高性能编程
前言
首先说一下我为什么要写这篇博客。因为面试有提到这个，我当时直接说不懂（一方面当时心态很差，另一方面面试官的询问方式令我很反感。所以直接refuse了。小伙伴们千万别学我）。
所以，打算谈一谈我对Java高性能编程方面的认识与总结。
首先，高性能编程不涉及架构层次。所以打算通过这篇文章，来了解架构提升系统性能的小伙伴要失望了。我将Java高性能编程主要分为编码与网络两个部分（说白了，只关注编码，不提其它）。
其次，我们需要了解何为高性能。性能往往与系统的吞吐量，响应时间，并发量等息息相关。只有了解到这点，我们才可以对症下药。
网络部分：BIO，NIO，Netty等，这部分在之前的《从BIO到Netty的演变》有所提及，这里不再赘述。
而编码部分，也是最多人关注的部分。我将它按层次分为：
- 数据结构（如String，StringBuffer，StringBuilder）
- 语言特性（如for循环的JIT优化，并行流等）
- 算法（如分治算法，贪心算法等）
- 设计模式（如原型模式）
- 多线程（包括线程池，锁等）
- 扩展-特定机制（其实就是一些成熟的方案）
并发容器被归类到多线程中，而Fork/Join框架被归类到特定机制（当然，也可以归类到算法，多线程等。取决于看待它的角度）。
由于这其中每个分支，拆分出来都是很大的一块内容。所以这篇文章的目标只是给个方向而已，不会写得非常深入。
一，数据结构
这里的数据结构指的是，类中属性的数据类型，可以是Java自带的数据类型，也可以是自定义的数据类型。
那么数据结构是如何影响性能的呢？这可以从我之前提到的高性能编码的六个层次去分析。这里不在展开，否则就是无限地递归分析了。
说得再多，不如举一些例子（好吧，其实这边的总结，我感觉不够好。划分的维度，我自己不满意而已）。
1.Integer与int：
比如Integer与int，在大量数据处理时，内部结构最好采用int类型，从而避免基本数据类型装箱拆箱带来的性能损耗。而这一点在《阿里开发手册》中也有提及，所以在不知道怎么做时，跟着规范走，也不失为一种选择。
PS：记得当时，我回答面试官高性能编程问题时，就是从《阿里开发手册》规范谈起。然后面试官打断说，我不是问你规范，我就问你怎么高性能编程。当时心态本来就不好，我想引经据典，都不让我说。所以我直接一句，我不懂。不过不推荐大家学我，该回答还是要回答滴。
2.String，StringBuffer，StringBuilder：
比如String，StringBuffer，StringBuilder（这三个应该鼎鼎有名了）。
其中最常用的时String，其底层实现是一种常量字符串（也就是不可变字符串）。其底层就是final修饰的，所谓的String更新，其实是返回了一个新的字符串。由于是常量，所以也就没有什么线程安全问题了，故线程安全。
其次就是我目前用得最多的，就是StringBuiilder，其内部是维持一个可变长度的char[]。字符串更新，也是采用底层的native方法，所以效率非常高，是三个字符串类型中效率最高的。但没有做线程安全处理，所以线程不安全。
最后就是在一些高并发框架，中间件底层中常看到的StringBuffer，其内部基本与StringBuilder类似。不过不同的是其中多数方法采用了Synchronized修饰，作为线程安全的处理，所以线程安全。
所以，就有了以下的使用场景：
- String：针对于字符串几乎没有变动的操作，在字符串变动方面操作是三个中最慢的（除非两个产生扩容）。但固定字符串方面，确实是调用最快，占用空间最少的。
- StringBuilder：在单线程下，存在字符串变动的情况下，速度最快。
- StringBuffer：在多线程下，存在字符串变动的情况下，速度最快。
