3 列表 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79 4.4 内存与缓存 * . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84 4.5 小结 . . . . . 序便可以访问内存中的数据。 图 3‑2 内存条、内存空间、内存地址 Tip 值得说明的是，将内存比作 Excel 表格是一个简化的类比，实际内存的工作机制比较复杂，涉及地址 空间、内存管理、缓存机制、虚拟内存和物理内存等概念。 内存是所有程序的共享资源，当某块内存被某个程序占用时，则无法被其他程序同时使用了。因此在数据结 构与算法的设计中，内存资源是一个重要的考虑因素。比如，算法所占用的内存峰值不应超过系统剩余空闲 优化数据结构的操作效率。 ‧ 空间效率高：数组为数据分配了连续的内存块，无须额外的结构开销。 ‧ 支持随机访问：数组允许在 ?(1) 时间内访问任何元素。 ‧ 缓存局部性：当访问数组元素时，计算机不仅会加载它，还会缓存其周围的其他数据，从而借助高速缓 存来提升后续操作的执行速度。 连续空间存储是一把双刃剑，其存在以下局限性。 ‧ 插入与删除效率低：当数组中元素较多时，插入与删除操作需要移动大量的元素。

3 列表 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79 4.4 内存与缓存 * . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84 4.5 小结 . . . . . 序便可以访问内存中的数据。 图 3‑2 内存条、内存空间、内存地址 Tip 值得说明的是，将内存比作 Excel 表格是一个简化的类比，实际内存的工作机制比较复杂，涉及地址 空间、内存管理、缓存机制、虚拟内存和物理内存等概念。 内存是所有程序的共享资源，当某块内存被某个程序占用时，则通常无法被其他程序同时使用了。因此在数 据结构与算法的设计中，内存资源是一个重要的考虑因素。比如，算法所占用的内存峰值不应超过系统剩余 优化数据结构的操作效率。 ‧ 空间效率高：数组为数据分配了连续的内存块，无须额外的结构开销。 ‧ 支持随机访问：数组允许在 ?(1) 时间内访问任何元素。 ‧ 缓存局部性：当访问数组元素时，计算机不仅会加载它，还会缓存其周围的其他数据，从而借助高速缓 存来提升后续操作的执行速度。 连续空间存储是一把双刃剑，其存在以下局限性。 ‧ 插入与删除效率低：当数组中元素较多时，插入与删除操作需要移动大量的元素。

3 列表 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79 4.4 内存与缓存 * . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84 4.5 小结 . . . . . ，程序便可以访问内存中的数据。 图 3‑2 内存条、内存空间、内存地址 � 值得说明的是，将内存比作 Excel 表格是一个简化的类比，实际内存的工作机制比较复杂，涉 及地址空间、内存管理、缓存机制、虚拟内存和物理内存等概念。 内存是所有程序的共享资源，当某块内存被某个程序占用时，则无法被其他程序同时使用了。因此在数据结 构与算法的设计中，内存资源是一个重要的考虑因素。比如，算法所占用的内存峰值不应超过系统剩余空闲 优化数据结构的操作效率。 ‧ 空间效率高：数组为数据分配了连续的内存块，无须额外的结构开销。 ‧ 支持随机访问：数组允许在 ?(1) 时间内访问任何元素。 ‧ 缓存局部性：当访问数组元素时，计算机不仅会加载它，还会缓存其周围的其他数据，从而借助高速缓 存来提升后续操作的执行速度。 连续空间存储是一把双刃剑，其存在以下局限性。 ‧ 插入与删除效率低：当数组中元素较多时，插入与删除操作需要移动大量的元素。

WorkerLocal数据结构设计 挑战：缓存系统访问热点效率瓶颈 thread1 thread2 thread3 threadN ... 多线程调用查询 type_of typeck borrow_ck impl_trait adt_def impl_defaul tness param_env fn_sig ... 查询互相调用 查询缓存系统 查询依赖信息 查询结果缓存 查询执行状态 查询保存文件 查询保存文件 性能瓶颈点 频繁访问查询系统，成为效率瓶颈点 挑战：缓存系统访问热点效率瓶颈 Sharded —— 接口统一，存储分离 cache1 cache2 cache3 cacheM ... thread1 thread2 thread3 threadN ... 根据Key哈希值决定索引 Sharded数据结构设计 Rust并行编译的未来 · 抹平共享数据结构造成的性能差距 · · 深化编译器并行化 从并行编译到并行程序设计 用巧妙的数据结构设计化解效率瓶颈 • thread_local • specialization • WorkerLocal • 线程级缓存 用优秀的设计消减数据同步代价 读写分离 限制作用范围 COPY-WRITE机制 优化并行粒度 任务粒度与并行效率的关系 rayon库中的粒度控制函数 死锁的检测和处理 基于rayon线程池的自动触发式死锁检测

