程序性能一直是受到关注的问题，即使在现在这样的高性能硬件时代，也是如此。本文是分两部分的文章系列的第二篇，讨论基准测试的统计问题并提供一个框架，可以用这个框架对各种 Java™ 代码进行基准测试，包括自我包含的微基准测试和调用整个应用程序的代码等等。

本系列的 第 1 部分 解释了与 Java 代码基准测试相关联的许多问题。本文讨论另外两个领域。首先，讨论一些有助于克服基准测试中不可避免的度量偏差的统计技术。然后，介绍一个软件基准测试框架并对一系列示例使用这个框架，以说明要点。

统计

如果只需执行一次执行时间度量，然后就可以用单一度量值比较不同代码的性能，那就太方便了。遗憾的是，这种方法虽然很流行，但是很不可靠。有许多因素会导致结果的偏差，所以无法信任单一度量值的精确性。在 第 1 部分 中，我提到过时钟分辨率、复杂的 JVM 行为和自动的资源回收，这些都是噪声源，它们会影响结果的精确性；这些只是能够随机或系统化地影响基准测试的众多因素的一小部分。可以采取一些措施来减轻一些因素的影响；如果有充分的理解，甚至可以执行去卷积（deconvolution）（参见 参考资料）。但是，这些补救措施都不完美，所以最终必须由您来处理偏差。惟一的方法是执行多次度量，然后用统计技术生成可靠的结果。正如 “He who refuses to do arithmetic is doomed to talk nonsense” 中指出的，忽略统计技术是很危险的（参见 参考资料）。

我在本文中只讨论解决以下这些常见性能问题所需的统计技术：

• 任务 A 是否比任务 B 执行得快？
• 这个结论可靠吗？还是由于度量的误差造成的假像？

如果做多次执行时间度量，那么首先要计算的统计数据可能是一个代表典型值 的单一数字（参考资料 中的一篇 Wikipedia 文章定义了本文涉及的统计学概念）。最常用的计算方法是算术平均值，通常称为平均值 或均值，也就是所有度量值的和除以度量值的数量：

mean_x = Summation_i=1,n(x_i) / n

本文配套网站上的补充资料（参见 参考资料）讨论了除平均值之外的其他统计数据；参见其中的 Alternatives to the mean 一节。

用几个度量值的平均值来量化性能，肯定比使用单一度量值更准确，但这还不能判断哪个任务执行得更快。例如，假设任务 A 的平均执行时间是 1 毫秒，任务 B 的平均执行时间是 1.1 毫秒。能够由此得出任务 A 比任务 B 快的结论吗？如果您知道任务 A 的度量值范围是 0.9 到 1.5 毫秒，任务 B 的度量值范围是 1.09 到 1.11 毫秒，恐怕就不会下这样的结论了。因此，还需要解决度量值的跨度。

描述度量值跨度（或者说漂移）的最常用统计技术是标准偏差（standard deviation）：

sd_x = sqrt{ Sum_i=1,n( [x_i - mean_x]² ) / n }

标准偏差如何量化度量值漂移？它依赖于您对度量值的概率密度函数（probability density function，PDF）的认识。您做的假设越强，得到的结论就越好。本文补充资料的 Relating standard deviation to measurement scatter 一节详细解释了这个概念并得出以下结论：在基准测试上下文中，合理的经验规则是至少 95% 的度量值应该落在平均值的三倍标准偏差的范围内。

那么，如何用平均值和标准偏差判断两个任务中哪一个更快呢？根据上面的经验规则，最简单的情况是两个任务的平均值之差超过了三倍标准偏差（选用两个标准偏差中较大者）。在这种情况下，平均值小的任务显然在大多数时候都更快，见图 1：

不幸的是，两个任务的重叠部分越大，判断就越困难（例如，如果平均值只相差一个标准偏差），见图 2：

我们可以这样做：根据平均值判断两个任务的性能水平，但是要注意数据的重叠程度并相应地指出结论的可靠程度。

可靠性

要解决的另一个问题是，这些平均值和标准偏差统计值本身的可靠性如何。显然，这些数据是从度量值计算出来的，所以另一组度量值很可能产生不同的统计值。现在，假设度量过程是有效的。（注意：不可能测量出 “真实的” 标准偏差。补充资料的 Standard deviation measurement issues 一节解释了这个问题）。那么，如果重复执行度量过程，平均值和标准偏差会有多大变化？另一组度量值会产生明显不同的结果吗？

