高性能Go语言发行版优化与落地实践|青训营笔记

橙子0
69 阅读7分钟

这是我参与「第五届青训营」伴学笔记创作活动的第5天

1 性能优化

1、性能优化的层面

  • 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

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，依靠数据而非猜测，首先优化最大瓶颈

2、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

2 自动内存管理

  • 动态内存：程序在运行时并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管理动态内存

    • 避免手动内存管理，专注与实现业务逻辑；保证内存使用的正确性和安全性 double-free problem, use-after-free problem

  • 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

  • 概念

    Concurrently、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

    • 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

    • 评价GC算法：

      • 安全性：不能回收存活的对象
      • 吞吐率：1 - GC时间/程序执行总时间
      • 暂停时间：stop the world（STW）业务是否感知
      • 内存开销：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

      • 标记：找到可达对象

      • 清理：所有不可达对象

        • 将存活对象复制到另外的空间 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

    • 引用计数

      • 每个对象都有一个与之关联的引用数目
      • 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
      • 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
        • 内存开销：每个对象都引入额外的内存空间存储引用数目
        • 回收内存时依然可能引发暂停

  • 分代GC：对不同的对象制定不同的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，使用Copying collection，GC吞吐率高
    • 老年代
      • 对象趋向于一直活着，反复复制开销较大，采用mark-sweep collection

3 Go内存管理及优化

1、分块

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
  • 先将内存划分成大块，称作mspan
  • 再将大块继续划分成特定大小的下快，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

2、缓存

image-20230129155302733

TCMalloc：thread caching

每个p包含一个mcache用于快速分配，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span

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

3、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 -> mache -> mspan -> memort block -> return pointer
    • pprof：对象分配的函数是最频繁调用的函数之一
  • 优化方案：Balanced GC
    • 每个g绑定一大块内存，称为GAB（goroutine allocation buffer）
    • 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
    • Bumppointer（指针碰撞）风格对象分配：无需和其他分配请求互斥，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的对象分诶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

4 编译器和静态分析

1、编译器的结构

image-20230129160244721

分析部分：前端

  • 词法分析，生成词素
  • 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

  • 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

2、静态分析

  • 静态分析：不执行程序代码，推导程序行为，分析程序的性质
  • 控制流：程序执行的流程
  • 数据流：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，根据这些性质优化代码

3、过程内分析和过程间分析

  • 过程内：仅在函数内部进行分析
  • 过程间：考虑函数调用时参数传递和返回值的数据流和控制流
    • 需要同时分析控制流和数据流——联合求解，比较复杂

5 Go编译器优化

  • 目的
    • 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

1、函数内联

  • 将被调用函数的函数体的副本替换到调用位置上，同时重写代码反映参数的绑定
  • 优点：消除函数调用的开销，如传递参数、保存寄存器；将过程间分析转化为过程内分析，帮助其他优化，如逃逸分析
  • 可以使用micro-benchmark验证
  • 缺点：函数体变大，icache（instruction cache）不友好，编译生成的Go镜像变大
  • 函数内联在大多情况下是正向优化

2、Beast Mode

  • Go函数内联收到的限制较多

    • 语言特性，如interface，defer，限制了函数内联
    • 内联策略非常保守

  • Bease 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

3、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
      • 作为参数传递给其它函数
      • 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，反之没有
  • 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