如果表示上面的记不住。那就这样记：微量使用，用String；单线程最快，是StringBuilder；多线程安全，是StringBuffer。
其实数据结构，还有NIO的ByteBuffer，Netty的ByteBuf等，可以聊。不过这里不再赘述。
二，语言特性：
这里的语言特点，指的是Java语言的一些高级特性（我也不知道算不算高级，不过确实有不少人不清楚，所以就这样写吧）。
那么语言特性是如何影响性能的呢？其实，其中涉及到语言的底层实现（这个实现，其实也可以按照六个层次分析）。
继续举例子。
1.for循环JIT优化：
这个部分，涉及JVM的JIT编译。简单说一下，JIT是一种即时编译手段。Java代码一般采用解释，但在遇到重复执行代码块等，会进行编译，从而提升速度。其中又涉及到无数人深恶痛绝的三大重排序（编译器，指令，内存）之一-JIT重排序。
扯远了，收回来。那么for循环中的循环体，当然属于重复执行的代码块喽。所以for循环会被JIT优化，提升运行速度。所以在有些场景下，别觉得for循环很low，觉得迭代器（了解迭代器模式，应该知道迭代器模式本身，不存在循环体这样的代码块），Stream看着高级。在所有场景下，for循环效率高于迭代器，在多数场景下，for循环效率高于Stream。
当然，由于性能并不是系统的唯一质量属性，所以站在扩展性等方面，我们也需要对iterator等正确看待。没有最好的技术，只有更合适的技术。
2.Stream：
Stream作为Java8新引入的特性，不少人对它了解甚少。看到别人处理集合的Stream代码，简直看得口水都下来了，想着自己什么时候才能写出这样优雅的代码。
遥想当初，我也是看着大佬处理订单集合的代码，流口水，果断去学习这个，然后。。。扯远了，拉回来。
前面已经提到了，在多数场景下for循环的效率高于Stream。只不过for采用的是外部迭代，而Stream采用的是内部迭代。但是Stream和迭代器一样，没有类似循环体的代码块，所以没有这方面的JIT优化。所以在正常应用场景下，两者存在一定的差距（数据量大了后，两者的差距也在10%之内）。
但是，Stream有一个方法-parallel()。这个方法就厉害了，它是一个并行流。说白了，就是多线程处理当前流，通过多线程方法，将当前流拆分为多个流，来并行处理。
是不是感觉追根揭底，还是能归类到之前提到的六个层次中。
既然并行流效率这么高，为什么还用for循环呢？
因为并行流有着诸多限制。首先它内部是采用了多线程的处理手段，所以多线程的约束它都有（如CPU核心数带来的限制等）。其次它对流的处理必须是可以并行的，如过滤，转变，提交等。但是如排序，findFirst这样需要整个流的操作，就无法实现（或者说无法获得正确结果），或者实现效率极低。
所以，在一些可以并行操作的情况下，并且数据量较大，那么推荐使用并行流处理。优雅而高效。
3.迭代器：
这里提一下迭代器，否则大家就抛弃这个了。
迭代器的好处：自定义迭代逻辑，无返回函数的集合处理等。
其实迭代器，我用得并不多，一方面是一开始看到有前辈这样写，所以学习了一下这种写法。不过后来大多用for，以及Stream了。另一方面，就是面试问到如何通过无返回方法，修改集合元素。我当时只想到了Java方法参数不是引用传递这个点，解决还整没想到。面试官后来告诉我，可以通过迭代器实现。囧
三，算法：
算法这部分内容就海了去了。而且以我现在的算法积累，感觉并不能很好地解释这个问题。所以简单举些例子吧，以后有机会，再深入阐述算法（等我深入学习后，计划在明后年深入）。
比如排序算法，这也算是算法实现比较多的。感兴趣的，可以看我在博客园C语言算法部分总结的八大排序算法。
1.红黑树：
面试集合必问的HashMap与ConcurrentHashMap按不同版本（Java8及Java8以前）可以分为四个。其中不同版本之间最大的区别就是Java8之后，两者底层增加了红黑树（再单个链表达到阈值后，就会树化）。
