Go内存管理详解 | 青训营

已注销
86 阅读10分钟

这是我参与[第五届青训营]伴学笔记创作活动的第4天。

本节课程主要是介绍高性能GO语言发行版优化与落地实践，优化主要是内存管理优化与编译器优化。自动内管理和Go内存管理机制，编译器优化的基本问题和思路，实践主要是遇到的性能问题以及优化方法，对于工业设计有更加清晰的设计与认识。01.自动内存管理；02.Go内存管理以优化；03.编译器和静态分析；04.Go编译器优化。

追求极致性能

  1. 性能优化是什么：提升软件系统处理能力，减少不必要的兄啊好，充分发掘计算机算力。
  2. 为什么要做性能优化：用户体验上带来用户体验的提升-使得视频阅览更加丝滑，双十一购物不再卡顿；资源高效利用上降低成本、提高效率-很小的优化乘以海量机器会是显著的性能提升和成本节约。

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：自动坏性能分析工具-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，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

02acea0b440e24ec7f36d83b62e2aea.png

总结 性能优化的基本问题 性能优化的两个层面 性能优化的可维护性

01.自动内存管理

动态内存:程序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-fee 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-相关概念

  1. Mutator:业务线程，分配新对象，修改对象指向关系
  2. Collector: GC线程，找到存活对象，回收死亡对象的内存空间
  3. Serial GC:只有一个collector

aea90f34d78136d5f28673bf5d7089e.png4. Parallel GC:支持多个collectors同时回收的GC算法27c899507f05559290ca909dc098cb1.png5. Concurrent GC: mutator(s)和collector(s)可以同时执行e03c281a249a29205fbff02c249ed5a.png

评价GC算法

  1. 安全性Safety：不能回收存活的对象（基本要求）
  2. 吞吐率Throughput:1-GC时间/程序执行总时间（花在GC上的时间）
  3. 暂停时间Pause time:stop the world（STW）（业务是否感知）
  4. 内存开销Space overhead（GC元数据开销）
  5. 追踪垃圾回收Tracing garbage collection
  6. 引用计数Reference counting

1.2 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)55fbe03055cab595d213bacffe6d46d.png将死亡对象的内存标记为“可分配”(Mark-sweep GC)9b1542674e0c071d1d15830707e1cc3.png移动并整理存活对象(Mark-compact GC)ff99fb8a6ab3b48891308817b05557b.png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

  • 分代假说(Generational hypothesis): most objects die young

  • lntuition: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(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

1.4引用计数

  • 每个对象都有一个与之关联的引用数目

  • 对象存货的条件：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samrt 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

02.Go内存管理及优化

2.1 Go内存分配

2.1.1 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

36a24f922d02225a474290e31cfa2c6.png

  • 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：根据对象大写，选择最合适的块返回

2.1.2Go内存分配-缓存

ccfa78c43d8144ca01b9d4369cc6991.png

  • 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

2.2 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

2.3优化方案：Balance GC

2.3.1 Balance GC

  • 每个g都绑定一大块内存(1 KB)，称作goroutine allocation buffer(GAB)

  • GAB 用于noscan类型的小对象分配:<128 B

  • 使用三个指针维护GAB: base, end,top

  • Bump pointer(指针碰撞)风格对象分配

    • 无须和其他分配请求互斥
    • 分配动作简单高效

e5beb1d3a7bcddeb42f810216aca1d9.png

  • 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)

2dda47cdf67325b4963ac10ed4f9827.png

2.3.2 Balance GC-性能收益

高峰期CPU usage降低4.6%，核心接口时延下降4.5%~7.7%

03 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

0cbce36b60b7d47f6d2e3f2b883599d.png

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

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(Jnter-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

  • 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，i.foo()，分析继续
    • 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

04 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,没有进行较复东的代码分析和优化

  • 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

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

  1. 消除函数调用开销,例如传递参数、保存奇存器等
  2. 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

  1. 函数体变大,instruction cache (icache)不友好编
  2. 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

4.2.1 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:调整函数内联的策略,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

4.2.2 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

  • 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

4.2.3 Beast Mode-性能收益

高峰期CPU usage降低9%，时延降低10% 内存使用降低3%

总结

这门课程是高性能Go语言发行版优化与落地实践，内容主要是性能优化部分，分为内存和编译器两个部分来学习，自动内存管理的算法和技术，以及GO是如何内存管理的，静态分析包括数据流、控制流、方法内、方法间的分析等。编译器优化内联和逃逸分析等做了详细学习。GC优化对象的分配，主要是利用指针碰撞加速了对小对象分配，beast mode做了很多优化进行代码性能的提升。

avatar
文章
阅读
粉丝