要回答这些问题，最明显的方法是为统计数据构造置信区间（confidence interval）。置信区间并不是统计数据的单一计算值（估值点[point estimate]），而是一个估值范围。与这个范围相关联的概率 p 称为置信水平（confidence level）。在大多数情况下，设 p 为 95%，这个值在置信区间比较期间保持不变。置信区间的意义很直观，因为它们的大小表示可靠性：窄的区间表示统计数据比较精确，宽的区间表示统计数据不太确定。例如，如果任务 A 的平均执行时间的置信区间是 [1, 1.1] 毫秒，任务 B 是 [0.998, 0.999] 毫秒，那么 B 的平均值就比 A 可靠性高，还可以确认它的值比 A 小（在置信水平上）。补充资料的 Confidence intervals 一节详细讨论了这个问题。

在以前，只能针对一些常见的 PDF（比如 Gaussian）和简单的统计数据（比如平均值）计算置信区间。但是，在 20 世纪 70 年代晚期，开发出了一种称为 bootstrapping 的技术。这是一种用来产生置信区间的通用技术。它适用于任何统计数据，而不只是平均值这样的简单数据。另外，非参数化形式的 bootstrapping 不需要对底层 PDF 做任何假设。它不会产生非物理结果（例如，置信区间的下限为负的执行时间）；与对 PDF 做出错误假设的情况（比如假设是 Gaussian）相比，bootstrapping 产生更窄更精确的置信区间。对 bootstrapping 的详细讨论超出了本文的范围，但是下面讨论的框架包含一个 Bootstrap 类，这个类会执行 bootstrapping 计算；更多信息参见它的 Javadoc 和源代码（参见 参考资料）。

总之，您必须：

• 执行许多次基准测试度量。
• 根据度量值计算出平均值和标准偏差。
• 使用这些统计数据判断是否可以清楚地区分两个任务的速度（平均值之差超过三倍标准偏差），还是相互重叠。
• 计算平均值和标准偏差的置信区间，以此表示这些数据的可靠性。
• 用 bootstrapping 技术计算置信区间是最好的方法。

框架简介

到目前为止，我已经讨论了 Java 代码基准测试的一般原理。现在要介绍一个简便的基准测试框架，这个框架解决了前面提到的许多问题。

项目

请从本文的配套网站下载项目的 ZIP 文件（参见 参考资料）。这个 ZIP 文件包含源代码和二进制文件，以及一个简单的构建环境。它包含本文中的所有代码清单。把它的内容解压到任意目录中。在顶层目录中的 readMe.txt 文件中可以找到更多信息。

API

在这个框架中，主要的类是 Benchmark。大多数用户只需要使用这个类；其他东西都是起辅助的。API 的基本用法很简单：把要进行基准测试的代码提供给一个 Benchmark 构造函数。然后，就会完全自动地执行基准测试过程。通常只有一个后续步骤，即生成 结果报告。

任务代码

显然，必须有一些代码，希望对其执行时间进行基准测试。惟一的限制是，代码应该包含在 Callable 或 Runnable 中。除此之外，目标代码可以是能够用 Java 语言表达的任何代码，包括自我包含的微基准测试和调用整个应用程序的代码等等。

把任务编写为 Callable 常常更方便。Callable.call 允许抛出受检查的 Exception，而 Runnable.run 要求实现 Exception 处理。另外，正如第 1 部分的 消除死代码 一节指出的，与 Runnable 相比，Callable 更容易防止 DCE。把任务编写为 Runnable 的优点是，这可以尽可能降低创建对象和垃圾收集的开销；更多信息参见补充资料的 Task code: Callable versus Runnable 一节。

结果报告

要获得基准测试结果报告，最容易的方法是调用 Benchmark.toString 方法。这个方法产生一个单行的汇总报告，其中只包含最重要的结果和 警告。通过调用 Benchmark.toStringFull 方法，可以获得详细的多行报告，其中包含所有结果和完整的解释。除此之外，还可以调用 Benchmark 的各种访问函数来生成定制的报告。

