当前位置：首页 > article >正文

计算机的基本组成与性能

article 2025/9/20 13:32:25

1. 冯·诺依曼体系结构：计算机组成的金字塔

1.1. 计算机的基本硬件组成

1.CPU - 中央处理器（Central Processing Unit）。

2.内存（Memory）。

3.主板（Motherboard）。主板的芯片组（Chipset）和总线（Bus）解决了 CPU 和内存之间如何通信的问题。

4.输入（Input）/ 输出（Output）设备，也就是I/O 设备。

5.显卡（Graphics Card）。显卡里有除了 CPU 之外的另一个“处理器”，也就是GPU（Graphics Processing Unit，图形处理器。

鼠标、键盘以及硬盘，这些都是插在主板上的。作为外部 I/O 设备，它们是通过主板上的南桥（SouthBridge）芯片组，来控制和 CPU 之间的通信的。

1.2. 冯·诺依曼体系结构

冯·诺依曼体系结构（Von Neumann architecture），也叫存储程序计算机。这里面暗含了两个概念，一个是“可编程”计算机，一个是“存储”计算机。

所有的计算机程序，也都可以抽象为从输入设备读取输入信息，通过运算器和控制器来执行存储在存储器里的程序，最终把结果输出到输出设备中。

计算机的两个核心指标，性能和功耗。

2. 计算机的性能

2.1. 衡量计算机性能的两个指标

响应时间（Response time）或者叫执行时间（Execution time）。响应时间指的就是，我们执行一个程序，到底需要花多少时间。花的时间越少，自然性能就越好。

吞吐率（Throughput）或者带宽（Bandwidth）。吞吐率是指我们在一定的时间范围内，到底能处理多少事情。这里的“事情”，在计算机里就是处理的数据或者执行的程序指令。

2.2. 计算机的计时单位：CPU 时钟

Linux 下 time 的命令，运行time 命令会返回三个值，第一个是real time，也就是 Wall Clock Time，也就是运行程序整个过程中流逝掉的时间；第二个是user time，也就是 CPU 在运行你的程序，在用户态运行指令的时间；第三个是sys time，是 CPU 在运行你的程序，在操作系统内核里运行指令的时间。程序实际花费的 CPU 执行时间（CPU Time），就是 user time 加上 sys time。

程序的 CPU 执行时间 =CPU 时钟周期数（CPU Cycles）×时钟周期时间（Clock Cycle）

Intel Core-i7-7700HQ 2.8GHz，这里的 2.8GHz 就是电脑的主频（Frequency/Clock Rate）。在这个 2.8GHz 的 CPU 上，这个时钟周期时间，就是 1/2.8G。

对于 CPU 时钟周期数，我们可以再做一个分解，把它变成“指令数×每条指令的平均时钟周期数（Cycles Per Instruction，简称 CPI）”。

程序的 CPU 执行时间 = 指令数×CPI×Clock Cycle Time

如果想要解决性能问题，其实就是要优化这三者：

时钟周期时间，就是计算机主频，这个取决于计算机硬件。
每条指令的平均时钟周期数 CPI，就是一条指令到底需要多少 CPU Cycle。
指令数，代表执行我们的程序到底需要多少条指令、用哪些指令。

3. 如何提升计算机的性能

3.1. 功耗：CPU 的“人体极限”

我们的 CPU，一般都被叫作超大规模集成电路（Very-Large-Scale Integration，VLSI）。这些电路，实际上都是一个个晶体管组合而成的。CPU 在计算，其实就是让晶体管里面的“开关”不断地去“打开”和“关闭”，来组合完成各种运算和功能。想要计算得快，一方面，我们要在 CPU 里，同样的面积里面，多放一些晶体管，也就是增加密度；另一方面，我们要让晶体管“打开”和“关闭”得更快一点，也就是提升主频。而这两者，都会增加功耗，带来耗电和散热的问题。

功耗 ~= 1/2 ×负载电容×电压的平方×开关频率×晶体管数量

3.2. 并行优化，理解阿姆达尔定律

从奔腾 4 开始，Intel 意识到通过提升主频比较“难”去实现性能提升，边开始推出 Core Duo 这样的多核 CPU，通过提升“吞吐率”而不是“响应时间”，来达到目的。

阿姆达尔定律（Amdahl’s Law）：对于一个程序进行优化之后，处理器并行运算之后效率提升的情况。

优化后的执行时间 = 受优化影响的执行时间 / 加速倍数 + 不受影响的执行时间

在“摩尔定律”和“并行计算”之外，在整个计算机组成层面，还有这样几个原则性的性能提升方法。

加速大概率事件。最典型的就是，过去几年流行的深度学习，整个计算过程中，99% 都是向量和矩阵计算，于是，工程师们通过用 GPU 替代 CPU，大幅度提升了深度学习的模型训练过程。
通过流水线提高性能。我们把 CPU 指令执行的过程进行拆分，细化运行，也是现代 CPU 在主频没有办法提升那么多的情况下，性能仍然可以得到提升的重要原因之一。
通过预测提高性能。通过预先猜测下一步该干什么，而不是等上一步运行的结果，提前进行运算，也是让程序跑得更快一点的办法。“分支和冒险”、“局部性原理”这些 CPU 和存储系统设计方法，其实都是在利用我们对于未来的“预测”，提前进行相应的操作，来提升我们的程序性能。