如何消除程序中的数据竞争 周光远 华为 从一些问题说起 1 2 3 什么是数据竞争 Go语言中的数据竞争（data race）： data race occurs when two goroutines access the same variable concurrently and at least one of the accesses is a write. 数据竞争（data

美团点评微服务框架及治理系统:1?: 演进g路 曹继光 美团点评 资深技术a家 ��� �������������� W &0%(年加入美团，先后负责 服务框架及治理v系、性能 q化、S3?化等方向 W 经历h美团服务治理v系l0 到%，再到发展完善的各c阶 段 W 服务治理系统:1?:演进及架构设计 W 美团点评服务治理实践 W :1?:在SEPTIDE MEQh

Struct of Array ）属性分离存储在多个数组 • xxxxyyyyzzzz • AOS 必须对齐到 2 的幂才高效， SOA 就不需要。 • AOS 符合直觉，不一定要存储在数组这种线性结构， 而 SOA 可能无法保证多个数组大小一致。 • SOA 不符合直觉，但通常是更高效的！ AOS 和 SOA 的对比 • 因为缓存行大小是 64 字节，他是从内存读写的最小单位。 • 不用等待，就可以直接开始处理 a[2] ，避免等待数据的 时候 CPU 空转浪费时间。 • 这种策略称之为预取（ prefetch ），由硬件自动识别你程序的访存规律 ，决定要预取的地址。一般来说只有线性的地址访问规律（包括顺序、 逆序；连续、跨步）能被识别出来，而如果你的访存是随机的，那就没 办法预测。遇到这种突如其来的访存时， CPU 不得不空转等待数据的抵 达才能继续工作，浪费了时间。 sizeof(float)); 可以在堆上分配 n 行 m 列的二维数组。 • 通过 a[i * m + j] 访问第 i 行，第 j 列的元素。 • 释放时，统一用 free(a) • 注意到：动态的数组，因为编译器光从指针没办法推断出列数 m ，因此要手动扁平化。 C++ 动态数组 • vector a(n); 可以在堆上分配有 n 个元素的一维数组。 • 通过 a[i] 访问第 i 个元素。

注意一些滤镜改变帧属性而不是帧内容。例如前面提到的fps滤镜就只是引起帧率的变化，但不处理 帧内容，另外一个例子是setpts则仅仅设置时间戳，通过滤镜的帧内容完全不变化。 复合滤镜是那些不能简单描述为一个线性处理过程应用到一个流的情况，例如当过程中有多个输入和/ 或输出，或者输出流类型不同于输入时，示意图如下： 1. _________ 2. | | 3. | input 0 |\ - 127 - 本文档使用 书栈(BookStack.CN) 构建 1. 默认预置 picture 1. 数码图片，例如人像拍摄、室内拍摄、 photo 1. 室外图像，自然光 lighting drawing 1. 手绘或者画线，具有高对比度的细节 icon 1. 小尺寸彩色图像 text 1. 文本之类的 x264 H.264/MPEG-4 些噪音，这段 噪音就叫做Dither。这些噪音加入后，可能会进位而改变第16个Bit的信息，然后我们再把最后 4个Bit删掉，这个过程我们称为redithering，用意是让后面4个Bit的数据线性地反映在第16 28 重采样(resampler)选项 - 255 - 本文档使用 书栈(BookStack.CN) 构建 个Bit上。由于人耳具有轻易将噪音与乐音分离的能力，所以虽然我们加入了噪音，实际上我们

