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
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，充分发掘计算机算力。
为什么要做性能优化
用户体验：带来用户体验的提升。
资源高效利用：降低成本，提高效率。
性能优化的层面
- 业务代码 针对特定场景优化，容易获得较大性能收益
- SDK
- 基础库
- 语言运行时 解决更通用的性能问题，考虑更多场景，权衡
- OS
需要用数据驱动优化
- 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
自动内存管理
自动内存管理
动态内存：程序在运行时按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
自动内存管理的任务
- 为新对象分配内存空间
- 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：mutators和collectors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：不能回收存活的对象 基本要求
- 吞吐率：1- \frac{GC时间}{程序执行总时间} 花在GC上的时间
- 暂停时间： stop the world 业务是否感知
- 内存开销：GC元数据开销
追踪垃圾回收
-
对象回收的条件：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
- 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
- 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
- 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的过程中
- 内存管理不需要了解runtime的实现细节：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
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
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
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
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：<128B
-
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
-
GAB对于Go内存管理是一个大对象
-
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，避免内存泄露
- 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
- 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：程序执行的流程
- 数据流：数据在控制流上的传递
- 通过分析控制流和数据流，我么可以知道更多关于程序的性质
- 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
- 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，调用什么函数，产生新的控制类
- 过程间分析需要同时分析控制流和数据流
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
- 权衡：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
-
缺点
- 函数体变大，instruction cache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函数内联收到的限制较多
- 语言特性，例如interf，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进行增加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
-
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，反之没有
-
Beast Mode：函数内联扩展了函数边界，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
