C — CPU 架构
CPU 是执行指令的核心器件。理解 CPU 的微观执行流程，是理解程序性能的基础。
Von Neumann 架构
flowchart LR A["内存<br/>(代码 + 数据)"] <-->|"地址总线 / 数据总线"| B["CPU"] B --> C["控制单元 (CU)<br/>取指、译码、控制"] B --> D["算术逻辑单元 (ALU)<br/>运算"] B --> E["寄存器<br/>通用 + 专用"]
现代 CPU 虽然远比这个五部件模型复杂，但本质上仍然是 fetch → decode → execute 的循环。
指令流水线（Pipeline）
指令执行被拆分为多个阶段，不同阶段可以重叠执行，提高吞吐量：
graph TD subgraph "5级流水线 (经典 RISC)" F1["取指 IF"] --> D1["译码 ID"] --> E1["执行 EX"] --> M1["访存 MEM"] --> W1["写回 WB"] end
| 周期 | IF | ID | EX | MEM | WB |
|---|---|---|---|---|---|
| 1 | 指令1 | ||||
| 2 | 指令2 | 指令1 | |||
| 3 | 指令3 | 指令2 | 指令1 | ||
| 4 | 指令4 | 指令3 | 指令2 | 指令1 | |
| 5 | 指令5 | 指令4 | 指令3 | 指令2 | 指令1 |
理想情况下每个周期完成一条指令，但实际上有多种”流水线冒险”：
流水线冒险（Hazards）
| 类型 | 问题 | 解决方案 |
|---|---|---|
| 数据冒险 | 指令 B 依赖指令 A 的结果，但 A 还没写完 | 数据前推（Forwarding / Bypassing） |
| 控制冒险 | 条件分支跳转到哪里，取指时还不知道 | 分支预测（Branch Predictor） |
| 结构冒险 | 两条指令争用同一硬件资源 | 增加硬件（哈佛架构：独立指令缓存和数据缓存） |
分支预测
遇到条件跳转（if / for / while）时，CPU 不等判断结果就先”猜”一个方向继续取指：
for (int i = 0; i < 1000000; i++) { ... }
// 分支预测器发现前 999999 次都是"继续循环" → 猜对 999999 次
// 最后一次退出循环 → 猜错一次，流水线 flush
分支预测错误（Mispredict）的代价：已经进入流水线的指令全部丢弃，重新从正确路径取指——约 15-20 个时钟周期的惩罚。
对容器的意义：std::vector 的 operator[] 不涉及条件跳转（直接指针算术），不会有分支预测错误的可能。std::list 的遍历每走一步都要判断 next == NULL，如果预测器预测继续，但这次走到末尾了，就是一次 mispredict。
乱序执行（Out-of-Order Execution）
现代 CPU 在保证依赖关系的前提下，**不按程序顺序而是按”谁的数据先准备好就执行谁”**来调度指令，大幅提高执行单元的利用率：
程序顺序: 实际执行顺序:
A = load(X) A = load(X) ← cache miss，等待 100 个周期
B = A + 1 C = load(Y) ← cache hit，立即执行
C = load(Y) B = A + 1 ← A 的数据到了
D = C + 1 ← C 数据已在
D = C + 1 写回按程序顺序完成
对容器的意义：容器操作中如果有连续的 load → compute → store，乱序执行可以让多个独立操作重叠。std::vector 的 push_back 中元素是连续的——内存预取一次之后，后面的 load 命中率极高，乱序执行可以在连续几个地址上同时推进。
向量化与 SIMD
现代 CPU 提供 SIMD（Single Instruction, Multiple Data）指令集，一条指令同时处理多个数据：
标量加法: a[0] + b[0], a[1] + b[1], a[2] + b[2], a[3] + b[3] ← 4 条指令
SIMD 加法: (a[0..3]) += (b[0..3]) ← 1 条指令
| 指令集 | 寄存器宽度 | 能同时处理的 int 个数 |
|---|---|---|
| SSE (x86) | 128 bit | 4 |
| AVX2 (x86) | 256 bit | 8 |
| AVX-512 (x86) | 512 bit | 16 |
| NEON (ARM) | 128 bit | 4 |
对容器的意义：编译器可以对 for (i=0; i<n; i++) c[i] = a[i] + b[i] 自动生成 SIMD 指令（向量化），前提是数据在内存中连续排列。因此 std::vector 天然支持自动向量化，std::list 不行。
本章与其他模块的链接
- 分支预测与容器遍历的关系 → 容器 Container
- SIMD 在数字信号处理 / 多媒体计算中的应用 → DSA 学习路线
- 汇编层看到流水线和乱序执行 → 汇编基础