算法工程索引
汇总本站算法工程相关文章，覆盖排序、哈希、树、字符串、近似数据结构、SIMD、随机化与编译器相关算法。
simd 标签归档
共 13 篇文章 · 返回首页
Swiss Table：控制字节、分组探测与墓碑——对照 Abseil、Go 与 hashbrown 源码
对照 Abseil 20260817.0、Go 1.26.8 与 hashbrown 0.17.1 源码，拆解 Swiss table 的控制字节编码、SIMD/SWAR 分组匹配、三角探测、删除与 rehash 策略，并用可复现实验测量探测长度、墓碑代价与每元素内存。
XXH3 与 wyhash：SIMD 累加器和 128 位标量乘法两条提速路线
对照 xxHash v0.8.3 与 wyhash final4 源码拆解两者的内层循环，用逐位一致的复现程序和 i9-12900K 实测说明：AVX2 版 XXH3 在缓存内领先，默认 SSE2 构建反而慢于 wyhash，两者都有已知的乘零多重碰撞。
Unicode 文本算法：UTF-8 编解码与验证、规范化、字素簇与双向文本安全
UTF-8 的位布局、合法序列与最大子部分替换，Hoehrmann DFA 与 Keiser–Lemire SIMD 验证，再到规范化、字素簇、大小写折叠和 Trojan Source；编解码器经全部 2^32 个四字节串穷举测试。
SIMD 字节扫描：memchr 的页边界、PCMPISTRI 的代价与 JSON/CSV 的引号掩码
对照 glibc AVX2 汇编与 simdjson 源码，用对拍、守护页和 ASan 验证向量化字节扫描的越界读，在 i9-12900K 上实测 memchr、PCMPISTRI 与 CSV/JSON 引号掩码：L1 内快约 39 倍，到内存只剩约 5.7 倍，JSON 的瓶颈在下标提取。
【列存引擎内核】向量化执行引擎
ClickHouse Block 列向量 batch、IProcessor Pipeline 与 filter/project/aggregate 向量实现；对照 PostgreSQL 火山模型 ExecProcNode。源码入口 src/Processors、src/Columns。24.x LTS。
【向量检索引擎】Knowhere：向量索引执行引擎与插件契约
按官方 Knowhere 文档说明其在 Milvus 中的位置、相对 Faiss 的扩展（bitset、SIMD 选择、二进制度量）、VecIndex 类层次与 IDMAP/IVF/HNSW 等类型，用插件注册、CPU/GPU 分发与 bitset 进查询三张图钉住工程契约，并与 db-frontier/08 的算法细节分工。
【分布式 OLAP 查询引擎】向量化批处理与 Morsel-Driven 并行
拆解列向量 batch、SelectionVector 与 flat/dictionary 编码；对照 columnar-engine/04 的 ClickHouse Block 直觉，说明 DuckDB morsel-driven 与 Trino Page 流在 MPP 上的落地，并给出本机 DuckDB 1.5.4 实测。
字符串匹配算法选型索引
字符串匹配算法工程选型：KMP、Boyer-Moore（BM）、Rabin-Karp、AC 自动机、后缀数组、SIMD 与模糊匹配——按场景选算法，附本站深度文章导航。
【存储工程】列式存储原理：为什么分析查询快 10 倍
一条典型的分析查询只访问表中数百列里的三四列，行式存储却把整行数据从磁盘搬进内存，绝大多数字节在读入后立刻被丢弃。列式存储（Columnar Storage）把同一列的值连续存放，查询只需要读取涉及到的列，I/O 量可以降低一到两个数量级。但 I/O 减少只是故事的一半——列式布局还为压缩、向量化执行（Vectoriz…
SIMD 加速字符串查找（strchr / strstr）系统指南
面向工程实践的SIMD字符串查找优化完全指南：SSE2/AVX2/AVX-512并行比较原理，位掩码技巧，跨块与页边界安全处理，strchr/strstr高性能实现，包含完整代码示例和性能陷阱分析
无分支编程：当 if 成为性能杀手
现代 CPU 的分支预测器已经非常精准，但当预测失败时代价高昂。无分支编程用算术和位运算消除条件跳转，在特定场景下带来数倍加速。
SIMD 算法设计模式
SIMD 不只是'把标量操作变成向量操作'那么简单。从 SoA 布局到 pshufb 查表，掌握这些设计模式才能真正释放向量化的威力。