那为什么红黑树可以提高性能呢？
在原本的HashMap（以HashMap为代表）中，最初数据操作的时间复杂度平均为O(logn)。但是存在数据集中于数组特定位置的情况（HashMap底层数据结构是数组+链表，链表作为数组的元素），最糟糕情况就是数据集中在数组一个下标下，即所有元素在同一个链表。那么链表的数据操作的时间复杂度就变成了O(n)。
为了避免这一情况，新版本的HashMap增加了红黑树。在单个链表的数据量达到阈值后，则会将链表转为红黑树，从而确保在数据多的时候（即n较大时），时间复杂度依旧为O(logn)。
时间复杂度降低了，说明CPU占用时间降低了，即性能提升了。
2.分治算法：
分治算法作为一种及其重要的算法思想，可以说程序中很多地方都体现了这点。甚至有人总结分布式系统的高并发就是限流（非侠义的限流，保护下游服务）与分流（提高吞吐量），而分流也是分治思想的一种体现。
那为什么分治算法可以提高性能呢？其实分治算法也是一种空间换时间的体现。更深入的阐述，其实就是均衡。
这里简单阐述一下我对均衡的认识。早在架构相关的博客中，我就提到，架构设计就是一个权衡的过程。提高性能，可能就需要降低安全性。提高系统扩展性，可能就会带来系统复杂度的提升。这点可用于各个层次，包括设计模式也是这样的。以后有机会深入阐述这种思想。
举一个分治算法的体现例子。如Fork/Join框架，通过对现有任务的拆分，分开进行计算，最终汇总。其实本质所需要的算力并没有改变，但是可以充分利用多线程，或者CPU多核的特性（其实还涉及CPU资源的竞争，不再深入）。
再举一个分治算法的体现例子，正好也是我在阿里面试时遇到的一个问题，如何实现淘宝双十一交易额的实时统计（延迟不得高于1s）。我的实现思路，就是一方面利用Redis内存数据库的高速特性（单台Redis实例正常每秒都可以有几十万的读写）。另一方面就是利用分治算法，将统计任务进行拆分。
这里说一下我的思路吧。首先排除大数据，因为我不熟悉大数据，而且我面试的也不是大数据，最重要的是大数据底层也需要实现（不能面试时，就扔个名词）。其次通过redis来提供一个分布式系统的存储（分布式系统的存储无非缓存，数据库，文件系统，消息队列算半个吧）。这个时候，需要思考的是，虽然redsi可以提供足够的读写，但是在数据处理时，程序为了确保数据不被别的程序修改，一定需要加分布式锁。那么时间消耗就体现在了这里。参照ConcurrentHash分段锁，及其体现的分治算法。可以将交易额按照业务，地域，或者单纯的数字拆分为多个字段（如1000g个），然后分别计算，最后通过一个服务，按照交易额刷新时间进行统计（这里统计还可以使用fork/join框架）。当然，这并不是一个完整的程序，其中还有许多的细节，如动态管理等。但是这样的思路是可行的。
对算法感兴趣的，可以看看相关算法书籍，刷刷leetcode等。
四，设计模式
设计模式部分，就是利用设计模式的特点，来达成提高程序性能的目的。
其实设计模式本身是面向对象设计原则（单一职责原则，里氏替换原则，开闭原则，依赖倒置原则，接口隔离原则，组合复用原则，迪米特原则）的落实，而这七大原则并没有性能方面的要求。所以大部分设计模式并没有性能提升的能力。但是部分设计模式由于其特定机制，以及语言特性，有了性能方面的提升。
1.单例模式
单例模式，由于其构造方法私有，所以无法通过构造器新建。这点透出其本质，单例模式保证了一个类只有一个实例，该实例只需要创建一次，并不会销毁。
这里简单说一下，由于是单例，所以线程安全。另外Spring的bean默认是单例的。某些情况下，可能需要通过注解，实现多例，此时就需要注意线程安全问题了。
由于单例的延迟加载，以及实例只创建一次，不会销毁的特性。在某些对象重复使用的情况下，会带来性能的提升。甚至在某些情况下，可能需要建立容器单例（一个容器，管理多个单例，如Spring）。
