为什么函数在c++；文件会影响其性能 为什么C++文件中函数的位置会影响它的性能？具体来说，在下面给出的示例中，我们有两个相同的函数，它们具有不同、一致的性能配置文件。我们如何着手调查这一点，并确定性能为何如此不同

这个例子非常简单，因为我们有两个函数：a和b。每个都在一个紧密的循环中运行多次，并经过优化（

-O3-march=corei7 avx

）和计时。代码如下：

#include <cstdint>
#include <iostream>
#include <numeric>

#include <boost/timer/timer.hpp>

bool array[] = {true, false, true, false, false, true};

uint32_t __attribute__((noinline)) a() {
    asm("");
    return std::accumulate(std::begin(array), std::end(array), 0);
}

uint32_t __attribute__((noinline)) b() {
    asm("");
    return std::accumulate(std::begin(array), std::end(array), 0);
}

const size_t WARM_ITERS = 1ull << 10;
const size_t MAX_ITERS = 1ull << 30;

void test(const char* name, uint32_t (*fn)())
{
    std::cout << name << ": ";
    for (size_t i = 0; i < WARM_ITERS; i++) {
        fn();
        asm("");
    }
    boost::timer::auto_cpu_timer t;
    for (size_t i = 0; i < MAX_ITERS; i++) {
        fn();
        asm("");
    }
}

int main(int argc, char **argv)
{
    test("a", a);
    test("b", b);
    return 0;
}

如果我们颠倒两个测试（即调用

test（b）

，然后调用

test（a）

），a仍然比b慢：

[me@host:~/code/mystery] make && ./mystery 
g++-4.8 -c -g -O3 -Wall -Wno-unused-local-typedefs -std=c++11 -march=corei7-avx -I/usr/local/include/boost-1_54/ mystery.cpp -o mystery.o
g++-4.8  mystery.o -lboost_system-gcc48-1_54 -lboost_timer-gcc48-1_54 -o mystery
a:  7.412747s wall, 7.400000s user + 0.000000s system = 7.400000s CPU (99.8%)
b:  5.729706s wall, 5.740000s user + 0.000000s system = 5.740000s CPU (100.2%)

[me@host:~/code/mystery] make && ./mystery 
g++-4.8 -c -g -O3 -Wall -Wno-unused-local-typedefs -std=c++11 -march=corei7-avx -I/usr/local/include/boost-1_54/ mystery.cpp -o mystery.o
g++-4.8  mystery.o -lboost_system-gcc48-1_54 -lboost_timer-gcc48-1_54 -o mystery
b:  5.733968s wall, 5.730000s user + 0.000000s system = 5.730000s CPU (99.9%)
a:  7.414538s wall, 7.410000s user + 0.000000s system = 7.410000s CPU (99.9%)

如果我们现在将C++中的函数的位置颠倒过来（移动B的定义在A之上），结果会被反转，A会变得比B更快！p>

[me@host:~/code/mystery] make && ./mystery 
g++-4.8 -c -g -O3 -Wall -Wno-unused-local-typedefs -std=c++11 -march=corei7-avx -I/usr/local/include/boost-1_54/ mystery.cpp -o mystery.o
g++-4.8  mystery.o -lboost_system-gcc48-1_54 -lboost_timer-gcc48-1_54 -o mystery
a:  5.729604s wall, 5.720000s user + 0.000000s system = 5.720000s CPU (99.8%)
b:  7.411549s wall, 7.420000s user + 0.000000s system = 7.420000s CPU (100.1%)

<>基本上，无论哪个函数在C++文件的顶部都比较慢。

对您可能遇到的问题的一些回答：

• 编译的代码对于a和b都是相同的。已检查拆卸情况。（有兴趣的人士：）
• 代码是在Ubuntu13.04、Ubuntu13.10和Ubuntu12.04.03上使用GCC4.8、GCC4.8.1编译的
• 在Intel Sandy Bridge i7-2600和Intel Xeon X5482 CPU上观察到的效果

---

为什么会发生这种情况？有哪些工具可用于调查类似情况？

您正在从

测试
调用
a
和
b
。由于编译器没有理由对两个函数重新排序，因此
a
比
b
（在原始版本中）离
test
更远。您也使用模板，所以实际代码生成比C++源中看起来的要大很多。
因此，
b
的指令内存很可能与
test
一起进入指令缓存，
a
越远，就越不会进入缓存，因此从较低的缓存或
b
的CPU主内存取数所需的时间越长

因此，由于
a
的指令提取周期比
b
长，
a
的运行速度可能比
b
慢，即使实际代码是相同的，也只是距离更远

某些CPU架构（如arm cortex-A系列）支持计算缓存未命中数的性能计数器。当设置为使用适当的性能计数器时，诸如的工具可以捕获此数据。
在我看来，这是一个缓存别名问题

