引言

  • 什么是性能优化？
    • 提升软件系统处理能力，减少不必要的消耗，充分发掘计算机算力
  • 为什么要做性能优化？
    • 用户体验：带来用户体验的提升 —— 让刷抖音更丝滑，让双十一购物不再卡顿
    • 资源高效利用：降低成本，提高效率 —— 很小的优化乘以海量机器会是显著的性能提升和成本节约
  • 性能优化
    • 业务层优化
      • 针对特定场景，具体问题，具体分析
      • 容易获得较大性能收益
    • 语言运行时优化
      • 解决更通用的性能问题
      • 考虑更多场景
      • Tradeoffs
    • 数据驱动
      • 自动化性能分析工具 —— pprof
      • 依靠数据而非猜测
      • 首先优化最大瓶颈
  • 软件质量
    • 保证接口稳定的前提下改进实现
    • 测试用例：覆盖尽可能多的场景，方便回归
    • 文档：做了什么，没做什么，能达到怎样的效果
    • 隔离：通过选项控制是否开启优化
    • 可观测：必要的日志输出

自动内存管理

  • 动态内存
    • 程序在运行时根据需求动态分配的内存：malloc()
  • 自动内存管理（垃圾回收）：由程序语言的运行时系统回收动态内存
    • 避免手动内存管理，专注于实现业务逻辑
    • 保证内存使用的正确性和安全性：double-free problem，use-after-free problem
  • 三个任务
    • 为新对象分配空间
    • 找到存活对象
    • 回收死亡对象的内存空间

相关概念

  • Mutator：业务线程，分配新对象，修改对象指向关系
  • Collector：GC 线程，找到存活对象，回收死亡对象的内存空间
  • Serial GC：只有一个  collector
  • Parallel GC：支持多个  collectors  同时回收的 GC 算法
  • Concurrent GC：mutator(s)  和  collector(s)  可以同时执行
    • Collectors 必须感知对象指向关系的改变

  • 评价 GC 算法
    • 安全性(Safety)：不能回收存活的对象  基本要求
    • 吞吐率(Throughput)：1-GC 时间/程序执行总时间  花在 GC 上的时间
    • 暂停时间(Pause time)：stop the world（STW）业务是否感知
    • 内存开销(Space overhead) GC 元数据开销
  • 追踪垃圾回收(Tracing garbage collection)
  • 引用计数(Reference counting)

追踪垃圾回收

  • 对象被回收的条件：指针指向关系不可达的对象
  • 标记根对象
      • 静态变量、全局变量、常量、线程栈等
  • 标记：找到可达对象
      • 求指针指向关系的传递闭包：从根对象出发，找到所有可达对象
  • 清理：所有不可达对象
    • 将存活对象复制到另外的内存空间（Copying GC）
    • 将死亡对象的内存标记为”可分配“（Mark-sweep GC）
      • 使用  free list  管理空闲内存
    • 移动并整理存活对象（Mark-compact GC）
      • 原地整理对象
  • 根据对象的生命周期，使用不同的标记和清理策略

分代 GC(Generational GC)

  • 分代假说(Generational hypothesis)：most objects die young
  • Intuition：很多对象在分配出来后很快就不再使用了
  • 每个对象都有年龄：经历过 GC 的次数
  • 目的：对年轻和年老的对象，制定不同的 GC 策略，降低整体内存管理的开销
  • 不同年龄的对象处于  heap  的不同区域
  • 年轻代(Young generation)
    • 常规的对象分配
    • 由于存活对象很少，可以采用  copying collection
    • GC 吞吐率很高
  • 老年代(Old generation)
    • 对象趋向于一直活着，反复复制开销较大
    • 可以采用  mark-sweep collection

引用计数

  • 每个对象都有一个与之关联的引用数目
  • 对象存活的条件：当且仅当引用数大于零
  • 优点
    • 内存管理的操作被平摊到程序执行过程中
    • 内存管理不需要了解  runtime  的实现细节：C++智能指针(smart pointer)
  • 缺点
    • 维护引用计数的开销较大：通过原子操作保证引用计数操作的原子性和可见性
    • 无法回收环形数据结构——weak reference
    • 内存开销：每个对象都引入的额外内存空间存储引用数目
    • 回收内存时依然可能引发暂停

Go 内存管理及优化

内存分配

分块

  • 目标：为对象在 heap 上分配内存
  • 提前将内存分块
    • 调用系统调用  mmap()  向 OS 申请一大块内存，例如 4 MB
    • 先将内存划分成大块，例如 8 KB，称作  mspan
    • 再将大块继续划分成特定大小的小块，用于对象分配
    • noscan mspan：分配不包含指针的对象 —— GC 不需要扫描
    • scan mspan：分配包含指针的对象 —— GC 需要扫描
  • 对象分配：根据对象的大小，选择最合适的块返回

缓存

  • TCMalloc：thread caching
  • 每个 p 包含一个  mcache  用于快速分配，用于为绑定于 p 上的 g 分配对象
  • mcache  管理一组  mspan
  • 当  mcache  中的  mspan  分配完毕，向  mcentral  申请带有未分配块的  mspan
  • 当  mspan  中没有分配的对象，mspan  会被缓存在  mcentral  中，而不是立刻释放归还给  OS

