benchmark(基准测试) 可以度量某个函数或方法的性能,也就是说,如果我们知道性能的瓶颈点在哪里,benchmark 是一个非常好的方式。但是面对一个未知的程序,如何去分析这个程序的性能,并找到瓶颈点呢?
pprof 就是用来解决这个问题的。pprof 包含两部分:
- 编译到程序中的 runtime/pprof 包
- 性能剖析工具 go tool pprof
1 性能分析类型1.1 CPU 性能分析CPU 性能分析(CPU profiling) 是最常见的性能分析类型。
启动 CPU 分析时,运行时(runtime) 将每隔 10ms 中断一次,记录此时正在运行的协程(goroutines) 的堆栈信息。
程序运行结束后,可以分析记录的数据找到最热代码路径(hottest code paths)。
Compiler hot paths are code execution paths in the compiler in which most of the execution time is spent, and which are potentially executed very often. –
What’s the meaning of “hot codepath”
一个函数在性能分析数据中出现的次数越多,说明执行该函数的代码路径(code path)花费的时间占总运行时间的比重越大。
1.2 内存性能分析内存性能分析(Memory profiling) 记录堆内存分配时的堆栈信息,忽略栈内存分配信息。
内存性能分析启用时,默认每1000次采样1次,这个比例是可以调整的。因为内存性能分析是基于采样的,因此基于内存分析数据来判断程序所有的内存使用情况是很困难的。
1.3 阻塞性能分析阻塞性能分析(block profiling) 是 Go 特有的。
阻塞性能分析用来记录一个协程等待一个共享资源花费的时间。在判断程序的并发瓶颈时会很有用。阻塞的场景包括:
- 在没有缓冲区的信道上发送或接收数据。
- 从空的信道上接收数据,或发送数据到满的信道上。
- 尝试获得一个已经被其他协程锁住的排它锁。
一般情况下,当所有的 CPU 和内存瓶颈解决后,才会考虑这一类分析。
1.4 锁性能分析锁性能分析(mutex profiling) 与阻塞分析类似,但专注于因为锁竞争导致的等待或延时。
2 CPU 性能分析记录性能数据会对程序的性能产生影响,建议一次只记录一类数据。
2.1 生成 profileGo 的运行时性能分析接口都位于 runtime/pprof 包中。只需要调用 runtime/pprof 库即可得到我们想要的数据。
假设我们实现了这么一个程序,随机生成了 5 组数据,并且使用冒泡排序法排序。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
| // main.go
package main
import (
"math/rand"
"time"
)
func generate(n int) []int {
rand.Seed(time.Now().UnixNano())
nums := make([]int, 0)
for i := 0; i < n; i++ {
nums = append(nums, rand.Int())
}
return nums
}
func bubbleSort(nums []int) {
for i := 0; i < len(nums); i++ {
for j := 1; j < len(nums)-i; j++ {
if nums[j] < nums[j-1] {
nums[j], nums[j-1] = nums[j-1], nums[j]
}
}
}
}
func main() {
n := 10
for i := 0; i < 5; i++ {
nums := generate(n)
bubbleSort(nums)
n *= 10
}
}
|
如果我们想度量这个应用程序的 CPU 性能数据,只需要在 main 函数中添加 2 行代码即可:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
| import (
"math/rand"
"os"
"runtime/pprof"
"time"
)
func main() {
// 不建议输出到标准输出
pprof.StartCPUProfile(os.Stdout)
defer pprof.StopCPUProfile()
n := 10
for i := 0; i < 5; i++ {
nums := generate(n)
bubbleSort(nums)
n *= 10
}
}
|
为了简单,直接将数据输出到标准输出 os.Stdout。运行该程序,将输出定向到文件 cpu.pprof 中。
1 | $ go run main.go > cpu.pprof |
一般来说,不建议将结果直接输出到标准输出,因为如果程序本身有输出,则会相互干扰,直接记录到一个文件中是最好的方式。
1
2
3
4
5
6
7
8
9
10
11
12
13
| func main() {
// 建议直接输出到文件
f, _ := os.OpenFile("cpu.pprof", os.O_CREATE|os.O_RDWR, 0644)
defer f.Close()
pprof.StartCPUProfile(f)
defer pprof.StopCPUProfile()
n := 10
for i := 0; i < 5; i++ {
nums := generate(n)
bubbleSort(nums)
n *= 10
}
}
|
这样只需运行 go run main.go 即可。
2.2 分析数据接下来,可以用 go tool pprof 分析这份数据
$ go tool pprof -http=:8081 cpu.pprof如果提示 Graphviz 没有安装,则通过 brew install graphviz(MAC) 或 apt install graphviz(Ubuntu) 即可。
访问 `localhost:8081,可以看到这样的页面:
除了在网页中查看分析数据外,我们也可以在命令行中使用交互模式查看。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
| ➜ pprofdemo go tool pprof cpu.pprof
Type: cpu
Time: Feb 28, 2021 at 5:57pm (CST)
Duration: 12.28s, Total samples = 11.17s (90.93%)
Entering interactive mode (type "help" for commands, "o" for options)
(pprof) top
Showing nodes accounting for 11170ms, 100% of 11170ms total
Dropped 4 nodes (cum <= 55.85ms)
flat flat% sum% cum cum%
10220ms 91.50% 91.50% 10600ms 94.90% main.bubbleSort
440ms 3.94% 95.43% 440ms 3.94% runtime.nanotime1
380ms 3.40% 98.84% 380ms 3.40% runtime.asyncPreempt
130ms 1.16% 100% 130ms 1.16% runtime.usleep
0 0% 100% 10600ms 94.90% main.main
0 0% 100% 10600ms 94.90% runtime.main
0 0% 100% 550ms 4.92% runtime.mstart
0 0% 100% 550ms 4.92% runtime.mstart1
0 0% 100% 440ms 3.94% runtime.nanotime (inline)
0 0% 100% 550ms 4.92% runtime.sysmon
(pprof)
|
可以看到 main.bubbleSort 是消耗 CPU 最多的函数。
