主要观点：函数调用和返回事件的时间线是调试性能问题的好方法，尤其在生产环境中，但其采用在行业中仍不均衡存在鸡生蛋问题。介绍了新的 C++函数跟踪分析器[funtrace]，它具有低开销、支持多线程等优点，还介绍了相关工具如[viztracer]、[LLVM XRay]、[magic-trace]等，并讨论了它们的特点和用途，以及硬件辅助跟踪的可能性和未来工作方向。

关键信息：

• [funtrace]：用于 C++的函数跟踪分析器，开销低（每个插入的调用或返回<10ns），支持线程、共享库和异常等，可与 stock gcc 或 clang 配合使用，易于集成到构建系统中，运行时约 1K LOC 且易扩展和审计。
• [viztracer]：用于 Python 的跟踪分析器，使用时需注意触发跟踪的 API 及可能出现的问题，如“Error: RPC framing error”可通过重新打开 trace.json 解决，其输出的跟踪结果比数字表更直观。
• [LLVM XRay]：为大型公司设计的开源函数跟踪 C++分析器，通过在函数入口/退出插入 NOP 指令序列降低开销，自动剔除跟踪开销，压缩跟踪事件，但在一些小环境中存在局限性，如实时应用、嵌入式环境等，且开源版本在解码共享库符号方面存在问题。
• [magic-trace]：基于 Intel Performance Trace 的非侵入式跟踪分析器，无需重新编译即可工作，开销低，但存在难以移植到许多流行平台的问题。
• 硬件辅助跟踪：大多数 CPU 有硬件跟踪设施，但基本用于调试硬件或低级软件，Intel Performance Trace 可零开销跟踪本机代码，magic-trace 基于此，作者建议 CPU 硬件添加简单的跟踪指令如 TRACE，以降低开销并便于解释器和 JITters 使用。

重要细节：

• [funtrace]的实现细节，包括编译器 instrumentation、运行时代码、解码跟踪查看器、离线跟踪解码器、ftrace 跟踪线程状态变化、从核心转储获取跟踪、funcount 剔除开销等方面的工作原理和代码实现。
• [viztracer]使用时的常见问题及解决方法，如 Ctrl-C 中断程序获取跟踪、“Error: RPC framing error”错误等。
• [LLVM XRay]的工作机制，如自动剔除开销的阈值、压缩跟踪事件的方式等。
• 硬件辅助跟踪的两种细化方式，“完美主义 CPU 制造商”和“实用芯片制造商”的不同做法。

总结：本文全面介绍了函数跟踪相关的工具和技术，包括它们的优点、局限性和未来发展方向，为调试性能问题提供了多种选择和思路。