这是我参与「第三届青训营 -后端场」笔记创作活动的的第4篇笔记
性能优化
- 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
- 性能优化的层面
- 业务代码
- SDK
- 基础库
- 语言运行时
- OS
自动内存管理
-
概念
- 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管理动态内存
- 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
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)
- 动态内存
-
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)
- 移动并整理存活对象(Mark- compact GC)
- 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(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0
- 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:通过原子操作保证对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
- 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-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申请带有末分配块的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
- Go对象分配的性能问题
- 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
- Balanced GC
- 指针碰撞风格的对象分配
- 实现了copying GC
- 性能收益
编译器和静态分析
- 编译器结构
- 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
- 重要的系统软件
- 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)
- 考虑函数调用时参数传递和返回值的数据流和控制流
- 过程内分析(Intra-procedural analysis)
Go编译器优化
- 背景
- 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
- 采用的优化少
- 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
- ……
- 为什么做编译器优化
- 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，inotruction 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
- 调用和被调函数的规模
- ……
- 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
- Go函数内联受到的限制较多
- 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
