Swift通过inout参数传递约定和isUniquelyReferenced运行时函数的组合，实现了就地修改。当调用一个mutating方法时，编译器将该调用转换为SIL级别的inout参数，授予该方法在调用期间对值的内存的独占访问权限。在修改通过类引用共享的任何堆分配的后备存储之前，运行时使用isUniquelyReferenced检查引用计数是否正好为1；如果为真，它将继续进行直接修改，否则创建一个防御性副本。排他性法则通过编译时静态分析和动态运行时插桩来强制执行，确保在关键检查-修改窗口中没有其他线程或执行路径可以访问该值，从而防止竞态条件，同时保持值语义而不产生冗余分配。
想象一下开发一个高性能的照片编辑应用程序，它使用自定义的ImageBuffer结构处理原始RAW图像数据，封装了一个50百万像素的字节数组。每次滤镜应用——模糊、锐化或颜色校正——都需要修改数百万个像素，用户期待在链式应用十个或更多调整时能够实现实时预览，而不会出现多秒的延迟或内存崩溃。
一个潜在的解决方案是将ImageBuffer从struct转换为class，以消除共享可变状态的复制开销。尽管这种方法防止了滤镜链过程中物理内存的重复，但当后台渲染线程同时访问缓冲区时，它引入了严重的线程安全隐患，并且破坏了值语义，导致滤镜意外修改了跨撤销历史堆栈共享的原始图像数据。
另一个考虑的方法是在每次滤镜操作之前对整个像素缓冲区进行手动深度复制，以确保阶段之间的完全隔离。尽管这一策略保持了完美的值语义和线程安全，但导致灾难性的性能下降——处理一张高分辨率图像通过十二个滤镜需要复制数百兆字节的内存十二次，导致多秒的延迟和内存突然峰值超过设备的物理限制。
选择的方案使用一个私有的后备Storage类（一个final Swift类），引用被ImageBuffer struct引用的Copy-on-Write语义。每个可变滤镜方法首先在存储实例上调用isUniquelyReferenced；在顺序处理期间，第一个变更触发了复制，而在同一个缓冲区实例上的后续变更在不分配的情况下就地操作。这个设计保持了Swift的值语义——允许通过高效的struct复制进行安全的撤销/重做操作，同时在滤镜链中避免冗余的内存重复，从而保持互动性能。
结果是一个流畅的编辑体验，用户可以对高分辨率图像施加十二个连续滤镜，响应时间低于100毫秒，内存使用稳定在200MB以下，而此前的多千兆内存峰值和由于过度复制导致的应用程序冻结的问题也得到了解决。
为什么即使只有一个Swift变量似乎持有引用，isUniquelyReferenced对Objective-C对象返回false？
Objective-C对象可能包含对Swift的引用计数机制不可见的“额外”引用，例如来自关联对象的未保留引用、NSNotificationCenter注册或KVO观察者。isUniquelyReferenced函数特别检查强引用计数是否等于1，以及对象是否是“纯Swift”原生对象；对于NSObject子类，Objective-C运行时可能会保留对象而不以Swift能够观察到的方式更新计数，或者该对象可能是永存的（单例）。因此，Swift提供了isUniquelyReferencedNonObjC，以明确处理这一限制，尽管开发人员通常应该确保COW后备存储是纯Swift类，以保证准确的唯一性检测，避免不必要的拷贝造成静默性能回归。
排他性法则如何在并发上下文中防止唯一性检查期间的竞态条件？
排他性法则要求对可变值的任何访问在访问期间必须是独占的，这通过结合静态编译时分析和使用Swift的排他性检查插桩的动态运行时跟踪来强制执行。当mutating方法执行isUniquelyReferenced检查时，运行时已经为该内存位置建立了独占访问记录；如果另一个线程试图在这个窗口中读取或写入该值，将立即检测到排他性违规——无论是对于静态违规的编译时，还是对于动态违规的运行时陷阱。这防止了“检查-然后-执行”的竞态条件，即第二个线程可能在唯一性验证和实际变更之间增加引用计数，否则会导致两个线程同时变更一个共享的缓冲区，违反值语义，导致数据损坏或崩溃。
为什么COW后备存储必须作为类而不是结构实现，如果使用结构会发生什么失败模式？
Copy-on-Write需要共享的可变状态来跟踪何时需要防御性复制；只有引用类型（类）提供对象标识和跨所有值类型包装的共享引用计数。如果开发人员错误地将后备存储实现为struct，则父值类型的每个赋值都会生成存储包装的一个独特副本，这意味着引用计数字段本身被复制而不是共享。因此，isUniquelyReferenced将始终对每个副本独立返回true，导致实现错误地假定唯一性，并在逻辑上共享的缓冲区上执行就地变更，从而引发跨值变更错误，修改一个struct实例意外改变了通过另一个看似独立的变量可见的数据。