证据与实验¶

系统解释只有在规格、实现与测量能够互相对齐时才可靠。三者缺一，结论都可能越过自己的适用边界。

四类证据¶

规格与协议¶

语言标准、ABI、ISA、RFC、系统调用契约和持久化保证描述允许观察到的行为。它们适合回答“程序可以依赖什么”，但通常不会规定所有实现细节和性能。

实现与源码¶

内核、编译器、运行时和库源码回答“这个版本怎样做到”。源码证据必须绑定版本或提交；内部函数名、数据结构和启发式策略可能变化，不能自动提升为跨版本契约。

论文与设计文档¶

原始论文适合解释问题、模型、算法、实验条件与历史因果。论文结果只在披露的硬件、数据、负载和比较口径内成立；不能把一张排名图改写为普遍定律。

测量¶

测量回答“这台机器、这个版本、这个负载发生了什么”。它最接近目标现象，也最容易受环境、采样、预热、频率、共租户和工具语义影响。

最小实验契约¶

一个可以复查的实验至少记录：

system:
  cpu: model, cores, topology
  memory: capacity, channels, NUMA
  os: kernel and configuration
toolchain:
  compiler: version and flags
  runtime: version and environment
workload:
  input: distribution and size
  concurrency: clients and arrival process
measurement:
  warmup: duration or iterations
  samples: count and aggregation
  clocks: source and resolution

这份记录不是为了堆元数据，而是为了判断两个结果是否可比较。

先写假设，再选指标¶

假设“尾延迟由锁竞争引起”，应推出可观测预测：

临界区等待时间和等待线程数上升；
锁持有者被抢占时尾部进一步放大；
分片或缩短临界区后延迟下降；
CPU 总利用率可能不高，但运行队列和上下文切换形态改变。

如果只看到 p99 上升便直接寻找“最像”的火焰图，会形成确认偏差。指标必须能区分竞争假设与替代解释，例如下游超时、缺页、GC 或网络重传。

分布而不是单值¶

延迟、对象大小、队列长度和请求成本通常是偏态或多峰分布。至少报告：

样本数与时间窗口；
p50、p90、p99 等分位数；
最大值是否来自测量错误或真实长尾；
吞吐与并发度；
冷启动和稳态是否分开。

对独立同分布样本，均值标准误近似为 \(s/\sqrt{n}\)；系统测量往往存在自相关和批次效应，简单扩大请求数并不能消除部署、机器和时间窗口的偏差。更稳妥的方法是以机器、进程或时间块为重采样单位。

观察会改变系统¶

逐事件 tracing 可能增加调度和 I/O；
采样 profiler 可能遗漏短事件或把时间归到安全点；
硬件计数器可能复用、溢出或受推测执行影响；
debug 构建会改变内联、布局、时序和分配行为；
抓包位置决定能否看到 offload 前后的真实分段。

因此要做空载开销对照，并用至少两种不同机制的证据交叉验证关键结论。

版本与时效¶

页面中的事实按稳定性分为：

类型	例子	写法
稳定契约	TCP 字节流、语言内存模型	直接引用规范版本
可变实现	调度启发式、GC 阈值	写明版本与源码位置
平台能力	指令扩展、网卡 offload	写明硬件型号与固件
测量结果	延迟、带宽、扩展曲线	写明环境和负载
推断	可能的瓶颈或因果链	明确标为推断并给证伪方法

图表与代码证据¶

图表必须回答具体问题：状态如何迁移、数据怎样流动、性能在什么边界改变、哪个消融支持因果。图注应包含数据集或负载、指标方向、版本、可比性和来源。无法确认授权或上下文的图，不应仅因“直观”而复用。

参考代码应保持关键语义：

并发代码保留同步、内存序和生命周期；
网络代码保留部分读写、超时、取消和背压；
存储代码保留错误路径、刷新与提交顺序；
性能代码保留预热、重复、对照和结果校验。

如果为教学省略了生产机制，要在代码附近说明省略会造成的边界。

发布前核对¶

外部事实是否有就近来源？
Reference 是否包含真正使用的材料，并去重？
规格、实现、论文结果和本地测量是否被混写？
快速变化事实是否有版本和核验日期？
代码是否能解析、编译或明确说明环境？
公式、表格、图和链接是否在生成页面中可用？
是否保留了反例、失败模式和未知信息？