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.
性能优化
业务层优化：针对特定场景代码优化，改进具体问题
sdk优化：tradeoffs，改进更通用的功能
数据驱动优化：pprof，依靠数据分析而非猜测，优化最大瓶颈
性能优化需要保证的：
保证接口稳定；使用尽可能多的测试用例；编写文档说明；可选择是否开启优化；必要的日志输出
一、自动内存管理
管理的是动态内存（malloc），程序运行时系统管理，保证正确和安全性
任务
为新对象分配空间，找到存活对象，回收死亡对象的空间
mutator：业务线程，分配新对象，修改指向关系
collector：GC线程，找存活回收死亡
serialGC：只有一个collector，暂停
parallelGC：支持多个collector同时回收，暂停
concurrentGC：mutators和collectors可以同时执行，不暂停把m改成c，但是注意c必须感知对象指向关系的改变，已标记存活的对象必须指向已标记的
评价GC算法
不能回收存活的对象
吞吐率：1-GC时间/总时间
暂停时间
内存开销
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
过程：根对象（静态变量、全局变量、常量、线程栈）->标记可达对象->存活对象原地整理（mark-compact）或复制到另外的空间（copying），清理不可达对象（mark-sweep）
分代generational GC：分年轻代（可以用copy）和老年代（用sweep）取决于经历过GC的次数
引用计数：引用数大于0对象才存活
优点：内存管理的操作被平摊到程序执行过程中；不需要了解runtime的细节，如C++智能指针
缺点：需要原子操作，开销大；无法回收环形；占用内存开销；回收时还是可能引发暂停
二、go内存管理及优化
GMP模型：
zhuanlan.zhihu.com/p/261807834
goroutine：独立执行单元，必须绑定到p才能调度执行，动态扩容。G结构体对应goroutine，存储堆栈、状态、任务函数
machine：OS线程，真正执行计算的资源
processor：决定最大可并行的G的数量，提供执行环境、内存分配状态、任务队列
管理
1.分块，在heap上分配内存
mmap()向OS申请一大块内存->划分成大块mspan->划分成小块，根据对象的大小选择：noscan mspan分配不包含指针的对象，GC不扫描；scan mspan包含，需要
2.缓存
每个p包含一个mcache管理一组mspan用于快速分配，满了后向mcentral申请新mspan；当mspan空，会缓存在mcentral中，而不是立刻还给OS
优化
对象分配非常高频，小对象多，分配路径长g->m->p->mcache->mspan->mcentral
方案：
balancedGC：将多个小对象分配合并成一次大对象分配，但是导致内存延迟释放
每个g绑定一大块内存（GAB），用于noscan小对象分配，直接移动指针分配内存。使用copying算法优化：GAB总大小超过阈值，将其中对象复制到另外GAB，原先的可以释放。
三、编译器和静态分析
编译器的功能：识别合法和非法程序，生成正确高效代码
前端分析部分：词法分析生成词素；语法分析生成语法树（AST）；语义分析进行检查；中间代码生成IR
后端综合部分：优化IR；代码生成
静态分析：不执行只推导程序行为，分析程序性质。分析控制流or数据流
过程内分析：仅在函数内部进行分析
过程间分析：考虑函数调用，需要同时分析控制和数据流，比较复杂
四、go编译器优化
优点：对用户透明，通用性
现状：采用的优化少，没有进行复杂的分析
思路：后端长期执行任务优化，tradeoff延长编译时间，换取更高效机器码
函数内联
消除函数调用开销，过程间分析->过程内；函数体变大，编译生成go镜像变大
beast mode
因为go内联受到的限制多，策略比较保守；beast mode可以调整内联策略，降低函数调用开销，增加其他优化机会如逃逸分析
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
从对象分配处出发，沿着控制流，观察数据流
若指针p在当前作用域s：作为参数传递给其它函数 or 全局变量 or 其他goroutine or 已逃逸指针指向的对象，则已逃逸
beast mode
函数内敛拓展函数边界，更多对象不逃逸；未逃逸的对象可以在栈上分配，直接移动sp；减少heap上分配，降低GC负担
