高性能 Go 语言发行版优化与落地实践

用户7992110583125
76 阅读6分钟

优化

内存管理优化

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
各种GC的区别
  • 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

image.png

如何评价GC算法
  • 评价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时间程序运行总时间1 - \frac{GC时间}{程序运行总时间}
    • 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
  • 追踪垃圾回收 (Tracing garbage collection)
  • 引用计数 (Reference counting)
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)
    • 移动井整理存活对象 (Mark-compact GC)
  • 根据对象的生命周期，使用不同的标记和清理策略 image.png
引用计数回收
  • 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1入的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
分代GC
  • 分代假说 (Generational hypothesis)：most objects die young，新生代里面的对象最容易进行GC。
  • 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：对年轻代和老年代的对象，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。

新生代 (Young generation)

  • 常规的对象分配
  • 由于存活对象很少，可以采用copying collection（标记-复制算法）
  • GC吞吐率很高

老年代 (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（标记-清除算法）

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
缓存
  • TCMalloc: thread caching
  • 每个p包含一个mcache用于快速分配，用于为绑定于口上的g分配对象
  • mcache管理一组mspan
  • 当mcache中的mspan分配完毕，向mcentral申请带有末分配块的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 image.png

优化实例（Balanced GC）

编译器优化

基本介绍

编译器结构
  • 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 frontend)
    • 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 (R)
  • 综合部分（后端 backend)
    • 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 image.png
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，我们可以知道更多关于 程序的性质 (properties)
  • 根据这些性质优化代码
过程内和过程间分析
  • 过程内分析 (ntra-procedural analysis)
    • 仅在函数内部进行分析
  • 过程间分析 (Inter-procedural analysis)
    • 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i的具体类型，才能知道i.foo()调用的是哪个foo()
    • 根据i的具体类型，产生了新的控制流，A.foo()，分析继续
    • 过程间分析需要同时分析控制流和数据流一一联合求解，比较复杂 对于代码：
type I interface {
   foo()
}

type A struct {
}

type B struct {
}

func (a *A) foo() {
}

func (b *B) foo() {
}
func bar() {
   i := &A{}
   i.foo()
}

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(inlining)
  • 内联：将被调用西数的函数体 (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、保存奇存器等
    • 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
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，反之则没有逃逸出S
avatar
文章
阅读
粉丝