Chapter 1
第一章讲的太零散了，有用的知识点感觉就是
-
八个伟大思想（cs61c好像只取了6个）
-
衡量计算机性能表现的指标
1 Eight Great Ideas
设计紧跟摩尔定律 (Design for Moore’s Law)
- 核心逻辑：由于计算机设计周期可能长达 3-5 年，而芯片性能每 18-24 个月翻倍。如果你按“现在的技术”设计，发布时它就已经落后了。
- 举例：如果你在 2024 年设计一款 2027 年上市的 3A 游戏，你不能按现在的显卡内存（如 8GB）来定上限，你必须假设 2027 年的主流配置是 16GB 甚至更高，提前留出冗余。
2. 采用抽象简化设计 (Use Abstraction to Simplify Design)
- 核心逻辑：硬件极其复杂（数亿个晶体管），没人能全盘掌握。于是我们把系统分层：指令集（ISA）是软件和硬件之间的“合同”，软件不需要知道晶体管怎么排布。
- 举例：驾驶汽车。你只需要知道方向盘、油门和刹车（这是抽象层），而不需要知道发动机气缸是如何点火的。这种抽象让你能驾驶不同品牌的汽车。
3. 加速大概率事件 (Make the Common Case Fast)
- 核心逻辑：优化那些占执行时间 90% 的指令，比优化那些只占 1% 的指令收益高得多。这就是著名的 Amdahl's Law。
- 举例：超市收银。大多数人买东西很少，所以超市设置“10 件以下小额快速通道”。这优化了大部分消费者的体验，而不是为了偶尔出现的“推三车货的大户”去设计所有通道。
4. 通过并行提高性能 (Performance via Parallelism)
- 核心逻辑：一个人干活慢，那就找一群人一起干。
- 举例：建筑工地。如果只有一个人盖房子，要先打地基、砌砖、装水电。如果一群人并行工作，有人负责打地基的同时，另一边可能在预制墙体，速度倍增。在 CPU 中，多核（Multi-core）就是典型的并行。
5. 通过流水线提高性能 (Performance via Pipelining)
- 核心逻辑：把任务拆成若干步骤，每个步骤由专门的人负责。
- 举例：自动洗车房。
- 第一辆车在冲水时，第二辆车还没进场；
- 当第一辆车在打泡沫时，第二辆车已经在冲水了。 虽然每辆车洗完总时长没变，但平均每分钟“出厂”的干净车变多了。你提到的“时间均匀”很重要，否则会出现“交通堵塞”。
6. 通过预测提高性能 (Performance via Prediction)
- 核心逻辑：与其原地等待某个结果（如
if判断），不如猜一个结果先做下去。猜对了节省时间，猜错了回滚，损失也不大。 - 举例：餐厅排队。如果厨师预感到接下来 10 分钟会有很多人点“宫保鸡丁”，他会提前切好原料甚至炒好几份。如果猜对了，顾客拿菜即走；如果猜错了，大不了把这几盘菜倒掉（成本可控）。
7. 存储器层次 (Hierarchy of Memories)
- 核心逻辑：我们想要“速度极快、容量极大、价格极低”的内存，但这在物理上不可能。于是我们用“金字塔”结构：最快但最贵的放在最顶层（寄存器），最慢但最便宜的放在底层。
- 举例：程序员的书桌。
- 寄存器：你的手心（抓着笔）。
- L1-Cache：桌面上摊开的书（随手就翻）。
- 主存：身后的书架（得站起来拿）。
- 磁盘：市中心的图书馆（得开车去，极慢但存得下全世界的书）。
Shutterstock
8. 通过冗余提高可靠性 (Dependability via Redundancy)
- 核心逻辑：硬件总会坏。为了让系统不停机，我们需要备用方案。
- 举例：飞机的发动机。大型客机通常至少有两个发动机。如果飞行中一个坏了，另一个足以支撑飞机安全降落。在计算机中，RAID 磁盘阵列就是把一份数据存两份，坏了一块盘，数据也不丢。
这八大思想是贯穿整本《计算机组成与设计》教材的。当你以后学到“Cache 设计”时，你会发现它运用了存储器层次和加速大概率事件；当你学到“分支预测器”时，它就是在实践通过预测提高性能。
2 性能指标
1. 响应时间和吞吐量
这两个指标虽然都衡量“速度”，但视角完全不同：
响应时间 (Response Time / Execution Time)
- 定义：从任务提交到任务完成的总耗时。
