在途量、局部加速与尾延迟：性能成本拓扑文献摘录

source · 来源摘录 三份来源分别约束驻留、可改善比例和尾部传播，不能拼成跨系统的统一性能公式。综合迁移见性能优化的本质是控制成本发生的频率、时机与范围。

Little（1961）：平均在途量、到达率与停留时间

• 文献：John D. C. Little，A Proof for the Queuing Formula: L = λW
• 期刊：Operations Research, 9(3), 383–387
• 原文：INFORMS

论文证明：在相关均值有限、随机过程严格平稳且到达过程满足文中条件时，系统中的平均单位数 L 等于平均到达率 λ 乘以单位在系统中的平均时间 W。这是长期平均量之间的恒等关系，不依赖具体服务时间分布。

它支持把对象数量、到达频率和驻留时间分开测量；不提供因果方向，也不证明只降低 W 就一定改善用户体验。瞬态、非平稳、有限窗口或有选择地丢弃请求时，需要重新检查条件。

Amdahl（1967）：未改善部分限制整体加速

• 文献：Gene M. Amdahl，Validity of the Single Processor Approach to Achieving Large Scale Computing Capabilities
• 会议：AFIPS Spring Joint Computer Conference, 483–485
• 原文：ACM

原文针对多处理器扩展的乐观预期，强调现实计算包含难以并行的数据管理和顺序部分；仅提高可并行部分，整体吞吐会受未改善部分限制。后来常见的“阿姆达尔定律”表达了同一上界结构。

迁移到普通性能优化时，可靠含义是：必须先知道热点在真实工作负载中的占比与关键路径位置。微基准的巨大局部加速，如果作用于很小占比、被其他瓶颈遮蔽或增加协调成本，整体收益仍可能很小。原论文的具体工作负载比例不应当作今天系统的通用常数。

Dean 与 Barroso（2013）：规模化系统中的尾延迟

• 文献：Jeffrey Dean、Luiz André Barroso，The Tail at Scale
• 期刊：Communications of the ACM, 56, 74–80
• 原文：Google Research

论文分析大规模在线服务：当一次请求扇出到许多组件时，单个组件偶发的高延迟会提高整条请求落入慢尾部的概率；系统规模或利用率上升后，中等规模时可忽略的抖动可能主导用户可见延迟。作者归纳了延迟来源，并讨论 hedged requests、备用副本、微分区等降低尾部影响的策略。

它支持观察分位数、扇出和关键路径，而不只看平均值。具体尾部放大仍受组件相关性、超时、负载平衡、冗余和调度影响；不能把独立概率假设机械套到所有系统，冗余请求也会增加资源成本。

三者如何共同约束诊断

问题	对应来源	应测变量
为什么对象或未完成工作越来越多	Little	到达率、停留时间、平均在途量
为什么热点变快而整体几乎不变	Amdahl	改善部分占比、未改善部分、协调开销
为什么平均正常而用户仍感到卡顿	Dean 与 Barroso	高分位延迟、扇出、相关性、关键路径

三份来源支持的是诊断顺序和变量方向，不是“成本 = 频率 × 生命周期 × 扇出”的精确普适方程。