这是我参与「第五届青训营 」伴学笔记创作活动的第 4 天

---

性能优化的层面

• 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
• 数据驱动
  • 自动化性能分析工具——pprof
  • 依赖数据而非猜测
  • 首先优化最大瓶颈

一、自动内存管理

• 1.自动内存管理（垃圾回收）：基于追踪
  • 避免手动内存管理
  • 保证内存使用的正确性和安全性：double-free problem（连续释放同一块内存），use-after-free problem（内存释放后又被使用）
• 三个任务
  • 为新对象分配空间
  • 找到存活的对象
  • 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（有暂停）
  • Parallel GC：支持多个collectors同时回收的GC算法（有暂停）
  • 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

• 对象被回收的条件：指针指向关系不可达的对象
• 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
• 2.分代GC（Generational GC）
  • 年龄：经历过的GC次数
  • 年轻代：由于存活对象很少，可以采用Copying GC
  • 老年代：对象趋向于一直活着，反复复制开销较大，可以使用Mark-sweep GC
• 3.引用计数
  • 每个对象都有与之关联的引用数目
  • 对象存活条件：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
    • 无需了解runtime的实现细节
  • 缺点：
    • 开销大：通过原子操作保证原子性和可见性
    • 无法回收环形数据结构
    • 内存开销大：每个对象引入额外空间存储引用空间
    • 回收内存时可能引发暂停

---

二、Go内存管理及优化

Go内存分配

• 分块
  • 提前将内存分块
  • 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
• 缓存
  • TCMalloc：thread caching

Go内存管理优化

• 对象分配是高频操作，每秒分配GB级别
• 小对象占比较高
• Go内存分配比较耗时

优化方案

• 每个g绑定一大块内存（1kb），goroutine allocation buffer（GAB）
• GAB用于noscan类型的小对象分配 <128 B

三、编译器和静态分析

编译器结构

静态分析：不执行程序代码，推导程序行为，分析程序性质

• 控制流（control flow）：程序执行流程
• 数据流（data flow）：数据在控制流上的传递

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
• 过程间分析需要同时分析数据流和控制流——联合求解，比较复杂

四、Go编译器优化

函数内联（Inlining）

• 内联：将被调用的函数体（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
  • 将过程间分析转换成过程内分析，帮助其他优化，如逃逸分析

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，未逃逸的对象可以在栈上分配