- 关注点：“单个任务跑得有多快？”
- 组成：包括磁盘访问、内存访问、I/O 活动、操作系统开销以及 CPU 执行时间。
- 适用人群：普通个人电脑用户。比如你打开一个 Photoshop 滤镜，你只关心它几秒能处理完。
吞吐量 (Throughput / Bandwidth)
- 定义：在单位时间内完成的总工作量。
- 关注点：“单位时间内能处理多少任务？”
- 适用人群：服务器管理员或数据中心。比如一个 Web 服务器，管理员关心的是每秒能处理多少个 HTTP 请求，而不是某一个特定请求的延迟。
Tip
想象一条高速公路。
-
响应时间：是一辆车从 A 点开到 B 点所需的时间。
-
吞吐量：是单位时间内通过收费站的车辆总数。
增加车道的宽度可以提高吞吐量，但不一定能缩短单辆车的行驶时间（响应时间）。
性能与执行时间的关系
在计算机科学中，性能（Performance）与执行时间（Execution Time）成反比关系。其公式表达为：
这意味着：
- 执行时间越短，性能越高。
- 如果执行时间缩短为原来的 \(\frac{1}{2}\)，那么性能就提升了 \(2\) 倍。
相对性能 (Relative Performance)
当我们说“机器 A 比机器 B 快 n 倍”时，我们就是在计算相对性能。
如果我们要比较 A 和 B 的性能，公式如下：
如何解读结果 \(n\)？
- 如果 \(n > 1\)，说明 A 的性能优于 B。
- 例题：程序在电脑 A 上运行需要 10s，在电脑 B 上需要 15s。
- 结论：电脑 A 的性能是电脑 B 的 1.5 倍，或者说 A 比 B 快 50%。
2. CPU 执行时间 (CPU Execution Time)
这是最真实、最本质的指标。它指的是 CPU 真正花在运行某程序指令上的时间，不包括等待 I/O 或运行其他程序的时间。
3. 时钟周期 (Clock Cycle)
计算机的操作是由时钟控制的。时钟周期是计算机中最小的时间单位（就像心跳）。
- Clock Cycle Time (\(C\)): 一个时钟周期的长度（例如 \(0.25ns\)）。
- Clock Rate (\(R\)): 时钟频率，即单位时间内有多少个周期（例如 \(4GHz\)）。
- 关系：\(Clock Cycle Time = \frac{1}{Clock Rate}\)
4. 性能方程
时间 = 周期总数 × 周期长度
这是最直观的逻辑：
或者写成频率的形式：
我们知道 CPU 运行程序是因为它执行了一系列指令。但并不是每条指令耗时都一样（比如“加法”可能只需 1 个周期，而“除法”可能需要 20 个）。
因此，我们引入 CPI (Cycles Per Instruction)：
将上述关系整合，就得到了：
它把计算机性能拆解成了三个互不相同但又互相制约的维度：
| 指标 | 影响因素 | 谁负责优化？ |
|---|---|---|
| Instruction Count (IC) | 算法、程序设计语言、编译器、指令集(ISA) | 软件工程师、编译器专家 |
| CPI | 指令集(ISA)、微架构(Microarchitecture) | CPU 设计师（流水线、缓存等） |
| Clock Cycle Time | 硬件实现、物理电路、半导体工艺 | 硬件工程师、工艺厂商（台积电/Intel） |
Note
一个直观的例子
假设你要对比两个处理器运行同一个程序：
- 处理器 A：周期时间 \(250ps\)，CPI 为 \(2.0\)。
- 处理器 B：周期时间 \(500ps\)，CPI 为 \(1.2\)。
哪个更快？（假设指令数 \(I\) 相同）
- \(\text{Time}_A = I \times 2.0 \times 250ps = 500 \times I\ ps\)
- \(\text{Time}_B = I \times 1.2 \times 500ps = 600 \times I\ ps\)
结论：尽管 A 的 CPI 更高（单条指令平均周期多），但由于它的时钟频率极快（周期时间短），最终 A 还是比 B 快。
在实际复杂的程序中，不同种类的指令（加法、跳转、访存）出现的频率不同。所以 CPI 通常是一个加权平均值：