这是我参与「第五届青训营 」伴学笔记创作活动的第 4 天

---

性能优化及自动内存管理

性能优化

为什么要追求性能？

性能优化的基本问题：

• 减少不必要的消耗
• 资源高效利用：降低成本、提高效率

性能优化的层面

性能优化的两个层面：

• 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

• 此外，还要注意数据驱动

  • 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

性能优化的可维护性：

• 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

什么是自动内存管理

动态内存于自动内存管理：

• 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

自动内存管理：

• GC 技术的三个主要任务

  • 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

• 自动内存管理相关概念

  • 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，但 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，是 GC 的基本要求
    • 吞吐率：花在 GC 上的时间，时间越短越好，吞吐率越高越好
    • 暂停时间：业务是否感知到暂停，时间越短越好
    • 内存开销：GC 元数据开销，开销越小越好

  • 追踪垃圾回收

  • 引用计数

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

• 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：

  • 将存活的对象复制到另外的内存空间
  • 将死亡对象的内存标记为“可分配”
  • 移动并整理存活对象

• 根据对象的生命周期，使用不同的标记和清理策略

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
  • 每个对象都引入额外存储空间存储引用计数
  • 回收大的数据结构依然可能引发暂停

Go 内存管理及优化

Go 内存分配

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 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

内存分配 —— 缓存

• TCMalloc：TC is short for 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 申请带有为分配块的 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操作系统

Go 内存管理优化

内存管理问题

• 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
  • 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（<128b)分配

• 使用三个指针维护 GAB ：base，end，top

• 对象分配

  • 无需和其它分配请求互斥
  • 分配动作简单高效

Balanced GC

• 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：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，根据对象的生命周期，使用不同的标记和清理策略

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）

  • 语法分析，生成词素
  • 语法分析，生成词法树
  • 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）

  • 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，推到程序的行为，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
• 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

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性能的代码

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（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

Beast Mode

• Go 函数内联受到的限制较多

  • 语言特性限制了函数内联
  • 内联策略非常保守

• Beast mode：调整函数内联的策略，使得更多函数被内联

  • 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

Beast mode 对逃逸分析的优化

• 函数内联拓展了函数边界，更多对象不逃逸

• 未逃逸出当前函数的指针指向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 即可完成内存的分配和回收
  • 减少在堆上分配对象，降低 GC 负担

---

参考文档

• 【后端专场 学习资料二】第五届字节跳动青训营 - 掘金 (juejin.cn)