警告

Benchmark 会尝试诊断一些常见的问题，如果探测到这些问题，就会在 结果报告 中提出警告。警告包括：

• 度量值太低（Measurements too low）：第 1 部分的 资源回收 一节指出，如果 Benchmark 认为度量过程没有充分考虑到垃圾收集和对象终结的成本，它就会提出警告。
• 离群值和序列相关性（Outliers and serial correlation）：执行时间度量值属于离群值（outlier） 和序列相关性（serial correlation） 统计测试。离群值说明发生了重大的度量错误。例如，如果在度量期间在计算机上启动了其他活动，就会产生较大的离群值；小的离群值可能暗示出现了 DCE。序列相关性表示 JVM 还没有达到稳定状态（其特征是执行时间有小幅随机波动）。具体地说，正的序列相关性表示一种趋势（向上或向下），负的序列相关性表示平均值反转（例如，执行时间振荡）；这些都不是好现象。
  
  　
• 标准偏差不精确：更多信息参见补充资料的 Standard deviation warnings 一节。

简单示例

下面用清单 1 中的代码片段演示前面讨论的要点：

                
public static void main(String[] args) throws Exception {
    Callable<Integer> task = 
        new Callable<Integer>() { public Integer call() { return fibonacci(35); } };
    System.out.println("fibonacci(35): " + new Benchmark(task));
}

protected static int fibonacci(int n) throws IllegalArgumentException {
    if (n < 0) throw new IllegalArgumentException("n = " + n + " < 0");
    if (n <= 1) return n;
    return fibonacci(n - 1) + fibonacci(n - 2);
}

在清单 1 中，main 把要测试的代码定义为 Callable，然后提供给 Benchmark 构造函数。Benchmark 构造函数多次执行一个任务，首先确保完成 代码预热，然后收集执行时间统计数据。构造函数返回之后，它所在的代码上下文（即 println 的内部）隐式地调用新的 Benchmark 实例的 toString 方法，这会报告基准测试的汇总统计数据。通常，Benchmark 的使用就这么简单。

在我的配置上，获得了以下结果：

fibonacci(35): first = 106.857 ms, mean = 102.570 ms (CI deltas: -35.185 us, 
+47.076 us), sd = 645.586 us (CI deltas: -155.465 us, +355.098 us) 
WARNING: execution times have mild outliers, SD VALUES MAY BE INACCURATE

下面解释这些结果：

• 第一次调用 fibonacci(35) 时，执行的时间是 106.857 毫秒。
• 执行时间的平均估值点是 102.570 毫秒。平均值的 95% 置信区间相对于估值点波动 -35/+47 微秒，也就是 [102.535, 102.617] 毫秒。这个区间相当窄，所以这个值是可信的。
• 执行时间的标准偏差估值点是 645.586 微秒。标准偏差的 95% 置信区间相对于估值点波动 -155/+355 微秒，也就是 [490.121, 1000.684] 微秒。这个区间相当宽，所以这个值不太可信。实际上，末尾的警告指出标准偏差 度量不精确。
• 结果还指出出现了离群值。在这个示例中，可以不理会这些警告；但是，如果您不放心的话，可以重新运行代码并改用 Benchmark 的 toStringFull 方法，这会列出所有统计数据，以便进一步分析。

数据结构访问时间

为了更好地说明基准测试问题以及如何使用 Benchmark 解决它们，下面对几种常用数据结构的访问时间进行基准测试。

只度量一种数据结构的访问时间是一种真正的微基准测试。的确，微基准测试有许多问题。（例如，它们对于考察完整应用程序的性能意义不大）。但是，这是情有可原的，因为它们很难得到精确的结果。这种度量涉及许多有意思的问题（比如缓存的影响），所以适合作为示例。