还可以按照 cum (累计消耗)排序:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
| (pprof) top --cum
Showing nodes accounting for 11170ms, 100% of 11170ms total
Dropped 4 nodes (cum <= 55.85ms)
flat flat% sum% cum cum%
10220ms 91.50% 91.50% 10600ms 94.90% main.bubbleSort
0 0% 91.50% 10600ms 94.90% main.main
0 0% 91.50% 10600ms 94.90% runtime.main
0 0% 91.50% 550ms 4.92% runtime.mstart
0 0% 91.50% 550ms 4.92% runtime.mstart1
0 0% 91.50% 550ms 4.92% runtime.sysmon
0 0% 91.50% 440ms 3.94% runtime.nanotime (inline)
440ms 3.94% 95.43% 440ms 3.94% runtime.nanotime1
380ms 3.40% 98.84% 380ms 3.40% runtime.asyncPreempt
130ms 1.16% 100% 130ms 1.16% runtime.usleep
(pprof)
|
help 可以查看所有支持的命令和选项:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
| (pprof) help
Commands:
callgrind Outputs a graph in callgrind format
comments Output all profile comments
disasm Output assembly listings annotated with samples
dot Outputs a graph in DOT format
eog Visualize graph through eog
evince Visualize graph through evince
gif Outputs a graph image in GIF format
gv Visualize graph through gv
kcachegrind Visualize report in KCachegrind
list Output annotated source for functions matching regexp
pdf Outputs a graph in PDF format
peek Output callers/callees of functions matching regexp
png Outputs a graph image in PNG format
proto Outputs the profile in compressed protobuf format
ps Outputs a graph in PS format
raw Outputs a text representation of the raw profile
svg Outputs a graph in SVG format
tags Outputs all tags in the profile
text Outputs top entries in text form
top Outputs top entries in text form
topproto Outputs top entries in compressed protobuf format
traces Outputs all profile samples in text form
tree Outputs a text rendering of call graph
web Visualize graph through web browser
weblist Display annotated source in a web browser
o/options List options and their current values
quit/exit/^D Exit pprof
Options:
call_tree Create a context-sensitive call tree
compact_labels Show minimal headers
divide_by Ratio to divide all samples before visualization
drop_negative Ignore negative differences
edgefraction Hide edges below <f>*total
focus Restricts to samples going through a node matching regexp
hide Skips nodes matching regexp
ignore Skips paths going through any nodes matching regexp
mean Average sample value over first value (count)
nodecount Max number of nodes to show
nodefraction Hide nodes below <f>*total
noinlines Ignore inlines.
normalize Scales profile based on the base profile.
output Output filename for file-based outputs
prune_from Drops any functions below the matched frame.
relative_percentages Show percentages relative to focused subgraph
sample_index Sample value to report (0-based index or name)
show Only show nodes matching regexp
show_from Drops functions above the highest matched frame.
source_path Search path for source files
tagfocus Restricts to samples with tags in range or matched by regexp
taghide Skip tags matching this regexp
tagignore Discard samples with tags in range or matched by regexp
tagshow Only consider tags matching this regexp
trim Honor nodefraction/edgefraction/nodecount defaults
trim_path Path to trim from source paths before search
unit Measurement units to display
Option groups (only set one per group):
cumulative
cum Sort entries based on cumulative weight
flat Sort entries based on own weight
granularity
addresses Aggregate at the address level.
filefunctions Aggregate at the function level.
files Aggregate at the file level.
functions Aggregate at the function level.
lines Aggregate at the source code line level.
