这是我参与「第五届青训营 」笔记创作活动的第2天
性能优化
性能优化指的是,优化掉不必要的开销,充分利用计算资源。哪怕是很小的优化,乘以庞大的机器数也会有显著的提升。
性能优化的层面
平时大多数人都只会考虑业务层的优化,这是因为业务层离程序员是最近的。然而,在实际生产当中,为了适应不同的需求,对语言运行时进行优化也未尝不可。
- 业务层优化
- 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
- 数据驱动
- 自动性能分析工具——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
作为一个软件工程专业的学生,软件质量是个再熟悉不过的词了。软件质量中,文档是极其重要的一环,也就是说软件质量≠代码质量。性能优化当中的软件质量有以下几个方面:
- 确保接口稳定的前提下改进
- 测试用例
- 文档:做了什么,没做什么,能达到什么效果
- 隔离: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
管理动态内存,也就是程序运行时根据需求动态分配的内存。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。
自动内存管理的作用:
- 避免手动管理内存,专注实现业务逻辑
- 保证内存使用正确性和安全性: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
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
- Collectors必须感知对象指向关系的改变
Serial GC和Parallel GC都需要暂停程序去做GC,Concurrent GC则可以一边GC一边跑业务线程。
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(Throughtput): 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
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
- 复制存活对象到另外内存空间(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,而 Compact GC就是原地整理)
- 根据对象的生命周期,使用不同的标记和策略
分代GC(Generational GC)
Java用的就是这个
- 分代假说(Generational hypothesis): most object die young
- 每个对象都有年龄:经过GC的次数
- 目的:对年轻和老年的对象,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
- 年轻代由于存活对象很少,采用copying collection,GC吞吐率很高
- 老年代趋于一直活着,反复复制开销大,可以采用mark-sweep collection
引用计数
Go 的方案
- 每个对象都有一个与之关联的引用数目
- 对象引用数等于0也就死亡
- 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
- 缺点
- 开销较大,需要原子操作保证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:每个对象都引入额外的内存空间存储饮用数目
- 回收内存时依然可能引发暂停
Go内存管理 & 编译器优化思路
Go内存分配
- 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
- 先将内存划分为大块,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:根据对象大小,分配合适的块
缓存
- TCMalloc:thread caching
- 每个p包含一个mcache用于快速分配
- mcache管理一组mspan
- 当mache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,缓存mspan而不是立刻释放归还给OS
Go内存管理优化
- 对象分配非常高频,每秒分配GB级别内存
- 小对象占比较高
- Go内存分配比较耗时
- 分配路线长
- pprof:对象分配的函数是最频繁调用的函数之一
字节的优化方案: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
- 无需和其它分配请求互斥
- 分配动作简单高效
- 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,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front end)
- 词法分析,生成词素(lexeme)
- 语法分析,生成语法书
- 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
可以发现,前端主要是固定的流程,真正有优化价值的是后端
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,可以知道更多**关于程序的性质(properties)
- 根据这些性质优化代码
过程内分析和过程间分析
- 过程内分析:仅在过程内部进行分析
- 过程间分析:考虑过程调用时参数传递和返回值的数据流和控制流
- 过程间分析的问题
- 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
- 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
- 优点
- 用户无感知
- 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
- 编程优化的思路
- 场景:面向后端长期执行任务
- Tradeoff:用编译时间换更高效的机器码
- 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)
- 将被调用函数的函数体(callee)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,比如传递参数、保存寄存器
- 简化过程间分析为过程内分析,帮助其它优化,比如逃逸分析
- 效果很好,可以使用micro-benchmark快速验证和对比性能优化结果
- 缺点
- 函数体变大,instruction cache(icache)不友好
- 编译生成的Go镜像变大
- 大多数情况下是正向优化(除了递归)
- 内联策略
- 调用和被调函数的规模
- ...
Beast Mode
- Go 函数内联收到限制较多
- 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:调整函数内联策略,使更多函数内联
- 降低函数调用开销
- 增加了其它优化的机会
- 开销
- Go镜像增加~10%
- 编译时间增加
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
- Beast mode:函数内联扩展了函数边界,更多对象不逃逸
- 优化:为逃逸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