请考虑清单 2 中的代码，这段代码对数组访问时间进行基准测试（针对其他数据结构的代码是相似的）：

                
protected static Integer[] integers;    // values are unique (integers[i] == i)

protected static class ArrayAccess implements Runnable {
    protected int state = 0;
    
    public void run() {
        for (int i = 0; i < integers.length; i++) {
            state ^= integers[i];
        }
    }
    
    public String toString() { return String.valueOf(state); }
}

在理想情况下，这段代码仅仅访问 integers 数组。但是，为了方便地访问 integers 的所有元素，我使用了一个循环，这给基准测试带来了寄生循环开销。注意，我使用的是一个老式的显式 int 循环，而不是更方便的 for (int i : integers) 改进型 for 循环，因为它的速度快一点儿（参见 参考资料）。这里使用的循环应该算是一个缺陷，但是影响不大，因为所有即时（JIT）编译器都会执行循环展开，这会降低循环的影响。

但最为重要的是防止 DCE 所需的代码。首先，选用 Runnable 作为任务类，因为这可以尽可能降低创建对象和垃圾收集的开销，这对于这样的微基准测试很重要。第二，既然这个任务类是 Runnable，为了防止 DCE，必须把数组访问的结果赋值给 state 字段（以及覆盖的 toString 方法中需要使用的 state）。第三，对数组访问和以前的 state 值执行位 XOR 计算，以确保执行每个 访问。（如果只执行 state = integers[i]，聪明的编译器可能会发现可以跳过整个循环，直接执行 state = integers[integers.length - 1]）。这四个额外操作（字段读、把 Integer 自动转换为 int、位 XOR、字段写）是不可避免的开销，这些开销会歪曲基准测试的结果：实际上度量的不只是数组访问时间。所有其他数据结构基准测试也有相似的问题，但是对于访问时间相当长的数据结构，这种影响可以忽略。

图 3 和图 4 给出在我常用的桌面配置上对两个不同大小的 integers 的访问时间结果：

下面对结果做一些说明：

• 这些图只显示平均执行时间的估值点。（平均值的置信区间都很窄，宽度通常小于平均值的千分之一，所以没有在图上显示出来）。
• 所有基准测试都只使用一个线程；同步的类不涉及线程争用。
• 数组元素访问（不同步）代码已经在 清单 2 中给出。
• 数组元素访问（同步）代码基本相同，惟一的差异是循环体是： synchronized (integers) { state ^= integers[i]; }
• 图 3 和图 4 所示的两个 ConcurrentHashMap 之间的惟一差异是所使用的 ConcurrentHashMap 构造函数：第一种情况指定 concurrencyLevel = 1，第二种情况使用默认值（16）。因为所有基准测试都只使用一个线程，所以第一种情况应该会稍微快些。
• 每个基准测试都有一个或多个警告：
  • 几乎所有基准测试都有离群值，但是这些离群值都不严重，对结果影响不大。
  • 1024 × 1024 个元素的所有结果存在序列相关性。这个问题的影响程度不明确；1024 个元素的所有结果没有序列相关性。
  • 标准偏差总是不可能度量的（微基准测试的典型情况）。

这些结果可能符合您的预期：不同步的数组访问是最快的数据结构。ArrayList 的速度处于第二位，几乎与原始数组一样快。（可能是因为服务器 JVM 对底层数组的直接访问进行了出色的内联处理）。它比同步的相似 Vector 快得多。更慢一点儿的数据结构是 HashMap，然后是 ThreadLocal（这基本上是一个以当前线程作为键的特殊散列表）。实际上，在这些测试中，HashMap 几乎与 Vector 一样快，这是因为使用 Integer 作为键，而且 hashCode 的实现非常快（仅仅返回 int 值）。接下来是 ConcurrentHashMap，最后是最慢的结构 TreeMap。

我还在另一台完全不同的机器上执行了完全相同的基准测试（SPARC-Enterprise-T5220，运行频率 1.167GHz，32GB RAM，使用 SunOS asm03 5.10；使用的 JVM 版本和设置与我的桌面机相同，但是把 Benchmark 配置为度量 CPU 时间而不是流逝时间，因为测试都是单线程的，而 Solaris 支持单线程），但是这里没有给出结果。各种结构的相对结果与上面的结果相同。

在上面的结果中，惟一重大的不正常情况是同步的数组访问时间：我原来认为它们应该与 Vector 差不多，但是却慢了三倍。我猜测其原因可能是一些与锁相关的优化（比如锁省略或锁 biasing）无法进行（参见 参考资料）。在 Azul 的 JVM 中没有出现这种异常情况，而这种 JVM 使用定制的锁优化，这似乎证明了我的猜测是正确的。