增大呈线性增长。此算法的时间复杂度被称 为「线性阶」。 ‧ 算法 C 中的打印操作需要循环 1000000 次，但运行时间仍与输入数据大小 ? 无关。因此 C 的时间复杂 度和 A 相同，仍为「常数阶」。 // 算法 A 时间复杂度：常数阶 void algorithm_A(int n) { System.out.println(0); } // 算法 B 时间复杂度：线性阶 void 相较于直接统计算法运行时间，时间复杂度分析有哪些优势和局限性呢？ 时间复杂度能够有效评估算法效率。例如，算法 B 的运行时间呈线性增长，在 ? > 1 时比算法 A 慢，在 ? > 1000000 时比算法 C 慢。事实上，只要输入数据大小 ? 足够大，复杂度为「常数阶」的算法一定优于 「线性阶」的算法，这正是时间增长趋势所表达的含义。 时间复杂度的推算方法更简便。显然，运行平台和计算操作类型都与算法运行时间的增长趋势无关。因此在 ++） System.out.println(0); // +1 2. 复杂度 hello‑algo.com 17 } } ?(?) 是一次函数，说明时间增长趋势是线性的，因此可以得出时间复杂度是线性阶。 我们将线性阶的时间复杂度记为 ?(?) ，这个数学符号称为「大 ? 记号 Big‑? Notation」，表示函数 ?(?) 的「渐近上界 Asymptotic Upper Bound」。

次，算法运行时间随着 ? 增大呈线性增长。此算法的时间复杂度被称 为「线性阶」。 ‧ 算法 C 中的打印操作需要循环 1000000 次，但运行时间仍与输入数据大小 ? 无关。因此 C 的时间复杂 度和 A 相同，仍为「常数阶」。 # 算法 A 时间复杂度：常数阶 def algorithm_A(n: int): print(0) # 算法 B 时间复杂度：线性阶 def algorithm_B(n: 相较于直接统计算法运行时间，时间复杂度分析有哪些优势和局限性呢？ 时间复杂度能够有效评估算法效率。例如，算法 B 的运行时间呈线性增长，在 ? > 1 时比算法 A 慢，在 ? > 1000000 时比算法 C 慢。事实上，只要输入数据大小 ? 足够大，复杂度为「常数阶」的算法一定优于 「线性阶」的算法，这正是时间增长趋势所表达的含义。 时间复杂度的推算方法更简便。显然，运行平台和计算操作类型都与算法运行时间的增长趋势无关。因此在 a = a * 2 # +1 # 循环 n 次 for i in range(n): # +1 print(0) # +1 ?(?) 是一次函数，说明时间增长趋势是线性的，因此可以得出时间复杂度是线性阶。 我们将线性阶的时间复杂度记为 ?(?) ，这个数学符号称为「大 ? 记号 Big‑? Notation」，表示函数 ?(?) 的「渐近上界 Asymptotic Upper Bound」。

增大呈线性增长。此算法的时间复杂度被称 为「线性阶」。 ‧ 算法 C 中的打印操作需要循环 1000000 次，但运行时间仍与输入数据大小 ? 无关。因此 C 的时间复杂 度和 A 相同，仍为「常数阶」。 // 算法 A 时间复杂度：常数阶 void algorithm_A(int n) { Console.WriteLine(0); } // 算法 B 时间复杂度：线性阶 void 相较于直接统计算法运行时间，时间复杂度分析有哪些优势和局限性呢？ 时间复杂度能够有效评估算法效率。例如，算法 B 的运行时间呈线性增长，在 ? > 1 时比算法 A 慢，在 ? > 1000000 时比算法 C 慢。事实上，只要输入数据大小 ? 足够大，复杂度为「常数阶」的算法一定优于 「线性阶」的算法，这正是时间增长趋势所表达的含义。 时间复杂度的推算方法更简便。显然，运行平台和计算操作类型都与算法运行时间的增长趋势无关。因此在 ++） Console.WriteLine(0); // +1 2. 复杂度 hello‑algo.com 17 } } ?(?) 是一次函数，说明时间增长趋势是线性的，因此可以得出时间复杂度是线性阶。 我们将线性阶的时间复杂度记为 ?(?) ，这个数学符号称为「大 ? 记号 Big‑? Notation」，表示函数 ?(?) 的「渐近上界 Asymptotic Upper Bound」。

