相关术语

Go 内存管理及优化

• TCMalloc
• mmap() 系统调用
• scan object 和 noscan object
• mspan, mcache, mentral
• Bump-pointer object allocation: 指针碰撞风格的对象分配

编译器和静态分析

• 词法分析
• 语法分析
• 语义分析
• Intermediate representation (IR) 中间表示
• 代码优化
• 代码生成
• Control flow: 控制流
• Data flow: 数据流
• Intra-procedural analysis 过程内分析
• Inter-procedural analysis: 过程间分析

Go 编译器优化

• Function inlining: 函数内联
• Escape analysis: 逃逸分析

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

自动内存管理

动态内存：程序在运行时根据需求分配的内存

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

三个任务

1. 为新对象分配空间
2. 找到存活对象
3. 回收死亡对象的空间内存

相关概念

• Auto memory management: 自动内存管理
• Grabage collction: 垃圾回收
• Mutator: 业务线程，分配新对象，修改对象执行关系
• Collector: GC 线程 找到存活对象，回收死亡对象的内存空间
• Concurrent GC: 并发 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

评价GC算法

1. 安全性：不能回收存活的对象
2. 吞吐率：1 - GC时间/程序执行总时间 花在GC上的时间
3. 暂停时间(STW)
4. 内存开销

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，其实就是java中的可达性分析

标记根对象：静态变量、全局变量、常量、线程栈等

清理：所有不可达对象

• 将存活对象复制到另外的内存空间
• 将死亡对象的内存标记为可分配
• 移动并整理存活对象

根据对象的声明周期，使用不同的标记和清理策略

• Copying GC 将对象复制到另外的内存空间

• Mark-sweep GC 使用free list管理空闲内存

• Compact GC 原地整理对象

分代GC

• 分代假说：most objects die young
• 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，可以使用copying collection
• GC吞吐率高

老年代

• 对象趋于一直或者，反复复制开销较大
• 可以采用mark-sweep collection

引用计数

• 每个对象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

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

• 调用系统调用mmap()向OS申请一大块内存，例如4MB
• 先将内存划分为大块，例如8KB，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

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

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

优化方案：Balanced GC

• 每个g都绑定一块大内存(1KB)，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

• • 无需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

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

• 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

• 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

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：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，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(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

为什么过程间分析很难？

1. 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()
2. 根据i的具体类型，产生了新的控制流,i.foo()，分析继续
3. 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

Go编译器优化

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

缺点

• 函数体变大，instruction cache(CPU指令的cache)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

逃逸分析

分析代码中指针的童泰作用域：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