另一个比较小的异常情况是，ConcurrentHashMap 的第一种情况只在使用 1024 × 1024 个元素时比第二种情况快，在使用 1024 个元素时实际上略微慢一点儿。这个异常情况可能是由不同数量的表片段的内存放置效应造成的。这种效应在 T5220 机器上不存在（无论使用多少个元素，第一种情况总是比第二种情况快一点儿）。

另一个不正常情况是 HashMap 比 ConcurrentHashMap 快。这两种情况的代码与 清单 2 相似，但是把 state ^= integers[i] 替换为 state ^= map.get(integers[i])。integers 的元素按顺序出现（integers[i].intValue() == i）并以相同的次序作为键使用。这说明 HashMap 中的散列预处理函数的顺序缓存位置比 ConcurrentHashMap 更好（因为 ConcurrentHashMap 需要更好的高位分布）。

这就引出了一个有意思的问题：上面给出的结果在多大程度上依赖于按顺序遍历 integers？内存位置效应是否对于某些数据结构更有利？为了回答这些问题，我重新运行这些基准测试，但是这一次随机选择 integers 的元素，而不是顺序选择。（我用一个软件线性反馈偏移寄存器来生成伪随机值；参见 参考资料。这会给每次数据结构访问增加 3 纳秒的开销）。对于 1024 × 1024 个元素的 integers，基准测试结果见图 5：

与 图 4 相比，HashMap 现在的性能与 ConcurrentHashMap 差不多相同（这符合预期）。TreeMap 的随机访问性能非常差。数组和 ArrayList 数据结构仍然是最好的，但是它们的相对性能变差了（与顺序访问相比，它们的随机访问性能差了大约 10 倍，而 ConcurrentHashMap 的随机访问性能只差了大约 2 倍）。

另一个要点：图 3、图 4 和图 5 显示的是个别 访问时间。例如，在 图 3 中，可以看到访问 TreeMap 中一个元素所用的时间是 80 纳秒多一点。但是，所有任务都与 清单 2 相似；也就是说，每个任务在内部都执行多次数据访问（即循环遍历 integers 的每个元素）。那么，如何从包含几个相同 操作的任务中提取出个别操作的统计数据呢？

可以以 清单 2 为基础，编写出处理这种任务的代码。可以使用与清单 3 相似的代码：

                
public static void main(String[] args) throws Exception {
    int m = Integer.parseInt(args[0]);

    integers = new Integer[m];
    for (int i = 0; i < integers.length; i++) integers[i] = new Integer(i);
    
    System.out.println(
        "array element access (unsynchronized): " + new Benchmark(new ArrayAccess(), m));
    // plus similar lines for the other data structures...
}

在清单 3 中，使用了 Benchmark 构造函数的两参数版本。第二个参数（在清单 3 中用粗体显示）指定任务包含的相同操作 的数量，在这里是 m = integers.length。更多信息参见补充资料的 Block statistics versus action statistics 一节。

优化投资组合计算

在本文中，到目前为止只考虑了微基准测试。但是，度量真实应用程序的性能才是基准测试真正的用途。

证券投资者可能感兴趣的一个示例是 Markowitz 均值-方差投资组合优化，金融顾问使用这种标准技术建立具有出色的风险/收益比的投资组合（参见 参考资料）。

WebCab Components 公司提供了一个执行这些计算的 Java 库（参见 参考资料）。清单 4 中的代码对 Portfolio v5.0（J2SE Edition）库在求解有效边界（efficient frontier） 时的性能进行基准测试（参见 参考资料）：

                
protected static void benchmark_efficientFrontier(
    double[][] rets, boolean useCons, double Rf, double scale
) throws Exception {
    Benchmark.Params params = new Benchmark.Params(false);    // false
to meas only first
    params.setMeasureCpuTime(true);
    
    for (int i = 0; i < 10; i++) {
        double[][] returnsAssetsRandomSubset = pickRandomAssets(rets, 30);
        Callable<Double. task = new EfTask(returnsAssetsRandomSubset, useCons, Rf, scale);
        System.out.println(
            "Warmup benchmark; can ignore this: " + new Benchmark(task, params) );
    }
    