? 增大呈线性增长。此算法的时间复杂度被称 为「线性阶」。 ‧ 算法 C 中的打印操作需要循环 1000000 次，但运行时间仍与输入数据大小 ? 无关。因此 C 的时间复杂 度和 A 相同，仍为「常数阶」。 // 算法 A 时间复杂度：常数阶 void algorithm_A(int n) { cout << 0 << endl; } // 算法 B 时间复杂度：线性阶 void 相较于直接统计算法运行时间，时间复杂度分析有哪些优势和局限性呢？ 时间复杂度能够有效评估算法效率。例如，算法 B 的运行时间呈线性增长，在 ? > 1 时比算法 A 慢，在 ? > 1000000 时比算法 C 慢。事实上，只要输入数据大小 ? 足够大，复杂度为「常数阶」的算法一定优于 「线性阶」的算法，这正是时间增长趋势所表达的含义。 时间复杂度的推算方法更简便。显然，运行平台和计算操作类型都与算法运行时间的增长趋势无关。因此在 +1（每轮都执行 i ++） cout << 0 << endl; // +1 2. 复杂度 hello‑algo.com 17 } } ?(?) 是一次函数，说明时间增长趋势是线性的，因此可以得出时间复杂度是线性阶。 我们将线性阶的时间复杂度记为 ?(?) ，这个数学符号称为「大 ? 记号 Big‑? Notation」，表示函数 ?(?) 的「渐近上界 Asymptotic Upper Bound」。

次，算法运行时间随着 ? 增大呈线性增长。此算法的时间复杂度被称 为「线性阶」。 ‧ 算法 C 中的打印操作需要循环 1000000 次，但运行时间仍与输入数据大小 ? 无关。因此 C 的时间复杂 度和 A 相同，仍为「常数阶」。 // 算法 A 时间复杂度：常数阶 func algorithm_A(n int) { fmt.Println(0) } // 算法 B 时间复杂度：线性阶 func algorithm_B(n 相较于直接统计算法运行时间，时间复杂度分析有哪些优势和局限性呢？ 时间复杂度能够有效评估算法效率。例如，算法 B 的运行时间呈线性增长，在 ? > 1 时比算法 A 慢，在 ? > 1000000 时比算法 C 慢。事实上，只要输入数据大小 ? 足够大，复杂度为「常数阶」的算法一定优于 「线性阶」的算法，这正是时间增长趋势所表达的含义。 时间复杂度的推算方法更简便。显然，运行平台和计算操作类型都与算法运行时间的增长趋势无关。因此在 i++ { // +1 fmt.Println(a) // +1 2. 复杂度 hello‑algo.com 17 } } ?(?) 是一次函数，说明时间增长趋势是线性的，因此可以得出时间复杂度是线性阶。 我们将线性阶的时间复杂度记为 ?(?) ，这个数学符号称为「大 ? 记号 Big‑? Notation」，表示函数 ?(?) 的「渐近上界 Asymptotic Upper Bound」。

复杂度分析 hello‑algo.com 20 图 2‑1 是该求和函数的流程框图。 图 2‑1 求和函数的流程框图 此求和函数的操作数量与输入数据大小 ? 成正比，或者说成“线性关系”。实际上，时间复杂度描述的就是 这个“线性关系”。相关内容将会在下一节中详细介绍。 2. while 循环 与 for 循环类似，while 循环也是一种实现迭代的方法。在 while 循环中，程序每轮都会先检查条件，如果条 ，给定三个算法 A、B 和 C ： // 算法 A 的时间复杂度：常数阶 func algorithm_A(n int) { fmt.Println(0) } // 算法 B 的时间复杂度：线性阶 func algorithm_B(n int) { for i := 0; i < n; i++ { fmt.Println(0) } } // 算法 C 的时间复杂度：常数阶 func A 只有 1 个打印操作，算法运行时间不随着 ? 增大而增长。我们称此算法的时间复杂度为“常数 阶”。 ‧ 算法 B 中的打印操作需要循环 ? 次，算法运行时间随着 ? 增大呈线性增长。此算法的时间复杂度被称 为“线性阶”。 ‧ 算法 C 中的打印操作需要循环 1000000 次，虽然运行时间很长，但它与输入数据大小 ? 无关。因此 C 的时间复杂度和 A 相同，仍为“常数阶”。 图 2‑7