一 在第二部分，我们将讨论如何使用CPU监控特性寻找CPU上运行的代码中可被调优的位置。对于性能敏感型应用程序，如大型分布式云服务，科学高性能计算软件，3A 级游戏等，了解底层硬件的工作原理是非常重要的。若在程序开发对没有关注硬件，那么从一开始就注定会失败。
标准的算法和数据结构在性能敏感型负载上并不总能表现得很好。传统链表的每个节点都是动态分配的，除了引入很多耗时的内存分配动作，很可能让链表中的所有元素分散在内存中，遍历该数据结构需要对每个元素进行随机内存访问。即使算法复杂度仍然是O(N), 但是实际上🎨耗时比简单数组还要多，有些数据结构比如二叉树，有着天然的类似链表的结构表示，所以使用指针追踪的方式实现他们可能性能更好。不过，这些数据结构还有更高效的扁平化版本，比如boost::flat_map和boost::flat_set。
即使你选择的算法在解决特定问题时最有名，但是在你的特定场景上它不一定表现最优。例如，二分搜索在排序数组中查找元素方面时最优的。然而，该算法经常会有很多分支预测错误的问题，因为每次元素值的检查都只有50%的概率为真。这就是为何线性搜索通常在小型整型数组上表现得更好。
性能工程时一门艺术，和其他艺术类似，可能的场景范围是没有边界的。本章尝试专注于与CPu微架构相关的优化，而不是覆盖所有你能想到的优化机会。尽管如此，我想还是有必要列出一些上层的优化点。
1 如果程序是使用解释语言开发的，那么可以使用开销更低的语言重写程序的性能关键部分。
2 分析程序中使用的算法和数据结构，看看是否可以找到更好的。
3 调优编译器参数，检查是否至少使用了这三个编译器标签：-O3 -march 启用针对待定CPU系列的优化功能和-flto 启用过程间优化功能。
4 如果问题是高度并行化的计算，那么把程序线程化或者考虑吧程序放在GPU上运行。
5 当等待IO操作时，使用同步IO以避免阻塞
6 利用更多RAM来减少必须使用的CPU和IO量
数据驱动的优化
数据驱动的优化是最重要的调优技术之一，它基于对程序正在处理的数据结构的洞察。该方法聚焦于数据的分布及其在程序中的转化方式，该方法的典型例子是数组结构体（structure-Of-array, SOA）到结构体数组。
这类优化需要知道程序会处理哪些数据和数据的分布情况，然后相应的修改程序。
现代CPU是非常复杂的设备，我们几乎不可能预测某段代码如何运行。CPU指令的执行依赖很多因素，变化的组件太多了，以至于人们不得不认真对待。幸运的是，借助第6章讨论过的性能监控功能，我们可以从CPU的角度观察代码。
注意，实现的优化不一定对所有的平台都有效果。例如，循环阻塞非常依赖系统内存的层次特征，尤其是L2和L3缓存的大小。因此，为具有特性L2和L3缓存大小的CPU调优的算法，在具有较小缓存的CPU上表现不一定好，在程序将要运行的平台上测试这些变化是非常重要的。
接下来的三章是按最便于使用TMA方法的方式组织的，这样分类的初衷是为工程师提供某种检查清单，以便他们高效的消除TMA揭露的低效问题。同样这里并不打算给出能到的转换。