C++优化系列之性能调优工具篇

大家好，我是程序喵，虽然假期都快过去了，有很多朋友问程序喵怎么没更文呢？是不是偷懒了！其实我这几天没闲着，一直在整理学习资料，昨晚终于完成了，估计这两天会跟大家见面。

好了，我们CPP优化系列正式开始！今天的文章里，我会介绍一些常用的工具，帮助大家找到代码的“坏味道”（潜在的坑），进而提升代码质量。

那到底什么样的代码才算是高质量代码呢？

 

对此我整理了一份脑图：

如何能够提升代码质量呢，除了我们自身过硬的编码能力，还需要制定代码检查流程，一般代码检查有以下几种方式：

代码检查要检查的问题有：

脑图中有一些代码度量指标，它用于量化代码质量：

如果代码的圈复杂度或认知复杂度过大，可能函数本身实现的过于复杂，或可能因为架构设计过于复杂，导致函数过于复杂。

如果函数嵌套过深，说明函数很可能出错，需要仔细进⾏⼈⼯评审，并且函数可能需要重构。

如果模块的扇入过大，说明模块可能是公共模块，需要⼈⼯评审接⼝是否是稳定的，或模块承担过多职责，可以考虑遵循单⼀职责，分解模块的职责。

如果模块的扇出过大，说明该模块依赖多个模块，可以考虑把被依赖的多个模块合并为⼀个模块，重构依赖的接⼝。

如果类的继承树过深，考虑在继承树的深度上是否有新的变化⽅向，考虑提出新的策略类，或其他设计模式来优化继承树。

如果子类过多，检查⼦类的实现中共同的地⽅，先考虑提出公共的中间⼦类，检查是否可以通过桥接模式、装饰模式、组合模式等结构型模式重构代码。

 

上面脑图所说的需要检查的各种问题中，代码和需求背离问题与代码是否符合设计问题需要人工评审，成本较高，其它问题可以通过工具来检测。

 

检测工具主要分为静态代码分析工具和动态代码检测工具。

 

静态代码分析工具主要用于静态代码分析，关于静态代码分析，它能够根据规则帮助检查代码缺陷，然而，对于检查规则能够覆盖的代码，工具能够工作的挺好，但对于规则没有覆盖的代码，它却无能为力，而且可能存在误报问题。

 

静态代码分析是保证代码质量的重要手段，据说软件开发中大概30%-70%的代码逻辑设计和编码缺陷都可以通过静态代码分析来发现和修复。它会扫描程序代码，找出代码中隐藏的错误，如参数不匹配、有歧义的嵌套语句、错误的递归、非法计算、空指针问题、越界问题、未初始化问题、内存泄漏问题等。

 

静态代码分析工具的优势有：

1. 自动执行静态代码分析，快速定位代码隐藏错误和缺陷

2. 帮助代码设计人员更专注于分析和解决代码设计缺陷

3. 减少在代码人工检查上花费的时间，提高软件可靠性并节省开发成本

 

举例如下：

代码规范检查：由于拷贝粘贴造成两个分支的代码完全相同

void func(int in, int &out) {
    if (in > 1) out++;
    else out++;
    out++;
}

代码缺陷检查：没有用的RAII

void func() {
    std::lock_guard<std::mutex>(lk); // 临时对象，语句结束后执行析构，误用的加锁
    ...
}

下面是一些常见的静态代码分析工具：

这里推荐一个常用的代码质量管理平台SonarCube，SonarQube是一个管理代码质量的平台（社区版免费），用于管理代码的质量，它会从多个角度维护检测代码质量，通过插件形式支持多种语言的代码质量管理和检测。它可以安装sonar-cxx插件，内置了一系列C/C++代码检查工具，还可以应用在CI/CD流程中，和Jenkins打通，可以在提交代码后检查代码是否有坏味道，不符合规范的代码就拒绝被合入master。

 

还有一个很好用的静态代码检测工具是Facebook的infer，它最大的优势是可以静态检测代码内隐藏的内存泄漏问题，而且免费支持Android、C、OC语言。

 

静态代码分析工具可以在运行前帮助我们检测缺陷，只有30%-70%，但不是所有缺陷，很多缺陷需要在运行时才会被发现。

 

