-
一般性原則
-
性能優化的層次
-
一般性方法
-
緩存
-
併發
-
惰性
-
批量，合併
-
更高效的實現
-
縮小解空間
-
-
性能優化與代碼質量
-
總結
作爲一個程序員，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佈式系統。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。
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來分析出哪裏有問題，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，有可能是內存，有可能是IO（磁盤IO，網絡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代碼片段裏面，找出這些代碼唯一可靠的辦法就是profile，我所知的編程語言，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，可能會對代碼的可讀性、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
代碼是服務於業務的，也許是服務於最終用戶，也許是服務於其他程序員。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。
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，不再是一錘子買賣，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
正因爲性能優化是一個長期的行爲，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，但是程序壓根兒沒優化，查了半天，才發現是換了一個更牛逼的物理機做測試服務器。
性能優化的層次
按照我的理解可以分爲需求階段，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
程序員的需求可能來自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。
需求是爲了解決某個問題，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，程序員也得自己去思考，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，他認爲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，爲了達到同樣的目的，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，程序前進一大步。
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，這裏按下不表。
設計階段
高手都是花80%時間思考，20%時間實現；新手寫起代碼來很快，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、接口設計等等。架構設計約束了系統的擴展、技術選型決定了代碼實現。編程語言、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代碼的過程，這個層面的優化，主要是針對一個調用流程，一個函數，一段代碼的優化。各種profile工具也主要是在這個階段生效。除了靜態的代碼的優化，還有編譯時優化，運行時優化。後二者要求就很高了，程序員可控性較弱。
代碼層面，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
緩存
沒有什麼性能問題是緩存解決不了的，如果有，那就再加一級緩存
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.
緩存的本質是加速訪問，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.
緩存需要用空間換時間，在緩存空間有限的情況下，需要優秀的置換換算來保證緩存有較高的命中率。
數據的緩存
這是我們最常見的緩存形式，將數據緩存在離使用者更近的地方。比如操作系統中的CPU cache、disk cache。對於一個web應用，前端會有瀏覽器緩存，有CDN，有反向代理提供的靜態內容緩存；後端則有本地緩存、分佈式緩存。
數據的緩存，很多時候是設計層面的考慮。
對於數據緩存，需要考慮的是緩存一致性問題。對於分佈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。
計算結果的緩存
對於消耗較大的計算，可以將計算結果緩存起來，下次直接使用。
我們知道，對遞歸代碼的一個有效優化手段就是緩存中間結果，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、銷燬，且創建銷燬代價很大的對象，比如進程、線程，也可以緩存，對應的緩存形式如單例、資源池（連接池、線程池）。
對於計算結果的緩存，也需要考慮緩存失效的情況，對於pure function，固定的輸入有固定的輸出，緩存是不會失效的。但如果計算受到中間狀態、環境變量的影響，那麼緩存的結果就可能失效，比如這篇文章講到的：
http://www.cnblogs.com/xybaby/p/8403461.html#_label_6
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，又減少了用戶的平均等待時間。
這裏的併發是指廣義的併發，粒度包括多機器（集羣）、多進程、多線程。
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，採用集羣就能很好的伸縮，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
分佈式存儲系統中，partition（sharding）和replication（backup）都有助於併發。
絕大多數web server，要麼使用多進程，要麼使用多線程來處理用戶的請求，以充分利用多核CPU，再有IO阻塞的地方，也是適合使用多線程的。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，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（網絡IO，磁盤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信息；如分佈式系統中，如果集中式節點複雜全局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，緩存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並，也是這種思想。
當涉及到網絡請求的時候，網絡傳輸的時間可能遠大於請求的處理時間，因此合併網絡請求就很有必要，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中就是這麼幹的
更高效的實現
同一個算法，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。
程序員都喜歡造輪子，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模塊，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，對數據庫的優化絕大多數時候都是對索引的優化。
如果有本地緩存，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（格子算法）也都是縮小解空間的方法。
性能優化與代碼質量
很多時候，好的代碼也是高效的代碼，各種語言都會有一本類似的書《effective xx》。比如對於python，pythonic的代碼通常效率都不錯，如使用迭代器而不是列表（python2.7 dict的iteritems(), 而不是items())。
衡量代碼質量的標準是可讀性、可維護性、可擴展性，但性能優化有可能會違背這些特性，比如爲了屏蔽實現細節與使用方式，我們會可能會加入接口層（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、
這種有損代碼質量的優化，應該放到最後，不得已而爲之，同時寫清楚註釋與文檔。
爲了追求可擴展性，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，爲了性能，我們可能寫出一些反模式的、定製化的、不那麼優雅的代碼，這些代碼其實是脆弱的，需求的一點點變動，對代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