2.原型模式
原型模式，就是指定目标对象类型，通过拷贝来生成对象，而不需要调用构造器。而通过对象拷贝生成对象的效率远高于构造器生成对象。
所以需要大量相同对象时，可以通过原型模式，来实现相同对象的高效生成。
但是，这里提醒一下，原型模式需要注意复杂对象的拷贝问题。复杂对象的拷贝容易产生问题，这其中设计浅拷贝与深拷贝问题。感兴趣的朋友，可以查阅相关资料。
3.享元模式
享元模式，通过减少对象数量，从而改善应用所需的对象结构。既然减少了对象的创建，那么也就减少了内存中对象数量，从而降低了系统内存占用与对象创建的资源消耗。
所以需要大量类似对象时，如缓存池等，可以采用享元模式，来提高系统性能。
享元模式，貌似在系统底层应用得比较多。
以上，通过三个设计模式，简单阐述了设计模式带来的编程性能。更多的应用，需要各位朋友自行探讨。
五，多线程
这个部分，应该是多数人在高性能编程时优先考虑到的点。也是诸多面试的重点，所以这里我就简单说一下。
多线程是如何提高编程性能的呢？这其中有多种原因。
- 有的是由于单个线程的操作存在资源阻塞的情况（如数据库请求，等待数据库响应）
- 有的是为了充分利用多核CPU的多核特性（如Nginx的worker默认是auto，也就是系统CPU核心数）
- 其实还有一种比较难以理解，是为了平滑CPU计算（如大当量的计算任务进行拆分等，具体后面会阐述）
这里还有一点，需要进行说明。那就是线程数量的增加，带来了局部程序的性能提升，但其实降低了系统整体性能。因为每个线程都有竞争CPU时间片的资格。在达到一定的总线数量后，某个程序的线程数增加，只是增加了其获得CPU时间片的时间。而整体CPU时间是固定的，也就是系统整体性能并没有带来提升，并且系统整体性能反而因为线程的上下文切换等原因，降低了性能。当然这个总线程数量的“一定”是不好把握的。并且在某些情况下，多个线程会带来一定的平滑效果。
为了更好的说明，下面举一些例子。
1.资源阻塞：
这个应该是一个比较好理解的例子。
正如之前提到的数据库的例子。单个服务所需总时间为1s，其中数据库资源访问花了0.9s，程序运行花费0.1s。如果是单线程，这个服务的吞吐量就只有1/s。那如果采用多个线程，并且线程数量设置为10，那么该服务的吞吐量就有10/s。甚至在数据库等条件允许的情况下，这个服务的吞吐量可以无限大，只要线程数量足够（当然实际是不可能的，总会有新的性能瓶颈出来的）。
这个应用，请大家牢牢记住，因为这是一个非常常用的应用。
2.CPU核心数
大家都知道，一个线程会竞争一个CPU。而如今很多服务器都是多核的。那么为了充分利用服务器的多核特性，面对计算密集型任务，我们往往将其线程数量设置为CPU核心数。
举个例子，八核服务器上有这么一个服务，需要进行挖矿计算（其采用POW算法，是非常消耗算力的）。如果单线程的话，那就是传说中的“一核有难，七核围观”（一个CPU核心疯狂工作，其余七个CPU核心基本空闲）。那么算力的产出就只有1。那么如果是多线程，并且设置线程数为8，那么服务器八个核心都会疯狂工作。算力的产出有8。如果采用多线程，并且线程数为9（大于8）。那么就是服务器八个核心疯狂工作，8个线程在执行，还有1个线程在疯狂插队。从而导致服务器八个CPU核心，是不是还得停下来，切换上下文，从而换一个线程执行。最终算力产出低于8。
这种情况下，一定要考虑上下文切换的资源消耗。另一方面，一定要清楚总体算力，算力有多少是真正应用到目标程序中，最终算力产出是多少。
3.平滑CPU计算
这个比较难以理解，也基本看不到人提及，实际应用价值也不大（一般用不到）。而且没有在实际应用中，真的应用，只能说从理论方面探寻。
之前提到的上下文切换，说白了就是CPU将数据从内存中读取到CPU中，再将之前线程的数据保存到内存中。
