数组最硬件友好：内存连续、O(1)寻址、高缓存命中；SoA优于AoS以提升SIMD效率；链表最不友好，因地址分散、预取失效；哈希表宜选开放寻址+低负载因子。
不同数据集合在内存占用和CPU寻址效率上的硬件友好性，核心取决于内存布局连续性、访问局部性、对齐方式以及缓存行（cache line）利用效率。连续、紧凑、按自然边界对齐的结构，通常更贴合现代CPU的预取机制与加载单元设计。
数组（Array）：最硬件友好的线性结构
数组在内存中是连续分配的，元素大小固定且地址可由基址+偏移直接计算（O(1) 寻址，无间接跳转）。CPU能高效预取后续元素，L1/L2缓存命中率高。例如 int arr[1024]，访问 arr[i] 仅需一条 LEA 指令加一次内存加载，且相邻访问大概率落在同一 cache line（通常64字节）内。
- 推荐用于频繁随机/顺序遍历、数值计算等场景
- 避免存储指针或大对象（如未打包的 struct），否则浪费空间并降低密度
- 注意对齐：使用
alignas(64)强制对齐到 cache line 起始，减少跨行访问
结构体数组（SoA vs AoS）：布局决定访存带宽利用率
假设处理 3D 点集：struct Point { float x,y,z; }。若用数组 of struct（AoS），每个点占 12 字节，但向量运算常只需 x 或 y 分量——每次加载会带入冗余字节，浪费缓存带宽。而结构体 of 数组（SoA）如 float* xs, *ys, *zs，可单独加载一维数据流，配合 SIMD 指令（如 AVX）实现单指令多数据吞吐。
- AoS 更适合面向对象访问（如“获取第 i 个点的全部属性”）
- SoA 在批处理、科学计算、图形管线中显著提升 CPU 向量化效率
- 混合方案（如 SoA-16，每块存 16 个点的 x/y/z 分别连续）可兼顾局部性与向量化
链表（Linked List）：硬件最不友好的动态结构
节点分散在堆上，地址无规律，每次访问需解引用指针（额外内存加载），破坏空间局部性。CPU 预取器难以预测下个地址，cache miss 率极高。即使 L1 缓存命中，也要多一次指针跳转（branch + load），延迟远高于数组索引。
- 插入/删除 O(1) 的优势在现代 CPU 上常被访存代价抵消
- 若必须用链式结构，考虑内存池（memory pool）预分配连续块，并用数组模拟链表（如“游标链表”）
- 避免在 hot path 中遍历长链表；可用跳表（skip list）或分段数组替代
哈希表（Hash Table）：折中选择，依赖实现细节
开放寻址哈希表（如 robin-hood hashing）将桶连续存储，查找时线性探测局部范围，缓存友好；而拉链法哈希表（bucket → linked list）则继承链表缺陷。关键在于负载因子与探查长度：负载率超 70% 后冲突增多，平均探查步数上升，导致更多 cache miss 和分支预测失败。
- 优先选开放寻址、支持 SIMD 比较的实现（如 robin-hood-hashing）
- 键值对尽量小（如 key 用 uint64_t，value 用指针而非大结构体）以提高桶密度
- 避免哈希函数本身成为瓶颈：用 CLMUL 或 CRC32 指令加速，而非通用 md5/sha
