大数组跨页访问性能下降的关键在于内存页边界触发的TLB Miss、缓存行截断及预取器停用，而非数组大小本身；需通过页对齐分配、大页支持、数据结构紧凑化和预取提示来缓解。
大数组跨页访问确实会影响性能，但关键不在“数组大小”本身，而在内存布局、访问模式与页机制的交互。简单说：不是数组大就慢，而是当频繁访问跨越页边界的元素时，会触发额外的硬件和系统开销。
页边界如何被“踩中”
现代操作系统以固定大小（通常4KB）为一页管理内存。一个数组若起始地址在某页末尾，而长度又刚好跨过页边界，那么连续访问就可能频繁横跨两页甚至多页。例如：
- 假设数组首地址为 0x1000FFC0（距4KB页尾仅64字节），int型数组每项占4字节，则第17个元素（索引16）地址为 0x10010000——恰好落在下一页起始处；
- 后续访问将交替落在两个物理页上，CPU每次取数都需检查TLB是否命中该页的映射；
- 若TLB容量小或working set大，就会频繁发生TLB Miss，带来多次页表遍历开销。
跨页对缓存与预取的实际影响
不只是TLB，CPU缓存行（Cache Line，通常64字节）和硬件预取器也依赖空间局部性。跨页往往意味着打破这种局部性：
- 一个缓存行无法跨页加载，页边界会截断预取范围；
- 某些预取器（如Intel的DCU prefetcher）在检测到跨页访问时会主动停用，避免无效加载；
- 二维数组按行优先存储时，若行宽接近页大小（如每行1020字节），则每访问下一行首元素就触发一次新页加载，形成稳定但低效的“页抖动”。
哪些场景真正敏感？
并非所有大数组都受明显影响，以下情况才值得警惕：
- 高吞吐循环遍历：如图像处理中逐像素扫描、科学计算中向量累加，且数组未对齐或尺寸非页整数倍；
- 小步长随机跳转：如稀疏矩阵的列索引数组被反复间接访问，地址散落在不同页；
- 实时或延迟敏感任务：如音频DSP、高频交易数据解析，几十纳秒的TLB Miss延迟已不可忽略。
可落地的缓解思路
无需重写整个内存模型，几个轻量调整就能见效：
- 分配时使用
aligned_alloc(4096, size)或posix_memalign，让数组起始地址对齐到页边界，提升页内连续性； - 对超大数组（如>1MB），考虑启用大页（Huge Pages）：Linux下用
mmap(MAP_HUGETLB)，可大幅减少TLB Miss次数； - 避免“窄深”结构：比如用
vector<array<int, 4>>替代vector<int>存储四元组，让逻辑相关的数据更紧凑，降低跨页概率； - 在性能关键循环中，用编译器提示（如GCC的
__builtin_prefetch）提前加载下一页数据，掩盖部分延迟。