那么如果服务执行的数据量很大呢？
单线程情况下，一方面上下文切换时数据量较大（可以将上下文理解为程序快照），另一方面由于高速缓存无法承载如此大的数据量，就会频繁与内存发生数据交互（这涉及内存管理，这里不再赘述，详见软考-架构师系列博客）。
多线程情况下，一方面上下文切换时数据量较小（但是总体不变，甚至更大，但是合理的程序设计，有可能上下文切换占用内存更低），另一方面，避免了高速缓存无法承载过多数据的问题。
多线程提高性能的情况，多数可以归于上述三类（或者说前两类吧）。有不同看法，或者有无法归类上述类型的，欢迎提出，共同进步。
六，特定机制
特定机制，就类似于一些取巧的方法，大多是采用系统资源交换来实现（如空间换时间等）。
常见的有：
- Fork/Join框架
- CopyOnWriteArray
- Netty的零拷贝
等
1.Fork/Join框架
这个框架已经在前面的算法部分提及，这里只是站在机制角度多说两句。
一方面，多数的机制，也都可以按照高性能六个层次来分，只不过成为了较为成熟的方案而已。另一方面，多数机制都是采用分治，资源交换等来实现的。
2.CopyOnWriteArry
这是JDK中的一个数组，用于针对读多写少的场景。
最早，解决数组数据的读写问题，我们都是单线程操作，除了效率低，没什么问题。
然后，为了提高性能，我们采用了多线程，而线程不安全的数组会给我们带来线程安全问题。
紧接着，为了解决线程安全问题，最早采用简单的独占锁来解决这个问题。
后来，人们发现读的操作并不会带来线程安全问题（因为没有数据修改，等同于操作常量）。所以人们采用读写锁来解决线程安全问题（读写锁，即同时只能一个写操作，但可以有多个读操作。这里可以复习一下锁降级概念）。
最后，人们给出了更好的解决方案-CopyOnWriteArry。同时有两个数组，一个进行读操作，一个进行写操作。但是就像JVM运行时数据区中的Survive区一样，在一个写操作完成后，写数组与数组就进行切换（这个切换，只需要修改数组的指向Reference即可）。这样就保证了最高效的读操作。这和数据库的读写分离有着异曲同工之妙（只不过，一般不直接进行切换而已）。
通过，双倍的内存空间消耗，换来了读操作的大幅提升，即程序性能提升。
3.Netty的零拷贝：
Netty的零拷贝机制，来源于Netty的ByteBuf。而ByteBuf有着诸多优点，这里不再赘述，感兴趣的可以等待我的Netty源码分析的博客。
这里只简单说一下其中的零拷贝机制。
Netty的零拷贝机制，体现在两点。第一个是多个实际数据的虚拟逻辑组合。另一个是避免数据在内存中的用户空间与内核空间之间的拷贝。
前者就是通过CompositeByteBuf，将多个ByteBuf合并为一个** 逻辑** 上的ByteBuf，避免了各个ByteBuf之间的拷贝。举个栗子，现有数组A与数组B，你需要两个数组的合并数组C。正常就是生成一个新的数组，将两者copy过来。而零拷贝，则是数组C中包含数组A和数组B的指向。
后者则涉及内存的用户空间与内核空间的知识，这里不再解释两者，感兴趣的可以查看我早期Windows内核编程的相关部分。而ByteBuf的零拷贝用到了Java的FileChannel.transferTo方法，直接将文件缓冲区的数据，直接发送到目标Channel（网卡接口Buffer）。
ByteBuf对直接内存的使用，算是一种支撑。但是其独立出来，我认为并不能体现零拷贝特性。
当然，零拷贝的应用还有很多，包括Kafka等，也有相关应用。
七，总结
最终，我想说的是，高性能，其实也和架构设计一样，伴随着均衡，即有得有失。只不过有些东西，在系统的目标中权重并不高，或者说并没有那么高的要求而已。我们要做的是找到性能的瓶颈，去处理它。
如果上述观点，有任何不当或不足的，可以直接私信或@我。愿与诸君共进步。