高性能 Go 语言发行版优化与落地实践 | 青训营笔记

等待救赎的波
109 阅读9分钟

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

image.png

追求极致性能

  • 性能优化是什么？
    • 提升软件系统处理能力，减少不必要的消耗，充分发掘计算机能力
  • 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是会有显著的性能提升和成本节约

性能优化的层面

  • 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

性能优化与软件质量

  • 软件质量至关重要
  • 在保证接口稳定的前提下改进具体实现
  • 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

image.png

总结

  • 性能优化的基本问题
  • 性能优化的两个层面
  • 性能优化的可维护性

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

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!

image.png

image.png

  • 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

  • 对象背回收的条件：指针指向关系不可达的对象
  • 标记根对象
  • 标记：找到可达对象
  • 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

image.png

image.png

image.png

image.png

Copying GC:将对象复制到另外的内存空间

image.png

Mark-sweep GC:使用 free list管理空闲内存

image.png

Compact GC:原地整理对象

image.png

分代 GC (Generational GC)

  • 分代假说(Generational hypothesis): most objects die young
  • lntuition: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

image.png

  • 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

image.png

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

image.png

  • 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

image.png

image.png

image.png

image.png

image.png

image.png

总结

Go内存管理及优化

Go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:根据对象的大小,选择最合适的块返回 image.png

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
  • cache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
  • 当自span中没有分配的对象，mspan会被缓存在的central中，而不是立刻释放并归还给os

image.png

image.png

image.png

image.png

image.png

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
    • pprof:对象分配的函数是最频繁调用的函数之一

我们的优化方案：Balanced GC

  • 每个g都绑定一大块内存（1 KB)，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
    • 无须和其他分配请求互斥
    • 分配动作简单高效

image.png

  • 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

image.png

  • 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

image.png

Balanced GC -- 性能收益

  • 高峰期CPU usage降低4.6%，核心接口时延下降4.5%~7.7%

image.png

总结

  • Go内存管理一分块
  • Go内存管理一缓存Go
  • 对象分配的性能问题
    • 分配路径过长
    • 小对象居多
  • 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

image.png

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

image.png

image.png

image.png

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
  • 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.fod()调用的是哪个foo()
    • 根据i的具体类型，产生了新的控制流，i.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

image.png

image.png

总结

  • 编译器的结构与编译的流程
  • 编译器后端优化
  • 数据流分析和控制流分析
  • 过程内分析和过程间分析

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

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(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
    • 调用和被调函数的规模

image.png

image.png

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

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

性能收益

image.png

总结

  • Go编译器优化的问题
  • Beast mode
  • 函数内联
  • 逃逸分析
  • 通过micro-benchmark快速验证性能优化
  • 性能收益
avatar
文章
阅读
粉丝