【青训营笔记】- Go性能优化及自动内存管理

用户3869424693356
94 阅读11分钟

这是我参与「第五届青训营 」笔记创作活动的第4天。

一、前言

上节课已经学习了高质量编程与性能调优实战。在高质量编程中介绍了编码规范: 写出高质量、可维护的代码 以及学习老师的一些性能优化建议，并使用了性能优化的分析功能的工具原理和具体的性能优化案例。在本节课将从具体的语言代码层次去进行性能优化。将介绍内存管理优化以及编译器优化。本节课的内容较为硬核，属于语言层面的知识，更加底层，需要有一定的前景知识才能更好的去理解这门课的内容，更需要很强的计算机功力才能去正在使用到这个方面的性能优化。

二、学习背景

为了后续的性能优化方案和原理有更深的认识，将介绍自动内存管理和 Go 内存管理机制和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，充分发掘计算机算力
  • 为什么要性能优化？
    • 用户体验: 带来用户体验的提升——让刷抖音更丝滑，让双十一购物不再卡顿
    • 资源高效利用: 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：从上到下分别为
    • 优化层面： 业务代码 | SDK | 基础库 |语言运行时 |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
    • 语言层优化：解决更通用的性能问题，考虑更多场景，Tradeoffs
    • 优化要以数据驱动：使用自动化性能分析工具- pprof快速定位和数据分析，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
  • 总结：性能优化是什么和为什么做，性能优化可以从业务层面和语言层面优化（本次课程主要是语言层优化）。性能优化是要注意软件的质量，而不能为了性能而抛弃软件质量去追求性能。

三、自动内存管理

3.1自动内存管理

基本概念

  • 动态内存:程序在运行时根据需求动态分配的内存: c中由malloc()分配的空间

  • 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

  • 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。暂停所有业务线程，使用一个collector去完成垃圾回收

  • 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。需要垃圾回收唤醒mutators

    • 并行会更快，但面临更多挑战，如Collectors 必须感知对象指向关系的改变!用户线程可能会在标记后新建对象，但是我们并没有标记

  • 评价 GC 算法：

    • 安全性(Safety): 不能回收存活的对象 基本要求
    • GC 时间吞吐率(Throughput): 1 - (GC时间/程序执行总时间)。即花在 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

  • 因此自动内存管理的三个主要核心任务为：

    • 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

垃圾回收机制

  1. 对象被回收的条件:指针指向关系不可达的对象
  2. 标记根对象，如静态变量、全局变量、常量、线程栈等
  3. 标记: 找到可达对象
  4. 清理: 所有不可达对象。清理方式：
    • 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)

重点：根据对象的生命周期，使用不同的标记和清理策略

垃圾回收算法之分代 GC (Generational GC)

  • 分代假说(Generational hypothesis): most objects die young，大部分的对象很快就会死亡
  • 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
  • 分为年轻代Young Generation和老年代Old generation
  • 年轻代特点
    • 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
  • 老年代的特点
    • 对象趋向于一直活着，反复复制开销较大
    • 可以采用 mark-sweep collection

垃圾回收算法之引用计数

  • 每个对象都有一个与之关联的引用数目，并且对象存活的条件: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

总结

知道了自动内存管理的背景和意义以及相关的概念和评价方法，具体介绍了两种垃圾回收的算法，追踪垃圾回收和引用计数分代 GC两种方式。

3.2 Go 内存管理及优化

Go 内存分配 一 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 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 一 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 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

Go 内存管理优化背景

  • 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
  • 由pprof可知: 对象分配的函数是最频繁调用的函数之一

字节优化方案：Balanced GC

  • 介绍
    • 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, topBump 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
  • 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。解决方案：
    • 当 GAB 总大小超过一定值时，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
  • 效果：高峰期 CPU usage 降低 4.6%，核心接口时延下降 4.5%~7.7%

四、编译器和静态分析

4.1 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 主要学习编译器后端优化

4.2 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
  • 例子: image.png image.png
  • 数据流(Data flow): 数据在控制流上的传递，如上图分析上图的代码可以发现c一定是c，一定是不走if语句内部的，就可以优化了
  • 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
  • 但是过程间的分析有很多问题，如：
    • 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
    • 它是联合求解，比较复杂

4.3 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
  • 思路:结合场景为面向后端长期执行任务，因此可以Tradeoff: 用编译时间换取更高效的机器码
  • Beast mode优化方法：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

  • 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
  • 函数内联能多大程度影响性能? 对简单的函数的内联可以提高4.58倍的时间提升
  • 缺点
    • 函数体变大，instruction cache (icache) 不友好
    • 编译生成的 Go 镜像变大
  • 但是函数内联在大多数情况下是正向优化，要注意内联策略来调用和被调函数的规模

Beast Mode

  • 背景：Go 函数内联受到的限制较多，如语言特性，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
  • Beast Mode开销
    • Go 镜像增加约10%
    • 编译时间增加

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中 1.作为参数传递给其他函数 2.传递给全局变量 3.传递给其他的 goroutine 4.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使函数内联拓展了函数边界，更多对象不逃逸
  • 优化方式：
    • 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
  • 优化收益：高峰期 CPU usage 降低 9%，时延降低 10%，内存使用降低 3%

五、总结

本节课程为高性能 Go 语言发行版优化与落地实践，主要有两个方面，性能优化的原理和具体优化方式，在这个内容上介绍了自动内存管理，Go 内存管理，编译器与静态分析，编译器优化。并结合案例实践，介绍了Balanced GC 优化对象分配和Beast mode来 提升代码性能。

avatar
文章
阅读
粉丝