涡轮增压: JIT 编译优化

一图流

语言范式的根本矛盾和调和

编译型语言

预先编译成机器相关的机器码（执行效率高）
强类型支持静态内存布局（执行&内存效率高）
函数调用采用固定偏移量寻址
执行效率比解释器高 10 - 100 倍

解释型语言

灵活
访问属性需要哈希查找
eval 等特性导致无法预知的上下文污染
闭包链管理开销

JIT 哲学

运行时类型特化

runtime Specialization

哲学本质：将动态类型转换为静态类型信息，在保证语言灵活性的前提下创造确定性的优化空间

隐藏类系统（Hidden Class）

相同构造方式的对象共享隐藏类

csharp 复制代码

 // 构造器顺序决定隐藏类结构
function A() { this.x = 1; this.y = 2 }  // 隐藏类C1
function B() { this.y = 2; this.x = 1 }  // 隐藏类C2（与C1不同）

属性访问转换为固定偏移量查找

ini 复制代码

; 机器码示例（x64）
mov rax, [obj + 0x18]  ; 直接内存偏移访问

内联缓存（Inline Cache）

记录最近10次调用点的类型信息
生成特化的机器码片段

javascript 复制代码

function add(x, y) {
  return x + y; // 根据x,y类型生成特化代码
}

单态调用（单一类型）速度接近C++
多态调用（2-4种类型）性能下降50%
超多态（5+类型）退化为哈希查找

投机优化

speculative Optimization

哲学本质：基于概率统计的预测执行，用空间换时间换取大概率性能提升

类型预测（Type Prediction）

ini 复制代码

 // 热代码段的类型假设
for (let i = 0; i < 1e6; i++) {
  sum += arr[i]; // 假设arr元素始终是SMALL_INTEGER
}

生成带类型检查的机器码

ini 复制代码

cmp qword [rax], 0x1a3  ; 检查隐藏类
jne deoptimization      ; 跳转到去优化例程

分支预测（Branch Prediction）

记录循环条件的历史走向
预编译最可能的执行路径

典型案例：

sql 复制代码

 // 引擎会优先优化true分支
if (condition) { /* 执行概率90% */ } 
else { /* 10%概率 */ }

渐进式编译

tiered Compilcation

哲学本质：在编译开销与执行效率之间动态平衡，实现冷热代码区别对待

从解释到提前编译的升级过程（基于函数/循环的迭代次数判断是否编译）

解释执行，生成紧凑字节码（收集反馈信息）
基线编译器（baseLine）生成简单优化的机器码（编译耗时1ms内）
优化编译器（Trubofan) ,激进的进行优化（编译耗时 10 - 100ms)

去优化陷阱

deoptimization Bailout

哲学本质：承认预测可能失败，建立安全回退机制保障正确性

对于

属性类型突变
函数多态

会承认优化无效，抛弃优化代码。重建解释器

去优化 > 3 次则永久禁用优化

最佳实践

了解JS引擎的优化思路，以避免写出反优化的代码

经过高效优化的JS在浏览器中能够达到C++的70%以上

避免元素类型震荡

js 对于同种类型的数组会采用不同的内存格式策略

ini 复制代码

const arr = [1,2,3];         // PACKED_SMI_ELEMENTS
arr.push(4.5);               // → PACKED_DOUBLE_ELEMENTS
arr[2] = {};                 // → PACKED_ELEMENTS

避免动态属性破坏隐藏类

ini 复制代码

// 反模式代码
function createObj() {
  const obj = {};
  for (let i = 0; i < 10; i++) {
    obj[`prop${i}`] = i; // 每次迭代改变隐藏类
  }
  return obj;
}

使用类型稳定的数组和结构稳定的对象

笔者才疏学浅，各位读者多多担待，不吝赐教。