Go 内存管理优化

  • 对象分配是非常高频的操作：每秒分配 GB 级别的内存
  • 小对象占比较高
  • Go 内存分配比较耗时
    • 分配路径长：g -> m -> p -> mcache -> mspan -> memory block -> return pointer
    • pprof：对象分配的函数是最频繁调用的函数之一

字节优化方案：Balanced GC

  • 每个 g 都绑定一大块内存（1KB），称作  goroutine allocation buffer（GAB）
  • GAB 用于  noscan  类型的小对象分配：<128 B
  • 使用三个指针维护 GAB：base，end，top
  • Bump pointer（指针碰撞）风格对象分配
    • 无需和其他分配请求互斥
    • 分配动作简单高效

  • GAB 对于 Go 内存管理来说是一个大对象
  • 本质：将多个小对象的分配合并成一次大对象的分配
  • 问题：GAB 的对象分配方式会导致内存被延迟释放
  • 方案：移动 GAB 中存活的对象
    • 当 GAB 总大小超过一定阈值时，将 GAB 中存活的对象复制到另外分配的 GAB 中
    • 原先的 GAB 可以释放，避免内存泄漏
    • 本质：用 copying GC 的算法管理小对象

编译器和静态分析

编译器的结构

  • 重要的系统软件
    • 识别符合语法和非法的程序
    • 生成正确且高效的代码
  • 分析部分（前端 front end）
    • 词法分析，生成词素（lexeme）
    • 语法分析，生成语法树
    • 语义分析，收集类型信息，进行语义检查
    • 中间代码生成，生成 intermediate representation（IR）
  • 综合部分（后端 back end）
    • 代码优化，机器无关优化，生成优化后的 IR
    • 代码生成，生成目标代码

静态分析

  • 静态分析：不执行程序代码，推导程序的行为，分析程序的性质
  • 控制流(Control flow)：程序执行的流程
  • 数据流(Data flow)：数据在控制流上的传递
  • 通过分析控制流和数据流，我们可以知道更多关于程序的性质（properties）
  • 根据这些性质优化代码

过程内分析和过程间分析

  • 过程内分析（Intra-procedural analysis）
    • 仅在函数内部进行分析
  • 过程间分析（Inter-procedural analysis）
    • 考虑参数调用时参数传递和返回值的数据流和控制流
  • 为什么过程间分析是个问题？
    • 需要通过数据流分析得知 i 的具体类型，才能知道 i.foo() 调用的是哪个 foo()
    • 根据 i 的类型，产生了新的控制流，A.foo()，分析继续
    • 过程间分析需要同时分析控制流和数据流——联合求解，比较复杂

Go 编译器优化

  • 为什么做编译器优化
    • 用户无感知，重新编译即可获得性能收益
    • 通用性优化
  • 现状
    • 采取的优化少
    • 编译时间较短，没有进行较复杂的代码分析和优化
  • 编译优化的思路
    • 场景：面向后端长期执行任务
    • Tradeoff：用编译时间换取更高效的机器码
  • Beast mode
    • 函数内联
    • 逃逸分析
    • 默认栈大小调整
    • 边界检查消除
    • 循环展开
    • . . . . . .

函数内联（Inlining）

  • 内联：将被调用函数的函数体（callee）的副本替换到调用位置（caller）上，同时重写代码以反映参数的绑定
  • 优点
    • 消除函数调用开销，例如传递参数，保存寄存器等
    • 将过程间分析转化为过程内分析，帮助其他优化，例如逃逸分析
  • 缺点
    • 函数体变大，instruction cache（icache）不友好
    • 编译生成的 Go 镜像变大
  • 函数内联在大多数情况下是正向优化
  • 内联策略
    • 调用和被调用函数的规模
    • . . . . . .

Beast Mode

  • Go 函数内联受到的局限较多
    • 语言特性，例如  interface，defer  等，限制了函数内联
    • 内联策略非常保守
  • Beast Mode：调整函数内联的策略，使更多函数被内联
    • 降低了函数内联的开销
    • 增加了其他优化的机会：逃逸分析
  • 开销
    • Go 镜像增加 ~10%
    • 编译时间增加

逃逸分析

  • 逃逸分析：分析代码中指针的动态作用域：指针在何处可以被访问
  • 大致思路
    • 从对象分配处出发，沿着控制流，观察对象的数据流
    • 若发现指针 p 在当前作用域 s：
      • 作为参数传递给其他函数
      • 传递给全局变量
      • 传递给其他的 goroutine
      • 传递给已逃逸的指针指向的对象
    • 则指针 p 指向的对象逃逸出 s，反之则没有逃逸出 s
  • Beast mode：函数内联拓展了函数边界，更多对象不逃逸
  • 优化：未逃逸的对象可以在栈上分配
    • 对象在栈上分配和回收很快：移动 sp
    • 减少在  heap  上的分配，降低 GC 负担
许可协议

本文采用 署名-非商业性使用-相同方式共享 4.0 国际 许可协议，转载请注明出处。

分享文章