高性能Go语言发行版优化与落地实践|青训营笔记

95 阅读7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

  • 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:
  1. 业务代码
  2. SDK
  3. 基础库
  4. 语言运行时
  5. OS
  • 业务层优化
    • 针对特定场景,具体问题,具体分析
    • 容易获得较大的性能收益
  • 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
  • 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
  • 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
  • 可观性:必要的日志输出

自动内存管理

GC基本概念

Mutator: 业务线程,分配新对象,修改对象指向关系

Colection: 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collector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

  • 安全性:不能回收存活对象 -- 基本要求
  • 吞吐率:1-(GC时间/程序执行总时间) -- 花在GC上的时间
  • 暂停时间 -- 业务是否感知
  • 内存开销 -- GC元数据开销

Tracing garbage collection

对象被回收条件:指针指向关系不可达的对象

回收步骤:

  • 标记根对象
    • 静态变量,全局变量,常量,线程栈等标记为存活
  • 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

Generational GC

  • 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,指定不同的GC策略,降低整体内存管理开销

  • 不同年龄的对象处于heap的不同区域

  • 年轻代(生命周期相对较短)

    • 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

    • 对象趋向于一直存活,反复复制开销较大
    • 可以采取Mark-sweep collection

Reference counting

  • 每个对象都有一个与之相关联的引用数目
  • 对象存活条件: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的执行过程中
    • 内存管理不需要了解runtime的实现细节
  • 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
    • 回收内存是依然可能引发暂停

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

Go内存分配 -- 缓存

  • 使用一个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中没有分配的对象时,mspan会被缓存在mcentral中,而并不是立刻释放归还给OS

Go 内存管理优化

  • 对象分配时非常高频的操作
  • 小对象占比非常高
  • Go内存分配比较耗时
    • 分配路径长:g -> m -> p -> mcache -> mspan -> memory block -> return pointer
    • 对象分配函数是被调用最频繁的对象之一

内存管理优化方案:Balanced GC

  • 给每个g都绑定一大块内存(1KB),乘坐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

    • 无需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

  • 方案

    • 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

编译器优化和静态分析

编译器结构

  • 重要系统软件
    • 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)
    • 语法分析,生成词素(lexeme)
    • 语法分析,生成语法树(AST)
    • 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,生成优化之后的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,推导程序行为,分析程序性质
  • 控制流:程序执行的流程,可以以控制流图(Control-flow graph)的形式呈现
  • 数据流:数据在控制流上的传递
  • 通过分析控制流和数据流,我们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
    • 考虑函数调用时参数传递和返回值的数据流和控制流
    • 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

Go编译器优化

函数内联

  • 内联:将被调用的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
    • 编译生成的Go镜像变大
  • 函数内联在大多数情况下都是正向优化

Beast Mode

  • Beast Mode:调整了函数内联的策略,使更多函数被内联
    • 降低了函数调用的开销
    • 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,即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
      • 传递给以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的边界,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