性能优化：提升软件系统处理能力，减少不必要的消耗，充分发挥计算机算力。

为什么要做性能优化：

• 用户体验: 带来用户体验的提升
• 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：

• 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: 瘦盖尽可能多的场景，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
  
  \newline

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, 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

\newline

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!

评价 GC 算法：

• 安全性 (Safety): 不能回收存活的对象（基本要求）
• 时间吞吐率 (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）

\newline

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：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)。将死亡对家的内存标记为“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。

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。

\newline

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
  

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 香吐率很高

Copying GC：

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

Mark-sweep GC：

\newline

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
  
  

\newline

Go 内存管理及优化

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 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需要扫描
  

对象分配：根据对象的大小，选择最合适的块返回

\newline

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 mcentra1 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
  mcentra1 中，而不是立刻释放并旧还给 OS
  

\newline

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

\newline

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
  

• 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
  

• 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 总大小超过一定闻值时，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。
  

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%

\newline

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
  

\newline

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A。
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。

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。

\newline

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制流和数据流——联合求解，比较复杂

以下示例中 i.foo() 是 A.foo()。

\newline

Go 编译器优化

为什么做编译器优化：

• 用户无感知，王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
• Tradeof：用编译时间换取更高效的机器码

Beast mode：

• 函数内联
• 逃逸分析
• 默认栈大小调萨
• 边界检查消除
• 循环展开

\newline

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、保存青存器等
• 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 micro-benchmark 快速验证和对比性能优化结果：函数被内联后，性能数据提升 4.58X ！

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：调整调用和被调函数的规模。

\newline

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。

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

性能收益：

• 高峰期 CPU usage 降低 9%，时延降低 10% ：
  

• 内存使用降低 3% ：