超越分析器：探索替代性能优化技术

在他的演讲“性能焦虑”中，Joshua Bloch 强调了分析器的局限性及其潜在的不准确性。然而，这提出了一个问题：我们还有哪些其他选项来优化性能？我们应该回归我们的直觉和猜测吗？

Bloch 引用的论文“评估 Java 分析器的准确性”中得出的结论是，分析器可能由于不正确性问题而变得不可靠。然而，这并不会使所有分析方法无效。

解决观察者效应和分析准确性

观察者效应是指分析器影响分析器行为的潜力。正在分析的程序。必须使用不会中断程序执行的分析器（例如以随机间隔捕获数据的基于采样的分析器）来最大程度地减少这种影响。

超越采样：不相关采样和调用堆栈分析

为了提高分析的准确性，采样机制必须真正随机且独立于程序状态，这一点至关重要。此外，探查器应捕获函数调用堆栈，以识别采样时哪些语句处于活动状态。这样可以精确定位性能瓶颈。

按行报告，而不是按函数报告

传统分析器通常按函数报告数据，这可能会导致难以识别负责性能问题的特定代码行。为了解决这个问题，分析器应该提供报告来细分每行代码的性能贡献，从而实现更精细的优化。

测量精度与位置精度

与其主要关注时间测量的精度，更重要的是优先考虑问题定位的准确性。通过识别对性能开销有显着贡献的代码区域，即使各个测量可能存在一定程度的统计变化，也可以精确地进行优化。

性能调优的实用方法

在性能调优中，没有必要在修复每个问题之前量化每个问题的确切贡献。相反，迭代地识别和解决问题会更有效。随着每个问题的解决，剩余问题的百分比会变大，从而更容易定位和解决它们。

结论

虽然分析器有其局限性，但性能优化的替代方法。通过采用最小化观察者效应的采样方法、分析函数调用堆栈、按行报告数据以及关注问题定位而不是精确测量，开发人员可以有效识别和解决性能瓶颈。