C++ 专家（24）：C++ 性能优化实战——性能分析、优化技巧、常见模式

更新时间：2026-09-01。本文是 languages/cpp/expert/ 专家层第 24 篇，接 C++ vs Rust。C++ 性能优化的正确姿势：先 profiling，再优化，不做盲目的优化。本文总结了常见的性能瓶颈和优化技巧，包括缓存命中率、分支预测、内联、分配器、循环展开等。

本文要回答的问题

• 怎么找到性能瓶颈？用什么工具？
• 缓存命中率为什么重要？怎么提升缓存命中率？
• 分支预测怎么优化？为什么有序数据更快？
• 内联和函数开销怎么权衡？什么时候该 inline？
• 内存分配怎么优化？

一、先 Profiling，再优化

# Linux perf 采样
perf record ./your_program
perf report

# 火焰图可视化
git clone https://github.com/brendangregg/FlameGraph
perf script | ./stackcollapse-perf.pl | ./flamegraph.pl > flame.svg

# macOS instruments
instruments -t "Time Profiler" ./your_program

# Windows Visual Studio
# 用诊断工具 -> 性能探查器

规则： 没有 profiling 就不优化。大部分代码不瓶颈，优化错地方只会让代码更复杂。

二、缓存命中率优化

空间局部性

// 二维数组遍历：行优先 vs 列优先

// ✅ 行优先：相邻元素在同一行，缓存命中率高
int sum_row_first(const std::vector<std::vector<int>>& mat) {
    int sum = 0;
    for (size_t i = 0; i < mat.size(); i++) {
        for (size_t j = 0; j < mat[i].size(); j++) {
            sum += mat[i][j];
        }
    }
    return sum;
}

// ❌ 列优先：每次跨一行，缓存不命中，慢几倍
int sum_col_first(const std::vector<std::vector<int>>& mat) {
    int sum = 0;
    for (size_t j = 0; j < mat[0].size(); j++) {
        for (size_t i = 0; i < mat.size(); i++) {
            sum += mat[i][j];
        }
    }
    return sum;
}

数据对齐和结构体紧凑布局

// 结构体大小按对齐，尽量让成员按类型大小排列
// 把小成员放在一起，减少 padding

// ❌ 坏布局（浪费空间）
struct Bad {
    char a;
    double b;  // 7 字节 padding
    char c;
    int d;    // 4 字节 padding
};  // 总大小：1+7+8+1+3+4 = 24 字节

// ✅ 好布局（减少 padding）
struct Good {
    double b;  // 8 字节
    int d;     // 4 字节
    char a;    // 1 字节
    char c;    // 1 字节
};  // 总大小：8+4+1+1 = 14 → 对齐到 16 字节

三、分支预测优化

// 有序数据：分支预测器更容易预测
// 找出大于 0 的元素

// 慢：如果数组无序，分支经常预测错
int sum_br(const std::vector<int>& v) {
    int sum = 0;
    for (int x : v) {
        if (x > 0) {  // 无序 → 分支预测错很多
            sum += x;
        }
    }
    return sum;
}

// 快：用条件移动，无分支
int sum_nobranch(const std::vector<int>& v) {
    int sum = 0;
    for (int x : v) {
        sum += x * (x > 0);  // 编译器生成无分支指令
    }
    return sum;
}

// 排序后，有序数组分支预测准确率接近 100%
std::sort(v.begin(), v.end());
// 然后分支预测就准了

四、内联和函数调用

// 小函数：inline 消除调用开销，编译器更容易优化
inline int add(int a, int b) {
    return a + b;
}

// 大函数：inline 会导致代码膨胀，不适合 inline
// 经验：函数体小于 10 行适合 inline

// 经验法则：
// ✅ 小函数、lambda → 内联
// ❌ 大函数、递归函数 → 不要强制 inline

// C++17：inline 变量
inline int global_value = 42;

五、内存分配优化

// 频繁分配小对象：用内存池或 PMR
// 不要每次分配都走 new/delete

// 每次 new/delete
// 慢：频繁分配产生碎片

// 用内存池分配
std::pmr::monotonic_buffer_resource pool(buffer, sizeof(buffer));
std::pmr::vector<int> vec(&pool);  // 所有分配在 buffer 里

// 好处：分配一次整块内存，不需要每次分配，非常快

六、循环展开

// 循环展开：减少循环次数，提升指令流水线利用率
// 对小循环效果明显

// 原始：每次处理 1 个元素
for (size_t i = 0; i < n; i++) {
    sum += vec[i];
}

// 循环展开：每次处理 4 个元素
size_t i = 0;
for (; i + 4 <= n; i += 4) {
    sum += vec[i] + vec[i+1] + vec[i+2] + vec[i+3];
}
// 处理剩余元素
for (; i < n; i++) {
    sum += vec[i];
}

// 现代编译器自动循环展开，不需要手动做，但知道原理很重要

七、常见性能瓶颈对照表

瓶颈	现象	对策
缓存 miss	CPU cache 命中率低	行优先遍历，紧凑数据结构
分支 mispredict	分支预测错误率高	排序，用无分支代码
堆分配频繁	每次分配走 new	内存池，PMR，预分配
函数调用开销	大量小函数调用	inline
复制过多	不必要的拷贝	移动语义，emplace_back，pass-by-reference

八、常见坑对照

坑	现象	对策
盲优化	代码变复杂但性能提升不明显	先 profiling，确定瓶颈再优化
过度内联	代码膨胀，缓存指令 miss	只 inline 小函数
忽略缓存	缓存命中率太低	布局优化，数据对齐
过早优化	一开始就追求极致性能	先正确，再快，对正确的瓶颈优化

相关与延伸

C++ 专家层 24 篇完成。接下来开始 Backend 系列：后端开发 第一章 HTTP 协议。

一句话总结

C++ 性能优化实战：先 profiling（perf + 火焰图）找到瓶颈，再优化，不盲优化；缓存命中率是最大性能因素，行优先遍历，紧凑结构体布局减少 padding；分支预测错误会导致性能下降，有序数据更快，无分支更快；小函数 inline 消除调用开销，大函数 inline 导致代码膨胀；频繁小对象分配用内存池减少分配次数；现代编译器自动循环展开，不需要手动做；不要过早优化，先正确再快。