    System.out.println();
    System.out.println("n" + "\t" + "first" + "\t" + "sharpeRatioMax");
    for (int n = 2; n <= rets.length; n++) {
        for (int j = 0; j < 20; j++) {    // do 20 runs so that can plot scatter
        double[][] returnsAssetsRandomSubset = pickRandomAssets(rets, n);
        Callable<Double> task = new EfTask(returnsAssetsRandomSubset, useCons, Rf, scale);
        Benchmark benchmark = new Benchmark(task, params);
        System.out.println(
            n + "\t" + benchmark.getFirst() + "\t" + benchmark.getCallResult());
        }
    }
}

因为本文讨论的是基准测试，而不是投资组合理论，所以我们不用理会 EfTask 内部类的代码。（简单地说，EfTask 获取资产历史回报数据，由此计算预期的回报和协方差，求出有效边界上的 50 个点，然后返回具有最大 Sharpe 比率的那个点；参见 参考资料。这个最佳 Sharpe 比率表示最佳投资组合对于特定资产集的效果如何，由此在风险调整的基础上识别出最佳回报。细节参见示例代码包中的相关源代码文件）。

这段代码的目的是，判断执行时间和投资组合质量随资产数量变化的趋势，这对于投资组合优化可能很有帮助。清单 4 中的 n 循环完成这个判断。

这个基准测试有几个难点。首先，计算花费的时间很长，尤其是在涉及大量资产时。因此，我避免使用 new Benchmark(task) 这样的简单代码（它在默认情况下执行 60 次度量）。而是创建一个定制的 Benchmark.Params 实例，它指定应该只执行一次度量。（它还指定应该进行 CPU 时间度量，而不是默认的流逝时间度量，这只是为了演示 CPU 时间度量。因为 WebCab Components 库在这个上下文中没有创建线程，所以可以这样做）。但是，在执行这一次度量值基准测试之前，i 循环会执行几次基准测试，让 JVM 能够完全完成代码优化。

第二，通常的 结果报告 对于这个基准测试不够精确，所以我生成一个定制的报告，它应该只提供以制表符分隔的数字，这样就很容易复制到电子表格中，供以后绘图时使用。因为只进行一次度量，所以用 Benchmark 的 getFirst 方法获取执行时间。给定资产集的最大 Sharpe 比率是 Callable 任务的返回值。可以通过 Benchmark 的 getCallResult 方法获得这个值。

另外，我希望以图形方式显示结果的漂移，所以对于给定的资产集，内部的 j 循环执行每个基准测试 20 次。这样的话，对于每个资产数量，在下图中生成 20 个点。（在某些情况下，一些点重叠在一起，所以看起来只有几个点）。

看一下结果。我使用的资产是当前 OEX（S&P 100）索引中的股票。使用过去 3 年（2005 年 1 月 1 日到 2007 年 12 月 31 日）的每周资本收益作为历史回报数据；忽略分红（如果包含分红，会略微提高 Sharpe 比率）。

图 6 是执行时间随资产数量变化的图形：

所以，执行时间随资产数量的三次方增长。这些度量值的漂移是真实的，不是基准测试错误：投资组合优化的执行时间依赖于考虑的资产类型。尤其是，某些协方差类型需要非常仔细（步长很小）的数字计算，这会影响执行时间。

图 7 是投资组合质量（最大 Sharpe 比率）随资产数量变化的图形：

最大 Sharpe 比率最初上升，但是不久就在大约 15 到 20 种资产处停止增加。在此之后，随着资产数量的增加，惟一的效果是最大值的范围逐渐收窄。这个效果也是真实的：这是因为随着资产数量的增加，投资组合中包含所有 “热门” 资产（在最佳投资组合中占据优势地位的资产）的可能性逐渐接近 100%。更多信息参见补充资料的 Portfolio optimization 一节。

最后几点提示

微基准测试应该反映真实用例。例如，我选择测试数据结构的访问时间，这是因为在设计 JDK 集合时假设典型的应用程序包含 85% 的读/遍历、14% 的添加/更新和 1% 的删除操作。但是，如果各种操作的比例发生变化，相对性能就会有很大变化。另一个危险因素是复杂的类层次结构：微基准测试常常使用简单的类层次结构，但是在复杂的类层次结构中方法调用开销会显著增加（参见 参考资料），所以精确的微基准测试必须反映真实应用程序中的情况。

