解读

在国内 Rust 岗位面试中，性能回归检测是高频考点。面试官不仅想知道“会不会用”，更关注“如何落地到 CI”“如何设定阈值”“如何与 baseline 比对”。回答时要体现工程闭环：基准代码 → 持续采集 → 自动告警 → 根因定位，避免只讲 API 调用。

知识点

1. criterion 设计哲学：采样统计（bootstrap 置信区间）、历史持久化（target/criterion 目录）、自动回归判定（±临界值）。
2. 回归判定规则：默认 99.9% 置信区间重叠即“无回归”；若新区间整体偏移超过 ±3% 即判回归（可自定义 change 阈值）。
3. baseline 管理：cargo bench --save-baseline master 把主分支结果存为“真值”；PR 阶段 cargo bench --baseline master 自动比较。
4. CI 集成要点：
   • 自托管 runner 保证硬件一致；
   • 关闭 CPU 变频与超线程，绑定核隔离干扰；
   • 缓存 target/criterion 与 baseline，避免冷编译噪声。
5. 统计显著性：criterion 输出 p-value 与 effect size，若 p < 0.05 且 effect size > 0.02 即高置信回归，需人工复核。
6. 常见误用：
   • 只跑单次测量，忽略采样误差；
   • 把 black_box 放错位置，导致编译器优化掉核心路径；
   • 在虚拟机或容器里跑，未锁定 cpu-manager-policy=static，结果漂移。

答案

1. 在 benches/ 下编写基准：

use criterion::{criterion_group, criterion_main, Criterion, black_box};

fn fib(n: u64) -> u64 { if n < 2 { 1 } else { fib(n - 1) + fib(n - 2) } }

fn bench_fib(c: &mut Criterion) {
    c.bench_function("fib 20", |b| b.iter(|| fib(black_box(20))));
}

criterion_group!(benches, bench_fib);
criterion_main!(benches);

2. 保存主分支 baseline：

cargo bench --bench fib --save-baseline master

结果持久化到 target/criterion/master。

3. 在功能分支检测回归：

cargo bench --bench fib --baseline master

若控制台出现 Performance has regressed. 且 HTML 报告 change 列红色箭头，即判定回归。

4. 自定义阈值（例如 ±1%）：

let mut c = Criterion::default()
    .measurement_time(Duration::from_secs(10))
    .confidence_level(0.99)
    .noise_threshold(0.01);

5. CI 集成脚本（GitHub Actions 示例）：

- name: Restore baseline
  uses: actions/cache@v3
  with:
    path: target/criterion
    key: criterion-${{ runner.os }}-${{ hashFiles('**/Cargo.lock') }}

- name: Run benchmark
  run: |
    sudo cpupower frequency-set -g performance
    cargo bench --bench fib --baseline master --output-format bencher | tee result.txt
    if grep -q "Performance has regressed" result.txt; then
      echo "::error::检测到性能回归，请查看报告"
      exit 1
    fi

6. 根因定位：
   • 打开 target/criterion/report/index.html，查看 Change 与 Distribution 图；
   • 若新增分支引入额外 clone，火焰图会显示热点；
   • 使用 perf dso 对比汇编，确认是否生成多余内存屏障。

拓展思考

1. 微基准 vs 端到端：criterion 适合微基准，对 IO 密集场景需配合 hyperfine 或 locust。
2. 跨平台一致性：ARM 与 x86 指令集差异大，建议分架构保存 baseline，避免误判。
3. 二进制大小回归：结合 cargo-bloat 与 cargo-audit，在 CI 中并行检查“性能+体积+安全”三维回归。
4. 生产流量回放：把真实请求录制为 *.proto，用 criterion 的 throughput 模式重放，实现“真数据”防回归。
5. Rust 1.83 起 cargo bench 原生支持 #[bench]，但 criterion 仍是事实标准，因其统计模型更严谨；面试时可主动对比两者差异，体现社区演进敏感度。