Go 语言内存管理详解｜ 青训营笔记

用户1724197700616
130 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

00性能优化及自动内存管理

优化：

  • 内存管理优化
  • 编译器优化

背景：

  • 自动内存管理和Go内存管理机制
  • 编译器优化的基本问题和思路

性能优化是什么？

  • 提升软件系统处理能力，减少不必要的消耗，充分发掘计算机能力（提高CPU利用率等，减少io延迟）

为什么要做性能优化？

  • 通过系统优化提升软件系统处理能力，带来用户体验的提升，更加高效快速处理系统请求。
  • 资源高效利用，降低成本，提高效率。

性能优化的层面

  • 业务代码：上层代码，直接处理用户的请求
  • SDK：抽象的逻辑方法，高性能的数据结构，标准库
  • 基础库：抽象的逻辑方法，高性能的数据结构，标准库
  • 语言运行时：语言的实现，Go:提供gc，调度器等
  • OS：提供隔离运行时的环境。

主要从两个方面做优化 业务层优化

  • 针对特定场景，具体问题，具体分析（pprof工具，代码中存在冗余数据等）
  • 容易获得较大性能收益

语言运行时优化(对GoSDK进行优化)

  • 更加偏向底层的优化，解决更通用的性能问题（内存分配，编译器，代码质量）
  • 考虑更多场景（全公司）
  • Tradeoffs

数据驱动

  • 自动化性能分析工具-pprof（定位找到性能优化问题）
  • 依靠数据而非猜测（pprof）
  • 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（Go SDK中的代码，公司中所有成员使用）
  • 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，方便回归测试驱动开发
  • 清晰的文档：做了什么，没做什么，能达到怎样的效果，方便用户使用
  • 隔离：通过选项控制是否开启优化
  • 可观测：必要的日志输出

总结：

  • 性能优化的基本问题（为什么做，带来了什么）
  • 性能优化的两个层面（业务层优化，语言运行时优化）
  • 性能优化的可维护性（开发时优化的可维护性）

01自动内存管理

  • Tracing garbage collection(基于追踪的垃圾回收)
  • Gengerational GC（。GC）
  • Reference counting(引用计数)

自动内存管理，管理的是动态内存 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,降低开发负担
  • 保证内存使用的正确性和安全性：double-free problem（连续释放两次内存）,use-after-free problem（使用已释放的内存）

GC技术有主要的三个任务

  • 为新对象分配空间
  • 找到存活对象（之后的程序中还会使用到的对象）
  • 回收死亡对象的内存空间

相关概念

go runtime 时 The GC runs concurrently with mutator threads.

  • 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

GC算法：具体执行方式看图

  • Serial GC:只有一个Collector，会有暂停
  • Parallel GC:支持多个collectors同时回收的GC算法
  • Concurrent GC:mutators和collectors可以同时执行 （Concurrent GC必须感知对象指向关系的改变）

image.png

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）:1-GC时间/程序执行总时间，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

两种实现GC的技术

追踪垃圾回收（Tracing garbage collection）

  • 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：将静态变量，全局变量，常量，线程栈等标记为存活的。
  • 标记：从根对象出发找到可达对象，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（三种清理方式,根据对象的生命周期，使用不同的标记和清理策略）
    • 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，原地整理对象）

分代GC：Genertional GC：一种内存管理的方式，基于分代假说

  • 分代假说：大多数的对象很快就死掉了
  • 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：常规的对象分配，由于存活对象很少，可以采用copying collection，GC吞吐率高
  • 老年代：对象趋于一直活着，反复复制开销大，可以采用mark-sweep collection

引用计数(Reference counting)

  • 每个对象都有一个与之关联的引用数目，
  • 对象的存活条件：当且仅当引用计数大于0

优点

  • 内存管理的操作被平摊到程序执行过程中（程序一边执行一边维护引用计数）
  • 内存管理不需要了解runtime的实现细节，类似C++智能指针

缺点：

  • 维护引用计数的开销大，多线程操作，需要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，循环引用
  • 内存开销，每个对象都引入的额外内存空间存储引用数目
  • 回收内存时依然可以引发暂停

02Go内存管理及优化

Go内存分配：为对象在heap上分配内存，

提前将内存分块

  • 调用系统调用mmapO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

Go内存分配-缓存

  • TCMalloc（内存分配器）: 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，每一个mspan的大小不一样，根据对象的大小找到一个最合适的mspan里面一个空余的块，完成对象的分配。
  • 当mcache 中的 mspan分配完毕，向下一级别的缓存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

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

我们的优化方案:Balanced 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，直接在GAB上进行分配
  • 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

image.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（GAB中一个小对象的存活会导致整个GAB都是存活的）
  • 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

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

image.png

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。数据流分析和控制流分析，过程内分析和过程间分析

  • 控制流(Control flow):分析程序执行的流程，可以绘制控制流图
  • 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

过程内分析(Intra-procedural analysis)：仅在函数内部进行分析 过程间分析(Inter-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

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
    • 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。
  • 内联策略
    • 调用和被调函数的规模

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

  • 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到

  • 大致思路

    • 指针指向对象，从对象分配处出发，沿着控制流，观察对象传递的数据流
    • 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

p有没有逃逸出s,也就是p可不可以在s之外被访问到，当p作为参数传递给其他函数，别的函数就可以访问到了，就说逃逸出去了。

Beast mode：函数内联扩展了函数边界，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
avatar
文章
阅读
粉丝