CPU性能优化：调度策略、缓存优化、指令级并行与多核负载均衡
CPU性能优化这块，说实话，是系统优化里最硬核的部分。我这些年调过不少系统，从嵌入式设备到大型服务器，CPU这块要是没弄明白，其他优化做得再好也是白搭。今天咱们就聊聊CPU优化的四个核心方向：调度策略、缓存优化、指令级并行、多核负载均衡。
一、CPU调度策略：别让CPU闲着
CPU调度说白了就是操作系统决定「下一个该谁用CPU」。你想想看，如果调度策略选错了，再好的硬件也白费。
1.1 常见调度策略对比
| 调度策略 | 适用场景 | 特点 |
|---|---|---|
| CFS（完全公平调度） | 通用服务器 | 公平分配，延迟敏感 |
| 实时调度（FIFO/RR） | 音视频处理 | 优先级固定，响应快 |
| BFS/MuQSS | 桌面交互 | 低延迟优先 |
我个人习惯在数据库服务器上用CFS，但在音视频处理场景，我会切到实时调度。为什么？因为数据库需要公平，而音视频需要确定性。
核心原则：调度策略的选择取决于你的业务对「延迟」和「吞吐」的权衡。
1.2 调度参数调优
嗯，这里要注意几个关键参数：
- nice值：调整进程优先级，范围-20到19。数值越小优先级越高。
- sched_latency_ns：调度延迟，默认6ms。交互式应用可以调小。
- min_granularity_ns：最小调度粒度，默认0.75ms。太大会导致响应慢。
# 查看当前调度策略
chrt -p 1234
# 设置为实时FIFO调度，优先级50
chrt -f -p 50 1234
# 调整CFS调度延迟（需要root）
echo 3000000 > /proc/sys/kernel/sched_latency_ns
小技巧：我曾经在视频转码服务上把sched_latency_ns从6ms调到3ms，转码延迟直接降了40%。但注意别调太小，否则上下文切换开销会飙升。
二、缓存优化：让数据离CPU更近
CPU缓存这玩意儿，说白了就是「快但小」的存储。我见过太多人写代码时完全不管缓存，结果性能惨不忍睹。
2.1 缓存层级与访问延迟
| 缓存层级 | 大小 | 延迟（CPU周期） |
|---|---|---|
| L1 | 32KB | 3-4 |
| L2 | 256KB | 10-12 |
| L3 | 8-32MB | 30-40 |
| 主存 | GB级 | 100+ |
你想想看，L1缓存访问只要3个周期，主存要100多个周期。这差距有多大？30倍以上！所以优化缓存，就是让热点数据尽量留在L1/L2里。
2.2 缓存友好的代码写法
我在项目中遇到过这样一个案例：一个矩阵乘法程序，原本跑得很慢。我一看代码，发现是按列遍历的，这完全违背了缓存局部性原理。
// 缓存不友好：按列遍历
for (int j = 0; j < N; j++) {
for (int i = 0; i < M; i++) {
sum += matrix[i][j]; // 每次跳行访问
}
}
// 缓存友好：按行遍历
for (int i = 0; i < M; i++) {
for (int j = 0; j < N; j++) {
sum += matrix[i][j]; // 连续内存访问
}
}
关键点：尽量保证数据访问是连续的，利用好空间局部性。数组遍历永远按行优先，结构体字段按访问频率排列。
2.3 缓存行对齐与伪共享
伪共享是个坑。我曾经调试一个多线程程序，性能死活上不去，最后发现是两个线程在修改同一个缓存行里的不同变量。
// 伪共享问题
struct Data {
int a; // 线程1修改
int b; // 线程2修改
};
// 解决方案：缓存行对齐
struct Data {
int a;
char padding[60]; // 填充到64字节
int b;
};
注意：现代CPU缓存行一般是64字节。多线程访问不同变量时，如果它们落在同一个缓存行里，就会产生伪共享，性能可能下降10倍以上。
三、指令级并行：让CPU一次干更多活
指令级并行（ILP）是现代CPU的看家本领。说白了，就是CPU可以在一个时钟周期内执行多条指令。但前提是——指令之间没有依赖关系。
3.1 流水线与超标量
现代CPU都有多条流水线，可以同时执行多条指令。但如果有数据依赖，流水线就会停顿。
// 有数据依赖，无法并行
a = b + c;
d = a + e; // 必须等a计算完
// 无数据依赖，可以并行
a = b + c;
d = e + f; // 和上一行没有依赖关系
我建议在写循环时，尽量让每次迭代之间没有数据依赖。比如循环展开：
// 原始循环
for (int i = 0; i < N; i++) {
sum += array[i];
}
// 循环展开，减少依赖
int sum1 = 0, sum2 = 0;
for (int i = 0; i < N; i += 2) {
sum1 += array[i];
sum2 += array[i+1];
}
sum = sum1 + sum2;
3.2 分支预测与乱序执行
分支预测失败是性能杀手。为什么？因为CPU会猜测分支走向，猜错了就得清空流水线，浪费十几个周期。
经验之谈：我曾经在排序算法里用分支预测友好的写法，性能提升了30%。核心思路是：把大概率发生的分支放在if条件里，小概率的放在else里。
// 分支预测友好：把大概率情况放前面
if (likely(data[i] > 0)) {
// 大部分数据都大于0
process_positive(data[i]);
} else {
process_non_positive(data[i]);
}
四、多核负载均衡：别让一个核累死
多核时代，负载均衡是个大问题。我见过太多系统，一个核跑满100%，其他核闲得发慌。
4.1 进程/线程绑定
把关键线程绑定到特定CPU核上，可以避免上下文切换带来的缓存失效。
// 将当前线程绑定到CPU 0和1
cpu_set_t cpuset;
CPU_ZERO(&cpuset);
CPU_SET(0, &cpuset);
CPU_SET(1, &cpuset);
pthread_setaffinity_np(pthread_self(), sizeof(cpu_set_t), &cpuset);
4.2 NUMA感知调度
在多路服务器上，NUMA架构会导致跨内存访问延迟很高。我建议：
- 本地分配：尽量让线程访问本地内存
- numactl工具：绑定内存和CPU节点
- 避免跨节点：跨节点访问延迟可能高2-3倍
# 绑定到CPU节点0，内存也分配在节点0
numactl --cpunodebind=0 --membind=0 ./myapp
核心思路：多核优化的本质是「减少竞争，增加局部性」。让每个核处理自己的数据，尽量减少核间通信。
4.3 负载均衡策略
我常用的几种策略：
- 静态分配：提前把任务分好，适合计算密集型
- 动态调度：用工作窃取算法，适合任务不均匀的场景
- 混合策略：先静态分配，再动态调整
避坑指南：我曾经在数据库连接池上用了简单的轮询分配，结果因为连接长短不一，导致负载严重不均。后来改成最小连接数策略，问题才解决。
知识体系总览
下面这张图是我自己整理的CPU性能优化知识体系，你可以对照着看：
CPU优化没有银弹，每个场景都得具体分析。但记住一点：先测量，再优化。别凭感觉改参数，用perf、火焰图这些工具先看看瓶颈在哪。我这些年踩过的坑，十有八九都是因为没做测量就瞎改。
好了，CPU性能优化这块就聊到这儿。记住我说的：调度策略选对，缓存命中率高，指令依赖少，核间负载均衡——这四个方向抓住了，你的系统性能不会差。
公众号:蓝海资料掘金营，微信deep3321