進行效能檢測與最佳化。

　　現在的網際網路產品，不再是一錘子買賣，在上線之後還需要持續的開發，使用者的湧入也會帶來效能問題。因此需要自動化的檢測效能問題，保持穩定的測試環境，持續的發現並解決效能問題，而不是被動地等到使用者的投訴。

　　選擇合適的衡量指標、測試用例、測試環境

　　正因為效能最佳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，這樣才能客觀反映效能的實際情況，也能展現出最佳化的效果。

　　衡量效能有很多指標，比如系統響應時間、系統吞吐量、系統併發量。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效能訴求，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，但是程式壓根兒沒最佳化，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。

　　效能最佳化的層次

　　按照我的理解可以分為需求階段，設計階段，實現階段;越上層的階段最佳化效果越明顯，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瞭解，如果不瞭解業務，根本沒法討論。即使需求已經實現了，當我們發現有效能問題的時候，首先也可以從需求出發。

　　需求分析對效能最佳化有什麼幫助呢，第一，為了達到同樣的目的，解決同樣問題，也許可以有效能更優(消耗更小)的辦法。這種最佳化是無損的，即不改變需求本質的同時，又能達到效能最佳化的效果;第二種情況，有損的最佳化，即在不明顯影響使用者的體驗，稍微修改需求、放寬條件，就能大大解決效能問題。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充套件性，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充套件、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，那麼後面就很難最佳化，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，這個層面的最佳化，主要是針對一個呼叫流程，一個函式，一段程式碼的最佳化。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最佳化，還有編譯時最佳化，執行時最佳化。後二者要求就很高了，程式設計師可控性較弱。

　　程式碼層面，造成效能瓶頸的原因通常是高頻呼叫的函式、或者單次消耗非常高的函式、或者二者的結合。

　　下面介紹針對設計階段與實現階段的最佳化手段。

　　一般性方法

　　快取

　　沒有什麼效能問題是快取解決不了的，如果有，那就再加一級快取

　　a cache /k??/ 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，訪問的資料要麼是其他資料的副本 -- 讓資料離使用者更近;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。

　　資料的快取

　　這是我們最常見的快取形式，將資料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。

　　資料的快取，很多時候是設計層面的考慮。

　　對於資料快取，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，對遞迴程式碼的一個有效最佳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.

　　對於可能重複建立、銷燬，且建立銷燬代價很大的物件，比如程式、執行緒，也可以快取，對應的快取形式如單例、資源池(連線池、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，比如我在前面提到的python method cache

　　併發

　　一個人幹不完的活，那就找兩個人幹。併發既增加了系統的吞吐，又減少了使用者的平均等待時間。

　　這裡的併發是指廣義的併發，粒度包括多機器(叢集)、多程式、多執行緒。

　　對於無狀態(狀態是指需要維護的上下文環境，使用者請求依賴於這些上下文環境)的服務，採用叢集就能很好的伸縮，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資料，如mysql的讀寫分離;每個節點只提供部分資料，如mongodb中的sharding

　　分散式儲存系統中，partition(sharding)和replication(backup)都有助於併發。

　　絕大多數web server，要麼使用多程式，要麼使用多執行緒來處理使用者的請求，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)也是一種併發。

　　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，這個在之前的《lazy ideas in programming》一文中舉了許多例子。

　　CopyOnWrite這個思想真牛逼

　　批次，合併

　　在有IO(網路IO，磁碟IO)的時候，合併操作、批次操作往往能提升吞吐，提高效能。

　　我們最常見的是批次讀：每次讀取資料的時候多讀取一些，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域性ID生成，俺麼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，快取和批次本質上來說減少了與單點的互動，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並，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。寫檔案的時候也可以批次寫，以減少IO開銷，GFS中就是這麼幹的

　　更高效的實現

　　同一個演算法，肯定會有不同的實現，那麼就會有不同的效能;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。

　　程式設計師都喜歡早輪子，用於練手無可厚非，但在專案中，使用成熟的、經過驗證的輪子往往比自己造的輪子效能更好。當然不管使用別人的輪子，還是自己的工具，當出現效能的問題的時候，要麼最佳化它，要麼替換掉他。

　　比如，我們有一個場景，有大量複雜的巢狀物件的序列化、反序列化，開始的時候是使用python(Cpython)自帶的json模組，即使發現有效能問題也沒法最佳化，網上一查，替換成了ujson，效能好了不少。

　　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，如果發現效能有問題，那麼很可能會考慮C擴充套件，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，在一個更小的資料範圍內進行計算，而不是遍歷全部資料。最常見的就是索引，透過索引，能夠很快定位資料，對資料庫的最佳化絕大多數時候都是對索引的最佳化。

　　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。

　　效能最佳化與程式碼質量

　　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())。

　　衡量程式碼質量的標準是可讀性、可維護性、可擴充套件性，但效能最佳化有可能會違背這些特性，比如為了遮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、可擴充套件性會好很多，但是額外增加了一層函式呼叫，如果這個地方呼叫頻繁，那麼也是一筆開銷;又如前面提到的C擴充套件，也是會降低可維護性、

　　這種有損程式碼質量的最佳化，應該放到最後，不得已而為之，同時寫清楚註釋與文件。

　　為了追求可擴充套件性，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效能友好的。所以，為了效能，我們可能寫出一些反模式的、定製化的、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，不要過早最佳化，不要過度最佳化。

　　總結

　　來張腦圖總結一下

　　本文版權歸作者xybaby(博文地址：http://www.cnblogs.com/xybaby/)所有。