这是我参与「第三届青训营 -后端场」笔记创作活动的的第 3 篇笔记

高性能 Go 语言发行版优化和落地实战

1. 自动内存管理

• 动态内存

  • 程序在进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

1.1 自动内存管理 - 基本概念

• 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

比较 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

1.2 追踪垃圾回收 (Tracing garbage collection)

• 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

1.3 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

• 每个对像都有年龄：经历过GC的次数

• 目的：对年轻和老年的对象，制定不同的GC,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

  • 老年带(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

1.4 引用计数 (Reference counting)

• 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型和可见性
  • 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类型
  • 回收内存时依然可能引发暂停

2. Go 内存管理及优化

2.1 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

  • 系统调用 mmap() 向 OS 申请一大块内存，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：分配不包括含指针的对象——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

2.2 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

2.3 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

3. 编译器和静态分析

3.1 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

3.2 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，可以知道更多的关于程序的性质(properties)

3.3 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

4. Go 编辑器优化

• 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

4.1 函数内联(LnLining)

• 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

4.2 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：调用函数内联的策略，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

4.3 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

• 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