这个测试用例非常聪明，并且在计时之前将所有内容正确地加载到缓存中。看起来所有东西都适合缓存-虽然是模拟的，但我已经通过查看valgrind的cachegrind工具的输出来验证了这一点，正如人们在这样一个小的测试用例中所期望的，没有明显的缓存未命中：

valgrind --tool=cachegrind --I1=32768,8,64 --D1=32768,8,64  /tmp/so
==11130== Cachegrind, a cache and branch-prediction profiler
==11130== Copyright (C) 2002-2012, and GNU GPL'd, by Nicholas Nethercote et al.
==11130== Using Valgrind-3.8.1 and LibVEX; rerun with -h for copyright info
==11130== Command: /tmp/so
==11130== 
--11130-- warning: L3 cache found, using its data for the LL simulation.
a:  6.692648s wall, 6.670000s user + 0.000000s system = 6.670000s CPU (99.7%)
b:  7.306552s wall, 7.280000s user + 0.000000s system = 7.280000s CPU (99.6%)
==11130== 
==11130== I   refs:      2,484,996,374
==11130== I1  misses:            1,843
==11130== LLi misses:            1,694
==11130== I1  miss rate:          0.00%
==11130== LLi miss rate:          0.00%
==11130== 
==11130== D   refs:        537,530,151  (470,253,428 rd   + 67,276,723 wr)
==11130== D1  misses:           14,477  (     12,433 rd   +      2,044 wr)
==11130== LLd misses:            8,336  (      6,817 rd   +      1,519 wr)
==11130== D1  miss rate:           0.0% (        0.0%     +        0.0%  )
==11130== LLd miss rate:           0.0% (        0.0%     +        0.0%  )
==11130== 
==11130== LL refs:              16,320  (     14,276 rd   +      2,044 wr)
==11130== LL misses:            10,030  (      8,511 rd   +      1,519 wr)
==11130== LL miss rate:            0.0% (        0.0%     +        0.0%  )

我选择了一个32k的8路关联缓存，其缓存线大小为64字节，以匹配常见的Intel CPU，并反复看到a和b函数之间存在相同的差异

在一台具有32k、128路关联缓存且缓存线大小相同的虚拟机器上运行时，这种差异几乎消失了：

valgrind --tool=cachegrind --I1=32768,128,64 --D1=32768,128,64  /tmp/so
==11135== Cachegrind, a cache and branch-prediction profiler
==11135== Copyright (C) 2002-2012, and GNU GPL'd, by Nicholas Nethercote et al.
==11135== Using Valgrind-3.8.1 and LibVEX; rerun with -h for copyright info
==11135== Command: /tmp/so
==11135== 
--11135-- warning: L3 cache found, using its data for the LL simulation.
a:  6.754838s wall, 6.730000s user + 0.010000s system = 6.740000s CPU (99.8%)
b:  6.827246s wall, 6.800000s user + 0.000000s system = 6.800000s CPU (99.6%)
==11135== 
==11135== I   refs:      2,484,996,642
==11135== I1  misses:            1,816
==11135== LLi misses:            1,718
==11135== I1  miss rate:          0.00%
==11135== LLi miss rate:          0.00%
==11135== 
==11135== D   refs:        537,530,207  (470,253,470 rd   + 67,276,737 wr)
==11135== D1  misses:           14,297  (     12,276 rd   +      2,021 wr)
==11135== LLd misses:            8,336  (      6,817 rd   +      1,519 wr)
==11135== D1  miss rate:           0.0% (        0.0%     +        0.0%  )
==11135== LLd miss rate:           0.0% (        0.0%     +        0.0%  )
==11135== 
==11135== LL refs:              16,113  (     14,092 rd   +      2,021 wr)
==11135== LL misses:            10,054  (      8,535 rd   +      1,519 wr)
==11135== LL miss rate:            0.0% (        0.0%     +        0.0%  )

由于在8路缓存中，潜在的别名函数可以隐藏的空间更少，因此可以获得与更多哈希冲突相当的寻址。对于具有不同缓存关联性的计算机，在本例中，您很幸运地找到了对象文件中的位置，因此，虽然没有缓存丢失，但您也不必做任何工作来解析实际需要的缓存线

编辑：有关缓存关联性的详细信息：


另一个编辑：我已经通过
perf
工具通过硬件事件监视确认了这一点

我将源代码修改为仅调用a（）或b（），这取决于是否存在命令行参数。计时与原始测试用例中的计时相同

sudo perf record -e dTLB-loads,dTLB-load-misses,dTLB-stores,dTLB-store-misses,iTLB-loads,iTLB-load-misses /tmp/so
a:  6.317755s wall, 6.300000s user + 0.000000s system = 6.300000s CPU (99.7%)
sudo perf report 

4K dTLB-loads
97 dTLB-load-misses
4K dTLB-stores
7 dTLB-store-misses
479 iTLB-loads
142 iTLB-load-misses               

鉴于

sudo perf record -e dTLB-loads,dTLB-load-misses,dTLB-stores,dTLB-store-misses,iTLB-loads,iTLB-load-misses /tmp/so foobar
b:  4.854249s wall, 4.840000s user + 0.000000s system = 4.840000s CPU (99.7%)
sudo perf report 

3K dTLB-loads
87 dTLB-load-misses
3K dTLB-stores
19 dTLB-store-misses
259 iTLB-loads
93 iTLB-load-misses

表明b具有较少的TLB操作，因此不必逐出缓存。考虑到两者的功能在其他方面是相同的，只能用别名来解释。
它们是否可能在不同的页面上结束，从而导致额外的工作？我觉得奇怪的是，CPU时间是在系统度量中，而不是在用户度量中。这意味着不是运行用户代码需要时间，而是代表进程的一些操作系统级别的事情。作为一个完整的暗中拍摄，我建议b会话由于首先运行会话而更加预热…（编辑：哦，你们倒了…@DaveS，我相信时间都在用户空间的土地上。循环预热循环（测量前）应该充分预热缓存和分支预测。哦，误读了输出，你说的时间是对的。虽然我仍然很好奇它是如何调用函数的，因为我能看到的区别是函数在哪里。也许尝试将函数a/b移动到它们自己的对象？只是看看它是否有我认为，如果碰巧其中一个不能完全保存在缓存中，而另一个可以保存，那么这种情况可能会发生。