这是我参与「第三届青训营 -后端场」笔记创作活动的的第1篇笔记。

1、引入

1.1、2个基本问题

• Q：什么是性能优化？

  • A：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

• Q：为什么要做性能优化？

  • A：提升用户体验，高效利用成本

1.2、性能优化的2个层面

• 我们优化的2个层面：
  • 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；考虑更多的场景；Tradeoffs

1.3 性能优化的可维护性

2、自动内存管理

2.1 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同时被回收的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

• 动态内存: ￱程序在运行时根据需要动态分配的内存：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:连续2次释放内存
    • ￱use-after-free: ￱gc

• 3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。

• ￱评价gc算法

• ￱tracing garbage collection
• ￱reference counting

2.2 追踪垃圾回收（tracing garbage collection）

• 对象被回收条件: 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

• 清理所有不可达变量，3个策略（根据对象的生命周期，使用不同的标记和清理策略）：

  • Copying GC: 将存活对象复制到另外的内存空间
  • Mark-sweep GC: 将死亡对象的内存标记为可分配
  • Mark-compact GC: 移动并原地整理存活对象

2.3 分代GC(generational GC)

• 分代假说：许多对象就在年轻的时候就死去了（most objects die yang）

• Intuition： 很多对象再分配出来以后很快就不再使用了

• 每个对象都有的年龄：经历过GC的次数

• 目的：对年轻和老年的对象，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（Yang generation)

    • 常规的对象分配
    • 由于存活对象很少，可以采用copying GC
    • GC吞吐率很高

  • 老年代（Old generation)

    • 对象趋向于一直活着，反反复复开销很大，可以采用Mark-sweep GC

2.4 引用计数

• 对象存活的条件：当且仅当引用数大于0

• 优点：

  • 内存管理的操作北平谈到程序执行过程中
  • 内存管理不需要了解runtime的实现细节，例如C++智能指针

• 缺点：

  • 维护引用计数的开销较大：通过原子操作保证对引用计数操作的原子性和可见性
  • 无法回收环形数据结果 -- weak reference（解决）
  • 内存开销：每个对象都引入了额外的空间存储引用数目
  • 回收内存时依然可能引发暂停（同一时刻，很多对象引用计数为0时）

3、go的内存管理优化及优化

3.1 go内存分配-分块

• 目标：为对象再heap上分配内存

• 提前将内存分块：

  • 系统调用mmap()向OS申请一大块内存，例如4MB
  • 先将内存划分成大块，例如8KB，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：根据对象大小，选择最合适的块返回

3.2 go内存分配-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，而不是立刻释放并归还给OS

3.3 go内存管理优化

• 对象分配是高频操作: 每秒分配GB级别的堆存

• 小对象占比较高

• Go内存分配比较耗时

  • 分配路径：g->m->p->mcahe->mspan->memory block->return pointer
  • pprof: 对象分配的函数是最频繁调用的函数之一

3.4 字节的优化方案：Balanced GC

• 每个g都绑定一大块内存（1KB）, 称为goruntine allocation buffer(GAB)

• GAB用于noscan类型的小对象分配：<128B

• 使用3个指针维护GAB:base, end, top

• Bump pointer(指针碰撞)风格对象分配

  • 无需和其它分配请求互斥
  • 分配动作简单高效

• GAB对于Go内存管理来说是一个对象

• GAB本质：将多个小对象的分配合并成一次达对象的分配

• GAB问题：GAB的对象分配方式会导致内存被延迟释放

• 解决方案：

  • 当GAB总大小超过一定的阈值时， 将GAB中存货的对象赋值到另外分配的GAB中
  • 原先的GAB可以释放， 比米娜内存泄漏
  • 本质：用copying GC的算法管理小对象。

4、编译器和静态分析

4.1编译器的结构

• 重要的系统软件

  • 识别符号语法和非法的程序
  • 生成正确且高效的代码

• 分析部分（前端)

  • 词法分析，生成词素
  • 语法分析，生成语法树
  • 予以分析，收集类型信息，进行语义检查
  • 中间代码生成，生成intermediate representation(IR)（机器无关）

• 综合部分（后端）

  • 代码优化，机器无关（平台无关）优化，生成优化后的IR
  • 代码生成，生成目标代码

4.2静态分析

• 静态分析：不执行代码，推导程序的行为，分析程序的性质

4.2.1控制流和数据流

• 控制流:程序执行的流程
• 数据流:数据在控制流上的传递 控制流图： 数据流图

4.2.2 过程内分析和过程间分析

• 过程内分析：仅在函数内部进行分析
• 过程间分析: 考虑过程调用时参数传递和返回值的控制流和数据流
• 案例：

5、编译器优化

• Q: 为什么做编译器优化？

  • A:用户无感知，重新编译即可获得性能撒后裔；通用性优化

• 现状：

  • 采用的优化少
  • 编译时间较短，没有进行较复杂的代码分析和有会员

• 编译优化思路

  • 场景：面向后端长期执行任务
  • Trade off: 用编译时间换取更高的机器码

• 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

5.1函数内联

• 内联：将被调用函数的函数体（callee）的副本替换到调用位置上，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

• 函数内联能多大程度影响性能？-->使用micro-benchmark验证，例子提高4.58%（右侧，禁止编译器使用内联）

• 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

5.2 Beast Mode

• Go函数内联受到的限制较多

  • 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

  • 降低函数调用的开销
  • 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

5.2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：

• Beast mode，函数内联扩展了函数边界，逃逸对象更少

• 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

5.2 Beast Mode-性能收益

这次的课程总体上介绍了2部分：

• 自动内存管理的概念，go管理内存的方式【案例：Balanced GC】
• 编译器与静态分析，编译器优化【案例：Beast mode】