C++ boost:：flat_-map及其与map和无序_-map的性能比较

编程中的常识是，由于缓存命中，内存局部性大大提高了性能。我最近发现了关于

boost:：flat_map

，这是一种基于向量的map实现。它似乎不像典型的

map

/

unordered\u map

那样受欢迎，因此我无法找到任何性能比较。它是如何比较的，最好的用例是什么

---

谢谢

从文档来看，这似乎类似于我大量使用的

Loki:：AssocVector

。因为它是基于向量的，所以它具有向量的特性，也就是说：

• 每当

  大小

  超过

  容量

  时，迭代器就会失效
• 当超过

  容量时

  需要重新分配和移动对象，即插入时间不保证恒定，除非在

  结束时插入
  容量>大小

• 由于缓存位置，查找比

  std:：map

  快，这是一种二进制搜索，与

  std:：map

  具有相同的性能特征
• 使用更少的内存，因为它不是链接的二叉树
• 它永远不会收缩，除非你强迫它收缩（因为这会触发重新分配）

---

最好的用法是当您提前知道元素的数量时（这样您可以预先保留），或者当插入/删除很少但查找频繁时。迭代器失效使它在某些用例中有点麻烦，因此它们在程序正确性方面不可互换。

我最近在我的公司在不同的数据结构上运行了一个基准测试，所以我觉得我需要说一句话。正确地对某个事物进行基准测试是非常复杂的

标杆管理 在网络上，我们很少能找到（如果有的话）设计良好的基准。直到今天，我才发现基准测试是以记者的方式完成的（相当快，并且覆盖了几十个变量）

<强> 1）< /强>你需要考虑缓存升温< /P> 大多数人运行标杆是害怕计时器差异，因此他们运行他们的东西数以千计的时间，并采取了全部时间，他们只是小心采取相同的数千次，每次操作，然后认为可比。 事实是，在现实世界中，这没有什么意义，因为您的缓存将不热，并且您的操作可能只被调用一次。因此，您需要使用RDTSC进行基准测试，并且时间工具只调用它们一次。 英特尔写了一篇关于如何使用RDTSC的论文（使用cpuid指令刷新管道，并在程序开始时至少调用3次以稳定管道）

2）RDTSC精度测量

我还建议这样做：

u64 g_correctionFactor;  // number of clocks to offset after each measurement to remove the overhead of the measurer itself.
u64 g_accuracy;

static u64 const errormeasure = ~((u64)0);

#ifdef _MSC_VER
#pragma intrinsic(__rdtsc)
inline u64 GetRDTSC()
{
    int a[4];
    __cpuid(a, 0x80000000);  // flush OOO instruction pipeline
    return __rdtsc();
}

inline void WarmupRDTSC()
{
    int a[4];
    __cpuid(a, 0x80000000);  // warmup cpuid.
    __cpuid(a, 0x80000000);
    __cpuid(a, 0x80000000);

    // measure the measurer overhead with the measurer (crazy he..)
    u64 minDiff = LLONG_MAX;
    u64 maxDiff = 0;   // this is going to help calculate our PRECISION ERROR MARGIN
    for (int i = 0; i < 80; ++i)
    {
        u64 tick1 = GetRDTSC();
        u64 tick2 = GetRDTSC();
        minDiff = std::min(minDiff, tick2 - tick1);   // make many takes, take the smallest that ever come.
        maxDiff = std::max(maxDiff, tick2 - tick1);
    }
    g_correctionFactor = minDiff;

    printf("Correction factor %llu clocks\n", g_correctionFactor);

    g_accuracy = maxDiff - minDiff;
    printf("Measurement Accuracy (in clocks) : %llu\n", g_accuracy);
}
#endif

插入

编辑：

我以前的结果包括一个bug：他们实际上测试了有序插入，这显示了平面贴图的快速行为。
我稍后将这些结果留在本页，因为它们很有趣。
这是正确的测试：

我已经检查了实现，这里的平面图中没有延迟排序。每个插入都会动态排序，因此该基准显示出渐进趋势：

映射：O（N*log（N））
哈希映射：O（N）
向量和平面图：O（N*N）

警告：此后对

std:：map

和

flat\u map

的两项测试都是错误的，并且实际测试了有序插入（与其他容器的随机插入相比。是的，很困惑，抱歉）：

我们可以看到，有序插入会导致向后推，而且速度非常快。然而，从我的基准测试的非图表结果来看，我也可以说，这并不接近反向插入的绝对最优。在10k元素时，在预保留向量上获得了完美的后插入最优。这给了我们3百万个周期；我们在这里观察到4.8米的有序插入到

平面图中（因此是最佳插入的160%）


分析：请记住，这是向量的“随机插入”，因此10亿个大循环来自于每次插入时必须向上移动一半（平均）数据（一个元素对一个元素）

随机搜索3个元素（时钟重新规范化为1）

尺寸=100


尺寸=10000


迭代

尺寸超过100（仅适用于MediumPod类型）


尺寸超过10000（仅适用于MediumPod类型）


最后一粒盐

最后，我想回到“基准测试§3 Pt1”（系统分配器）。在最近的一次关于性能的实验中，我在一些
std:：unordered_map
用例（）上测量到Windows 7和Windows 8之间的性能差距超过3000%。

这让我想提醒读者上述结果（它们是在Win7上产生的）：您的里程可能会有所不同

致以最良好的祝愿
哦，那样的话，这是有道理的。Vector的固定摊销时间保证仅在末尾插入时适用。在随机位置插入时，每次插入的平均值应为O（n），因为插入点之后的所有内容都必须向前移动。因此，我们期望在基准测试中出现二次行为，即使对于小N，也会很快爆发。例如，AssocVector样式的实现可能会将排序推迟到需要查找时，而不是在每次插入后进行排序。很难说没有看到你的基准。@BillyONeal:啊，我们和同事一起检查了代码，发现了罪魁祸首，我的“随机”插入命令是因为我使用了std:：set来确保插入的键是唯一的。这是一个明显的愚蠢，但我通过随机洗牌修正了这一点，
typeid=__int64 .  sizeof=8 . ispod=yes
typeid=struct MediumTypePod .  sizeof=184 . ispod=yes