Google Benchmark v1.9.2 版本发布:性能测试工具的重要更新
2025-06-07 18:15:22作者:冯爽妲Honey
项目简介
Google Benchmark 是一个强大的 C++ 微基准测试库,它允许开发者精确测量和比较代码片段的执行时间。作为 Google 开源项目的一部分,它被广泛应用于各种性能关键型应用的开发和优化中。该库提供了丰富的功能,包括自动计时、统计计算、多线程测试支持等,是 C++ 开发者进行性能分析和优化的得力工具。
主要更新内容
1. 跨平台兼容性增强
本次更新显著提升了 Google Benchmark 在不同平台和架构上的兼容性:
- 新增了对 PA-RISC (hppa) 架构的支持,扩展了硬件兼容范围
- 改进了 Linux 系统下的时钟获取机制,现在会优先使用
clock_gettime()作为通用解决方案 - 优化了 CPU 核心数检测逻辑,使用
sysconf(_SC_NPROCESSORS_ONLN)替代了传统的/proc/cpuinfo解析方式 - 针对 OpenBSD 和 NetBSD 系统增加了在线 CPU 数量检测支持
- 修复了 macOS 上已弃用的
sysctl使用方式
2. 构建系统改进
构建和打包流程得到了多项优化:
- 移除了 Bazel 构建系统中对 CPU 架构的特殊处理,简化了构建配置
- 修复了 Windows 平台下的编译器目标设置问题
- 更新了 nanobind-bazel 到 v2.5.0 版本
- 改进了 sanitizer 构建的支持,特别是修复了 MSan (MemorySanitizer) 的构建问题
- 优化了 Python 轮子(wheel)的上传和合并流程
3. 代码质量提升
通过引入 clang-tidy 静态分析工具,代码质量得到了显著提升:
- 使用智能指针重构了部分代码,改善了内存管理
- 修复了多处代码风格问题,包括大括号使用、数组指针转换等
- 应用了 cppcoreguidelines 和 readability 相关的自动修复
- 将 benchmark 管理机制改为使用 unique_ptr,提高了安全性
- 修复了全局范围内的代码质量问题
4. 功能修复与优化
- 修复了 ProfilerManager 迭代次数计算错误的问题
- 修正了内存管理器结果处理的 bug
- 改进了 setup 和 teardown 回调的类型定义
- 更新了编译示例中的标准规范说明
- 将内部使用的 gtest 版本更新至 v1.15.2
技术亮点解析
跨平台 CPU 检测机制
新版本彻底重构了 CPU 核心数检测机制。传统上,Linux 系统通过解析 /proc/cpuinfo 文件获取 CPU 信息,但这种方法存在可移植性问题。v1.9.2 版本转而使用 POSIX 标准的 sysconf(_SC_NPROCESSORS_ONLN) 系统调用,这一改变带来了多重好处:
- 更高效:避免了文件解析开销
- 更可靠:减少了解析错误的可能性
- 更通用:适用于更多类 Unix 系统
- 更准确:直接获取在线 CPU 数量而非物理核心数
现代 C++ 特性的应用
本次更新体现了向现代 C++ 实践的迁移:
- 移除了对 C++03 的兼容性测试,为使用 C++11 及以上特性扫清了障碍
- 广泛采用智能指针管理资源,减少内存泄漏风险
- 使用 const 正确性改进 benchmark 声明
- 应用了更多现代 C++ 的代码组织和设计模式
构建系统的现代化
构建系统的改进特别值得关注:
- 简化了跨平台构建配置,减少了条件编译分支
- 改进了对 ARM 架构的 CI 测试支持
- 优化了 Python 绑定相关的构建流程
- 更新了依赖管理,确保使用最新稳定的第三方库
升级建议
对于现有用户,升级到 v1.9.2 版本可以获得更好的跨平台支持、更稳定的性能和更现代的代码基础。升级时需要注意:
- 如果项目依赖
/proc/cpuinfo解析功能,需要调整代码适应新的 CPU 检测机制 - 使用 C++03 的项目需要升级编译器以支持新版本
- Windows 开发者可能需要检查编译器目标设置是否与新的构建配置兼容
- 使用自定义 benchmark 管理机制的项目可能需要调整以适应 unique_ptr 变更
总结
Google Benchmark v1.9.2 是一个重要的维护版本,它通过大量的兼容性改进、代码质量提升和构建系统优化,进一步巩固了其作为 C++ 性能测试标准工具的地位。特别是对跨平台支持的增强和对现代 C++ 实践的采用,使得这个版本成为追求稳定性和未来兼容性项目的理想选择。对于性能敏感的 C++ 项目,及时升级到这个版本将有助于获得更准确、更可靠的基准测试结果。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
最新内容推荐
IEC61850建模工具及示例资源:智能电网自动化配置的完整指南 海康威视DS-7800N-K1固件升级包全面解析:提升安防设备性能的关键资源 2022美赛A题优秀论文深度解析:自行车功率分配建模的成功方法 SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 Photoshop作业资源文件下载指南:全面提升设计学习效率的必备素材库 海能达HP680CPS-V2.0.01.004chs写频软件:专业对讲机配置管理利器 咖啡豆识别数据集:AI目标检测在咖啡质量控制中的革命性应用 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
173
193
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
647
263
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
269
93
暂无简介
Dart
622
140
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
377
3.32 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.1 K
620
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1