机组学习笔记之——性能与功耗分析

先上一张计算机组成原理的总结图。

思维导图连接

概述

作为一名开发狗，经常拷问自己的灵魂三问？

• 这个程序有哪里可以优化的吗？
• 这次访问的时间有点长呐
• 这次查询的速度有点慢呀

我们经常说的这些“优化”，执行时间长，查询速度慢都是和计算机性能相关的名词，如何用量化的指标进行表述出来，以及提升性能从哪些方面入手呢？希望通过我的学习和思考给你一些启发；

性能指标

• 响应时间
  直观来说是由客户端发送请求，到结果返回所消耗的时间。即程序的执行时间，降低响应时间意味着计算机运算的更快。

• 吞吐率
  吞吐率是指一定时间范围内所能处理的事情(计算机处理的数据和指令)。缩短程序的响应时间，让程序执行的更快，一般情况下能够提升吞吐率。

影响性能的因素

我们可以通过一个简单的公式来表示性能；
性能 = $\frac{1}{时间}$，这里我们单纯使用时间还会存在两个问题，我们看下面这个指令结果：

• 1 时间会不准，程序运行的时间=user用户态时间+sys内核态时间+程序切换的时间
• 2 不同的硬件，主频会影响指令周期。即使相同的电脑也会存在降频的因素

$ time seq 1000000 | wc -l
1000000


real  0m0.101s
user  0m0.031s
sys   0m0.016s

我们总结出：程序CPU的执行时间=指令数* CPI * 时钟周期时间，我们在考虑优化的时候应该从这个三个方向进行出发；

• 指令数：代码由编译器转换为指令，针对不同的硬件会有不同的表达方式
• 每条指令的平均时钟周期 Cycle Per instruction CPI：通过“流水线”，“冒险预测”等方式尽可能的降低CPU Cycle
• 时钟周期时间：不断的提升电脑主频，降低时钟周期时间

功耗：性能提升的拦路虎

我们上面讲到提升的性能的三个点，我们这里重点说下“时钟周期时间”(因为只有这块学习的深入些【笑哭】)。简单来说就是如何能让我们的CPU能够算的更快些，一方面我们想CPU中加入更多的晶体管，增加密度，另一方面是晶体管的打开和关闭能够更快一些，也就是提升主频。这两者都会面临的问题是耗电和散热。
直观来看，如果相同大小的CPU中堆积了更多的晶体管，晶体管散发的热量就会很大。通常我们会采取“风扇”，“水冷”等操作来降温。据说腾讯的服务器是放在山洞中，微软的是放在深海…

热量公式
功耗 $\approx$ $\frac{1}{2}$ ×负载电容×$电{压}^2$×开关频率×晶体管数量

我们单纯从“算的更快”这个角度已经有很大限制，转换思路我们从“搬的更多”来提升性能。增加计算机的核数，使程序并行计算已经成为当前比较流行的做法。如大数据分布式计算，AI中的矩阵计算；

综合以上的学习，对于性能的优化，我们学习了“摩尔定律”，“并行计算”之外，对于计算机组成原理的三大原则，进行添加解读：

• 1、加速大概率事件，例如“缓存”，“局部性原理”。将热点数据以及邻近数据加载到内存当中。还有人工智能中的“GPU”，针对大量的矩阵运算进行加速。再说到JVM编译过程中的“热点编译”。总结一句话：非均匀分布的时间处理，都可以采用该策略，都会有优化空间
• 2、流水线处理，由于CPU计算资源与存储资源的性能存在很大差异，流水线处理能够更有效的利用计算机资源。
• 3、预测与冒险，对我们的程序执行做出提前的预判，提高程序的性能。如在做数组循环时，直观的预测访问当前元素时会访问下一个元素。

参考文献：
极客时间：深入浅出计算机组成原理
计算机组成与设计[硬件与软件接口] 1.6与1.7
创作不易，喜欢的话记得收藏哦！持续更新…