如何用脚本榨出 C++级性能？微秒级低延时系统优化深度解析

What this page covers

• 新闻标题与发布时间信息
• 直播主题与回放/课件获取方式
• 微秒/纳秒级低延时场景需求与传统方案痛点
• Swordfish 低延时解决方案的核心亮点
• 底层设计优化要点（数据结构、内存、指针）
• 脚本引擎优化要点（控制流、Inplace、类型特化）
• 实测环境与性能指标结果汇总

技能认证特训营第二期报名入口与福利提示

页面顶部展示技能认证特训营第二期的限时报名链接与福利优惠提示。

• 提供“技能认证特训营第二期”的报名入口链接。
• 提示报名相关的福利或优惠信息。

新闻标题与发布时间

给出新闻稿标题与日期信息。

• 新闻稿标题为《如何用脚本榨出 C++级性能？微秒级低延时系统优化深度解析》。
• 页面给出该新闻稿的发布日期信息。

引言：直播主题与观看/获取方式

介绍“DolphinDB 核心技术解密”直播聚焦微秒级低延时系统优化，并提供回放与课件获取方式。

• 直播属于“DolphinDB 核心技术解密系列”。
• 直播主题聚焦微秒级低延时系统优化。
• 直播主讲人为 DolphinDB 研发工程师杨宇轩。
• 可通过搜索 DolphinDB 视频号获取完整直播回放。
• 可关注 DolphinDB 公众号并回复口令获取本次直播课件。

微秒级延时的核心挑战与传统方案痛点

说明低延时计算场景对微秒/纳秒级延时的需求以及传统方案在门槛、实现复杂度与开发效率方面的痛点。

• 低延时计算在高频交易与实时行情处理等场景中出现。
• 部分低延时场景的延时要求进入微秒甚至纳秒级别。
• 传统方案开发需掌握 CPU 架构、编译器优化与汇编等底层知识。
• 传统方案需处理内存分配、上下文切换与缓存失效等问题以降低抖动。
• 策略探索与上线常经历脚本验证后再用 C++ 重写的流程。

DolphinDB Swordfish 低延时解决方案亮点

提出 Swordfish 流数据处理系统作为低延时解决方案，并列举其四项核心亮点。

• 提出 Swordfish 流数据处理系统作为低延时解决方案。
• 使用 DolphinDB 自研 Dlang 聚焦策略逻辑，而非底层优化细节。
• 策略从探索到上线可维护同一套代码库以减少行为不一致风险。
• 内置订单簿合成引擎与响应式处理等流数据引擎能力。
• 可作为第三方库嵌入现有业务程序以适配多样化部署场景。

低延时优化核心逻辑与实践：两大维度概览

概述从底层设计优化与脚本引擎优化两大维度解析 Swordfish 如何实现脚本语言达到 C++ 级性能。

• 解析分为“底层设计优化”和“脚本引擎优化”两大维度。
• 目标是解释 Swordfish 如何让脚本语言达到 C++ 级性能表现。

底层设计优化：降低延时损耗的关键设计

列出 Swordfish 在数据结构、内存管理与指针等方面的底层设计，以减少缓存失效、避免动态分配与降低抖动。

• 采用行式结构与 64 字节对齐的运行时元组以适配 CPU 缓存行。
• 元组字段示例包含 id、value、flag、timestamp。
• 通过预分配与自定义 pmr 内存池减少主流程内存分配释放带来的波动。
• 订单簿引擎使用连续内存的 flat_map 替代红黑树 Map，并给出性能提升描述。
• 采用 intrusive_ptr 以减少分配次数，并提供单线程非原子计数版本以降低同步开销。

脚本语言优化：Dlang 脚本性能提升策略

描述 Swordfish 针对脚本解释执行的优化手段，包括控制流精简、Inplace 计算与类型特化，以提升执行效率。

• 通过控制流精简减少未使用中间变量与无效状态。
• 通过 Schema 推导操作数类型并预分配结果缓存以支持 Inplace 计算。
• 将结果直接写入缓存以减少中间结果的分配与释放开销。
• 对核心运算符与常用函数进行类型特化以减少运行时类型判断与虚函数调用。

案例对比：KDJ 指标脚本与 C++ 代码量与时延

通过 KDJ 指标实现对比展示 Dlang 脚本与传统 C++ 在代码量与单行处理时延上的差异。

• 对比项包含传统 C++ 与优化后 Dlang 脚本的核心代码行数。
• 对比项包含传统 C++ 与优化后 Dlang 脚本的单行处理时延。
• 该案例给出“代码量精简 98% 以上”的结论表述。

实测数据验证：基准环境与性能指标

给出基于特定硬件与 Level 2 行情数据的多组实测结果，覆盖单指标、多指标并发与并发稳定性表现。

• 实测环境包含 Intel i9-14900KS 5.4GHz CPU。
• 实测数据集为 Level 2 十分钟行情数据。
• 给出普通列处理单指标的平均时延与 P99 时延数据。
• 给出自定义函数（如 KDJ）的平均时延与 P99 时延数据。
• 给出多指标并发计算的增量延迟数据（基础指标与自定义函数）。
• 给出并发 1 路到 6 路的平均时延变化与 99% 请求时延上限。

互动问答：数据结构、回退机制与性能原因

整理直播互动问答，解释 flat_map 含义与有序性、脚本引擎优化回退机制，以及脚本为何可能快于部分 C++ 实现。

• flat_map 的“flat”含义被解释为“扁平”。
• flat_map 将键值对存储在连续向量中并保证有序性。
• flat_map 的优势被归因于内存连续与适配 CPU 缓存。
• 脚本引擎优化基于类型推导。
• 若子表达式类型需运行时确定，则该部分可能回退到未优化状态。
• 问答中给出脚本可能快于部分 C++ 的原因说明（包含增量算法等表述）。

后续直播预告

提示下期「DolphinDB 核心技术解密」系列直播将继续进行。

• 页面包含后续直播的预告提示。

关于 DolphinDB

介绍 DolphinDB 的研发方与产品定位，包括分布式时序数据库能力、编程语言与流数据分析框架特性。

• DolphinDB 的研发方为智臾科技。
• DolphinDB 定位为高性能分布式时序数据库。
• 支持海量数据的高效存储与查询。
• 提供功能完备的编程语言以支持复杂分析。
• 提供高吞吐、低延时、开发便捷的流数据分析框架。

Facts Index