直接使用编译器的情况相当少见（大多数用户从不这样做）。 – 值得一提的是，Cargo 本身就是一个功能强大且全面的工具。它能够实现许多高级功能，包括 但不限于： * 项目/软件包结构 * 工作区 * 开发依赖和运行时依赖管理/缓存 * 构建脚本 * 全局安装 * 它还可以使用子命令插件（例如 cargo clippy）进行扩展。 – 详情请参阅 官方 Cargo Book 2.2 本培训中的代码示例 在本培训中，我们将主要通过示例探索 我们需要先启用 MMU 和缓存功能，然后才能读取或写入任何内存。否则： – 非对齐访问将会出错。我们为 aarch64-unknown-none 目标构建 Rust 代码，该目标会设 置 +Strict-align 以防止编译器生成非对齐访问，因此在本例中应该没有问题，但一般情 况下并不一定如此。 – 如果是在虚拟机中运行该命令，可能会导致缓存一致性问题。问题在于，虚拟机是在禁用缓存 的情况下直接访问 的情况下直接访问内存，而主机具有同一内存的缓存别名。即使主机并没有明确访问该内存， 推测性访问仍然会导致缓存被填充，然后在清除缓存或虚拟机启用缓存时，任何一方对于该内 存进行的更改就会丢失。 （使用物理地址来键控缓存，而 VA 或 IPA。） • 为简单起见，我们只使用硬编码的分页表（请参阅 dmap.S），其通过身份映射将前一个 1 GiB 的地 址空间用于设备，紧接着的 1 GiB 用于 DRAM，然后在更高位置预留了

等⼀系统慢⻓的流程。 Buildpacks How Buildpacks work 分析 探测 恢复构建包可⽤于优化构建和导出阶段的⽂件。 查找⼀组有序的构建包以在构建阶段使⽤。 恢复 构建 从缓存中恢复图层。 将应⽤程序源代码转换为可以打包到容器中的可运⾏⼯件。 导出 创建最终的 OCI 图像。 Packages and Crates cli desktop common client 构建容器镜像及优化策略 • Dockerfile 多阶段构建，充分利⽤层（Layer）缓存加速能⼒； • 使⽤ Cargo Chef 缓存你的 Rust 项⽬的依赖项； • Github Actions Matrix 矩阵构建 amd64 / arm64 等多架构镜像； • 利⽤ Github Actions Cache Management 缓存能⼒，加速 CI 执⾏速度； • 跨多运⾏器分布式构建 Docker

虽然简单，但使用过其他语言就会知道，通道有多种使用方式，且比较灵活， 为此我们需要进一步考虑关于 Rust 的 Channel 的几个问题： 1. 通道能保证消息的顺序吗？是否先发送的消息，先接收？ 2. 通道能缓存消息吗？如果能的话能缓存多少？ 3. 通道的发送者和接收者支持 N:1，1:N，N:M 模式吗？ 4. 通道能发送任何数据吗？ 5. 发送后的数据，在线程中继续使用没有问题吗？ 下面各小节会对上面各部分问题进行回答。 receive 1 receive 2 在代码中，我们故意让 main 所在的主线程睡眠 2 秒，从而让发送者所在线程优 先执行，通过结果可以发现，发送者发送消息时确实没有阻塞。 异步通道具备消息缓存的功能，理论上是无穷的，直至内存耗光为止。 异步通道的具有良好的灵活性和扩展性，针对业务需要，可以灵活地应用于实 际项目中。 同步通道： 同步通道在使用上同异步通道一样，接收端也是一样的，唯一的区别在于发送 SyncSender。为了显示出同步通道的区别，故意添加了一 些打印。和异步通道相比，存在两点不同： 1. 同步通道是需要指定缓存的消息个数的，但需要注意的是，最小可以是 0， 表示没有缓存。 2.发送者是会被阻塞的。当通道的缓存队列不能再缓存消息时，发送者发送消 息时，就会被阻塞。当缓存队列有空间存放时，会从阻塞状态唤醒。 use std::sync::mpsc; use std::thread;

实际执行时，执行器等待流数据，处 理后将数据推送到下一个执行器 切分执行计划，将执行计划划分成不 同的执行阶段 内存缓存结构：加速图数据查询 • 由于图数据的查询通常是 IO 密集型，且访问的数据随机又分散，拥有内存缓存能起到很 好的加速效果 • 要想让内存缓存发挥最大的作用，就要能在有限的内存中存下尽量多的图数据 • 例如，对于属性的存储，可以通过自行序列化 / 反序列化大幅节省内存

TDengine 是一款开源、云原生的时序数据库（ Time Series Database ），专为物联网、工业互联网、金融、 IT 运维监控等场景设计并优化，具有极强的弹性伸缩能力。同时它还带有内建的缓存、流式计算、数据订阅等 系统功能，能大幅减少系统设计的复杂度，降低研发和运营成本，是一个极简的时序数据处理平台。 采用关系型数据库模型  需要建库、建表，  为提升写入和查询效率，要求一个数据采集点一张表 `groupid` INT, `location` VARCHAR(24)) TDengine - 业务模式 开源版 企业版 云服务版 核心功能开源 • SQL 支持 • 无模式写入 • 缓存 • 流计算 • 数据订阅 • 集群、高可用 高可靠、线性扩展 + 专业技术服务 • 边云数据复制 • 跨云 / 异地数据复制 • 增量备份 • 多级存储 • 工业数据接入 全托管时序数据

式的内容。 Req-Line Headers Content Headers Sta-Line Status HTTP/1.1 • 连接可以复用 • 管线化技术 • 支持响应分块 • 引入额外的缓存 控制机制 • 引入内容协商机 制 • 报文基本格式不 再变化 HTTP/2 • 二进制协议 • 支持多路复用 • 支持响应分块 • 支持标头压缩 • 支持服务端推送 • 报文基本格式不