一些技巧
网络传输：压缩+解压
解耦：可以使用 Kafka/rocket 进行异步解耦
数据库交互：无论是 mysql/vm/neo4j 等等，学会使用批量入库操作。避免单次过大
异步线程池：可以考虑采用多线程处理提升并发性能，但是会提升系统的复杂度。
索引
chat
软件性能优化，有哪些常见的技巧与最佳实践
软件性能优化是一个涵盖从系统设计到代码实现、再到运行环境调优的全方位过程。
以下是结合多领域资料总结的常见技巧与最佳实践，涵盖不同层级和场景的优化策略：
一、基本原则与核心思想
- 全生命周期优化：性能优化应贯穿软件开发的整个生命周期，而非仅在后期补救。设计阶段需考虑架构扩展性、资源利用率及算法复杂度。
- 数据驱动决策：通过性能分析工具（如Profiler、APM）持续监控关键指标（如CPU/内存占用、响应时间），定位瓶颈而非盲目优化。
- 平衡与取舍：优化需权衡时间与空间、开发效率与性能收益，避免过度优化导致代码可维护性下降。
- 团队协作文化：性能是团队共同责任，需建立性能测试自动化流程和性能回归机制。
二、代码级优化技巧
1. 算法与数据结构优化
- 时间复杂度优化：优先选择O(1)、O(logn)的算法，如哈希表查询、二分查找替代线性搜索。
- 数据结构适配场景：
- 频繁插入/删除：链表优于数组。
- 高频查找：哈希表或平衡二叉搜索树（如红黑树）。
- 范围查询：B树或跳表。
- 循环与条件优化：减少嵌套循环、提取公共子表达式、循环展开（Loop Unrolling）。
2. 内存管理优化
- 对象池技术：预分配对象并复用，减少GC压力（如Unity中的ObjectPoolMgr）。
- 避免内存泄漏：使用工具（如LeakCanary、Valgrind）检测未释放资源，尤其是闭包、监听器。
- 缓存友好性：优化数据布局（如结构体字段对齐）、顺序访问数组以提高缓存命中率。
3. 运算与编译器优化
- 位运算替代乘除：如用移位代替乘2操作。
- 编译器标志启用：使用
-O3（GCC/Clang）或/Ox（MSVC）开启高级优化。 - 内联函数：减少函数调用开销，但需避免代码膨胀。
三、系统级优化策略
1. I/O操作优化
- 异步与非阻塞I/O：使用epoll（Linux）、kqueue（BSD）或异步库（如Node.js的libuv）减少等待时间。
- 批量处理与缓冲：合并小文件读写（如数据库事务批量提交）、使用BufferedInputStream减少系统调用次数。
- 零拷贝技术：如Linux的sendfile、splice，减少数据在用户态与内核态间的复制。
2. 并发与多线程优化
- 线程池管理：避免频繁创建/销毁线程，合理设置核心线程数与队列策略（如Java的ThreadPoolExecutor）。
- 锁优化：
- 无锁数据结构：如CAS（Compare-And-Swap）实现的队列。
- 细粒度锁：拆分全局锁为分段锁（如ConcurrentHashMap）。
- 并行化计算：利用SIMD指令（如AVX）、OpenMP或GPU加速计算密集型任务。
3. 数据库性能优化
- 索引策略：
- 覆盖索引（Include所有查询字段）减少回表。
- 避免冗余索引，定期使用EXPLAIN分析执行计划。
- 查询优化：
- 分页查询使用游标而非LIMIT OFFSET。
- 避免SELECT *，减少数据传输量。
- 缓存机制：本地缓存（如Guava Cache）与分布式缓存（Redis）结合，设置合理过期时间。
四、应用场景差异化策略
1. Web应用优化
- 前端优化：
- 图片压缩（WebP格式）、懒加载（LazyLoad）。
- 合并CSS/JS文件，使用CDN加速静态资源。
- 后端优化：HTTP/2多路复用、服务端渲染（SSR）减少首屏加载时间。
2. 移动端优化
- 内存敏感处理：避免大图直接加载，使用缩略图或按需解码。
- 网络优化：协议优化（QUIC替代TCP）、请求合并与数据压缩（Protocol Buffers）。
- 电量管理：减少唤醒锁（WakeLock）使用，后台任务批处理。
3. 嵌入式系统优化
- 资源受限优化：静态内存分配替代动态分配，禁用异常处理（RTTI）。
- 实时性保障：中断服务例程（ISR）精简、优先级调度策略优化。
五、工具与框架支持
- 性能分析工具：
- 前端：Chrome DevTools、Lighthouse。
- 后端：JProfiler、VisualVM、Perf。
- 移动端：Xcode Instruments、Android Profiler。
- 框架级优化：
- 数据库ORM框架启用查询缓存（如Hibernate二级缓存）。
- 使用异步框架（如Netty、Vert.x）提升I/O吞吐量。
六、新兴技术融合
- AI驱动的自动优化：利用机器学习预测资源需求，动态调整线程池大小或缓存策略。
- 硬件加速：FPGA/ASIC实现特定算法（如加密、图像处理）的硬件加速。
总结
性能优化需结合具体场景，从架构设计到代码实现层层递进。关键在于建立可度量的性能基线，通过工具定位瓶颈，再针对性地应用优化策略。同时，需警惕优化带来的复杂度上升，始终以用户体验和长期可维护性为核心目标。
