高性能Go语言发行版优化与落地实践 ｜ 青训营

wd_D
108 阅读9分钟

高性能Go语言发行版优化与落地实践

简介

什么是性能优化

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

为什么要做性能优化

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

image.png

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，能达到怎样的效果都要写清楚

隔离：通过选项控制是否开启优化

可观测：必要的日志输出

image.png

自动内存管理

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

保证内存使用的正确性和安全性：double-free problem(重复释放问题), use-after-free problem(释放后又引用问题)

image.png

image.png

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

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

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

Collectors必须感知对象指向关系的改变！

image.png

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（Throughput）：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

追踪垃圾回收（Tracing garbage collection）

引用计数（Reference counting）

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、线程栈等

标记：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

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

image.png

image.png

image.png

image.png

Copying GC：将对象复制到另外的内存空间image.png

Mark-sweep GC：使用free list管理空闲内存image.png

Compact GC：原地整理对象image.png

分代GC（Generational GC）

分代假说（Generational hypothesis）：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

image.png

年轻代（Young generation）

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（Old generation）

对象趋向于一直活着，反复复制开销较大

可以采用mark-sweep collection

Copying GCimage.png

Mark-sweep GCimage.png

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

image.png

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）

image.png

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

image.png

Go内存管理及优化

Go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

先将内存划分成大块，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

image.png

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

image.png

image.png

image.png

image.png

image.png

Go内存管理优化

image.png

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

image.png

Balanced GC

每个g都绑定一大块内存（1KB），称作goroutine allocation buffer（GAB）

GAB用于moscan类型的小对象分配：< 128B

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

image.png

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

根据对象的生命周期，使用不同的标记和清理策略

image.png

性能收益

高峰期CPU usage降低4.6%，核心接口时延下降4.5%~7.7%

image.png

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(lexeeme)

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

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

数据流（Data flow）：数据在控制流上的传递

image.png

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

image.png

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

为什么过程间分析是个问题？

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，i.foo()，分析继续

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

image.png

image.png

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

函数内联能多大程度影响性能 -- 使用micro-benchmark验证一下

// 使用内联
func BenchmarkInline(b *testing.B) {
    x := genInteger()
    y := genInteger()
    for i := 0; i < b.N; i++ {
        addInline(x, y)
    }
}
​
func addInline(a, b int) int {
    return a + b
}
// 不适用内联
func BenchmarkInlineDisabled(b *testing.B) {
    x := genInteger()
    y := genInteger()
    for i := 0; i < b.N; i++ {
        addNoInline(x, y)
    }
}
​
//go:noinline
func addNoInline(a, b int) int {
    return a + b
}

image.png

使用micro-benchmark快速验证和对比性能优化结果

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

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:

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

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

Beast Mode -- 性能收益

高峰期CPU usage降低9%，时延降低10%

image.png

内存使用降低3%

image.png

avatar
文章
阅读
粉丝