性能优化篇

提到性能优化，就会想到加并发，加机器，用缓存。诚然，这几种方法被熟悉是因为足够有效且通用，可是，当你手里只有锤子的时候，你是没办法完成一个复杂的任务的，手里只有锤子的人只会把所有像钉子的地方锤一遍

前言 一般需要性能优化的任务分为数据密集型任务和计算密集型任务，数据密集型任务是指需要处理和分析大量数据的任务。最常见的数据密集型任务应该是数据库操作了，这类任务的性能瓶颈一般在数据的读取和写入速度，

持续创作，加速成长！这是我参与「掘金日新计划 · 6 月更文挑战」的第1天，点击查看活动详情 我不确定大家是否看过这个表格 操作 延迟 执行一个指令 1 ns L1 缓存查询 0.5 ns 分支预测错

矩阵计算无论是在高性能计算还是深度学习中，都是比较常用的操作，常规的矩阵相乘包括大量的浮点数计算或者乘加运算，是典型的计算密集型算子。矩阵运算的性能直接展示了程序员设计的矩阵算法对CPU的利用能力

缓存不同于预计算这种基于业务场景的一视同仁，而是充分的利用了空间局部性远离，每一次缓存命中，都是计算机的浪漫。Redis与Mysql的配合，全局变量Map，哪怕是CPU，也有不同等级的cache

很多人觉得工作像是无尽的CRUD，实际上工作场景中包含很多值得思考的可以性能优化的点。针对数据而言，比较常见的性能优化方式有两种，一种是 cache， 一种是预计算。本篇文章会介绍后者。

在面试时被问到一道八股文：go语言map存储了一千个1KB大小的对象，和存储了一万个100B大小的对象，哪个占空间更大？不仅仅是为了让读者会一道八股文，而是让读者可以从原理上读懂go语言源码的设计思路

写在前面 本篇文章的内容并不是面试常考的八股文（B+树 B+树和XX树的区别 覆盖索引和回表 避免慢查询 等等），而是更教条、更科班的角度从头开始认识索引。同时行文尽量避免“老师上课时知识点罗列一黑板