其实我们还可以使用一些动态分析工具，通过动态分析工具可以准确定位问题，而且误报率低，但这与测试用例强绑定，查找缺陷的比例与测试用例的覆盖率有关，覆盖率对于衡量代码质量有很大意义。

 

代码覆盖率的意义：

● 帮助我们找到未覆盖部分的代码，分析测试用例设计的是否充分，之后视情况决定是否可以补充测试用例。

● 检测出代码的坏味道，提示我们修改代码，理清代码逻辑关系，提升代码质量。

● 代码覆盖率高不能代表代码质量一定好，但代码覆盖率低，代码质量估计不会高到哪去，可以作为我们衡量代码质量的重要手段之一。

● 对于没有覆盖到的错误，动态分析工具也无能为力。在实际工作中，我们可以动静结合，多种检查手段全都用上，可以更有效的提升代码质量。

 

动态分析工具可以在程序运行时发现代码的缺陷，例如内存问题、数据竞争、未定义行为等。

 

常用工具有GCC&Clang的Santizer系列：

● Asan-Address Sanitizer：缓存区溢出，内存泄漏

● Tsan-Thread Sanitizer：并发问题

● Msan-Memory Sanitizer：未初始化内存

● Ubsan-Undefined Behavior Sanitizer：未定义行为

● 编译选项添加fsanitize=address/memory/thread/undefined

 

还有Valgrind工具：

● memchek：内存问题，包括Asan和Msan

● helgrind：线程和并发问题

● cachegrind、callgrind、massif：帮助进行性能优化

 

使用各种工具与单元测试、功能测试、系统测试结合，提高覆盖率，可以帮助我们发现更多缺陷。

前面的多数都是代码分析工具，下面介绍一些性能分析工具，关于性能分析工具Brendan Gregg大佬的网站介绍的很详细，这里贴出来一张他总结的工具图：

这张图从Linux内核的各个子系统出发，汇总了对各个子系统进行性能分析时可以选择的工具。其实还有一些好用的工具，图里没有提到，这里重点介绍一下：

gprof：gprof是GNU工具之一，编译的时候，它在每个函数的出入口加入了profiling的代码，运行时统计程序在用户态的执行信息，可以得到每个函数的调用次数，执行时间，调用关系等信息，简单易懂。适合于查找用户级程序的性能瓶颈，然而对于很多耗时在内核态执行的程序，gprof不适合。

Oprofile：Oprofile也是一个开源的profiling工具，它使用硬件调试寄存器来统计信息，进行profiling的开销比较小，而且可以对内核进行profiling。它统计的信息非常多，可以得到cache的缺失率，memory的访存信息，分支预测错误率等等，这些信息gprof得不到，但是对于函数调用次数，它无能为力。

简单来说，gprof简单，适合于查找用户级程序的瓶颈，而Oprofile稍微有点复杂，但是得到的信息更多，更适合调试系统软件。

gperftools：Google出品，值得信赖，提供整个程序的热点分布图，找到性能瓶颈，然后可以针对性的进行性能优化，如图：

我们平时编程过程中可能很多时候都会使用某些时间API来计算函数耗时，使用方式可以看我的这篇文章：《详细介绍下C/C++时间相关的那些函数》

那使用什么API效率更高呢，可以看下图：

图中的rdtsc使用较繁琐而且不适用于所有平台和编译器，剩下的大家可以按需使用哈。

关于性能分析工具，程序喵整理了一份非常详细的脑图（精华全在脑图里），以性能指标分类，不同指标使用什么工具进行分析，都在图里，目录如下：

参考资料

https://stackoverflow.com/questions/375913/how-can-i-profile-c-code-running-on-linux

https://zh.wikipedia.org/wiki/%E6%80%A7%E8%83%BD%E5%88%86%E6%9E%90

https://www.cnblogs.com/bangerlee/archive/2012/08/30/2659435.html

http://www.brendangregg.com/linuxperf.html

https://www.cnblogs.com/youxin/p/7988479.html

https://www.agner.org/optimize/

https://zhuanlan.zhihu.com/p/141694060

https://www.wyyuan.com/2018/11/06/%E8%AE%A4%E7%9F%A5%E5%A4%8D%E6%9D%82%E5%BA%A6/

http://bitjoy.net/2017/02/07/introduction-to-performance-analysis-tools-in-linux/