要确保基准测试结果是相关的。提示：针对 StringBuffer 和 StringBuilder 的微基准测试不可能说明 Web 服务器的性能怎么样；更高级的体系结构选择的影响可能显著得多，而这些选择不适合进行微基准测试。（但是，在几乎所有代码中都应该使用 ArrayList/HashMap/StringBuilder，而不是老式的 Vector/Hashtable/StringBuffer）。

最好不要仅仅依赖于微基准测试的结果。例如，如果希望测试一种新算法的性能，那么不但要在基准测试环境中进行度量，还应该在真实应用程序场景中度量，了解它是否会产生显著的性能差异。

显然，只有在测试了合理的计算机和配置样本之后，才能做出具有普遍意义的性能结论。不幸的是，常常只在开发机器上执行基准测试，并假设在所有机器上都能够得出相同的结论。如果希望彻底测试，就需要多种硬件，甚至不同的 JVM（参见 参考资料）。

不要忽视剖析。应该用能够找到的各种剖析工具运行基准测试，从而确认其行为符合预期（例如，大多数执行时间应该花在您认为的关键方法上）。这还可以确认 DCE 没有歪曲测试结果。

最后，要想得出正确的性能结论，就必须了解低层的操作执行方式。例如，如果希望了解 Java 语言的正弦实现（Math.sin）是否比 C 的实现快，您可能会发现在 x86 硬件上 Java 的正弦实现慢得多。这是因为 Java 避免使用快速但不精确的 x86 硬件辅助指令。不了解这个原理的人可能认为 C 比 Java 快得多，而实际情况是一个专用（但不精确）的硬件指令比一个精确的软件计算快。

结束语

基准测试常常需要执行许多次度量，并使用统计技术解释结果。本文提供的基准测试框架支持这些特性并解决了许多其他问题。无论您是使用这个框架，还是按照本系列提供的信息创建自己的框架，都可以更好地执行基准测试，确保 Java 代码能够高效地执行。

参考资料

• 您可以参阅本文在 developerWorks 全球网站上的 英文原文。
• 本系列的配套网站：在这里可以找到本系列的完整示例代码和其他补充资料。
• 关于统计的 Wikipedia 文章：了解关于 deconvolution、typical value、arithmetic mean、measurement spread、standard deviation、confidence intervals、probability density functions、bootstrapping、outliers 和 serial correlation 的更多信息。
• “He who refuses to do arithmetic is doomed to talk nonsense”：引述了计算机科学家 John McCarthy 的许多精彩观点。
• Use Enhanced For Loop Syntax With Caution：增强的 for 循环在嵌入式开发中的问题。
• “ Java 理论与实践: Mustang 中的同步优化g”（Brian Goetz，developerWorks，2005 年 10 月）：解释了锁省略（和其他概念）。
• “Biased Locking in HotSpot”（David Dice 的博客，2006 年 8 月）：了解 HotSpot 中的偏向锁方案。
• Linear feedback shift register：关于这个工程概念的 Wikipedia 文章。
• Modern portfolio theory：这篇 Wikipedia 文章解释了 Markowitz 均值方差投资组合优化、有效边界和其他投资组合分析概念。
• WebCab Portfolio v5.0（J2SE Edition）库：提供本文中一些示例所测试的组件。
• Sharpe ratio：介绍这种测量方法的 Wikipedia 文章。
• “Polymorphism Performance Mysteries Explained”（Heinz M. Kabutz 博士，The Java Specialists' Newsletter，2001 年 4 月）：了解方法调用的开销为什么在复杂的类层次结构中会变得很大。
• Sun、IBM 和 BEA 的 JVM：应该在多种平台上执行全面的 Java 基准测试。
• 浏览 技术书店 中关于这些主题和其他技术主题的图书。
• developerWorks Java 技术专区：数百篇关于 Java 编程各个方面的文章。

• 参与 developerWorks blog 并加入 developerWorks 社区。

组织简介 | 联系我们 |   Copyright 2002 ®  UML软件工程组织 京ICP备10020922号

京公海网安备110108001071号