: Clear focus/ignore/hide/tagfocus/tagignore
type "help <cmd|option>" for more information
(pprof)
|
3 内存性能分析3.1 生成 profile假设我们实现了这么一个程序,生成长度为 N 的随机字符串,拼接在一起。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
| package main
import (
"github.com/pkg/profile"
"math/rand"
)
const letterBytes = "abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ"
func randomString(n int) string {
b := make([]byte, n)
for i := range b {
b = letterBytes[rand.Intn(len(letterBytes))]
}
return string(b)
}
func concat(n int) string {
s := ""
for i := 0; i < n; i++ {
s += randomString(n)
}
return s
}
func main() {
defer profile.Start(profile.MemProfile, profile.MemProfileRate(1)).Stop()
concat(100)
}
|
接下来,我们使用一个易用性更强的库 pkg/profile 来采集性能数据,pkg/profile 封装了 runtime/pprof 的接口,使用起来更简单。
比如我们想度量 concat() 的 CPU 性能数据,只需要一行代码即可生成 profile 文件。
1
2
3
4
5
6
7
8
| import (
"github.com/pkg/profile"
)
func main() {
defer profile.Start().Stop()
concat(100)
}
|
运行 go run main.go:
1
2
3
4
| ➜ pprofdemo go run randomString.go
2021/02/28 18:10:13 profile: cpu profiling enabled, /var/folders/5b/q581hstn7ndbsfz09zwtdz240000gn/T/profile483556844/cpu.pprof
2021/02/28 18:10:13 profile: cpu profiling disabled, /var/folders/5b/q581hstn7ndbsfz09zwtdz240000gn/T/profile483556844/cpu.pprof
➜ pprofdemo
|
CPU profile 文件已经在 tmp 目录生成,得到 profile 文件后,就可以像之前一样,用 go tool pprof 命令,在浏览器或命令行进行分析了。
接下来将使用类似的方式,进行采集内存数据,同样地,只需简单地修改 main 函数即可。
1
2
3
4
| func main() {
defer profile.Start(profile.MemProfile, profile.MemProfileRate(1)).Stop()
concat(100)
}
|
运行 go run main.go:
1
2
3
4
| ➜ pprofdemo go run randomString.go
2021/02/28 18:10:38 profile: memory profiling enabled (rate 1), /var/folders/5b/q581hstn7ndbsfz09zwtdz240000gn/T/profile744322730/mem.pprof
2021/02/28 18:10:38 profile: memory profiling disabled, /var/folders/5b/q581hstn7ndbsfz09zwtdz240000gn/T/profile744322730/mem.pprof
➜ pprofdemo
|
3.2 分析数据接下来,我们在浏览器中分析内存性能数据:
1
2
| ➜ pprofdemo go tool pprof -http=:8081 /var/folders/5b/q581hstn7ndbsfz09zwtdz240000gn/T/profile665812895/mem.pprof
Serving web UI on http://localhost:8081
|
从这张图中,我们可以看到 concat 消耗了 524k 内存,randomString 仅消耗了 22k 内存。理论上,concat 函数仅仅是将 randomString 生成的字符串拼接起来,消耗的内存应该和 randomString 一致,但怎么会产生 20 倍的差异呢?这和 Go 语言字符串内存分配的方式有关系。字符串是不可变的,因为将两个字符串拼接时,相当于是产生新的字符串,如果当前的空间不足以容纳新的字符串,则会申请更大的空间,将新字符串完全拷贝过去,这消耗了 2 倍的内存空间。在这 100 次拼接的过程中,会产生多次字符串拷贝,从而消耗大量的内存。
那有什么好的方式呢?使用 strings.Builder 替换 + 进行字符串拼接,将有效地降低内存消耗。
1
2
3
4
5
6
7
| func concat(n int) string {
var s strings.Builder
for i := 0; i < n; i++ {
s.WriteString(randomString(n))
}
return s.String()
}
|
接下来,重新运行 go run main.go:
1
2
3
| $ go run main.go
2020/11/22 19:17:55 profile: memory profiling enabled (rate 1), /tmp/profile061547314/mem.pprof
2020/11/22 19:17:55 profile: memory profiling disabled, /tmp/profile061547314/mem.pprof
|
使用交互模式,查看内存消耗情况:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
| $ go tool pprof /tmp/profile061547314/mem.pprof
File: main
Type: inuse_space
Time: Nov 22, 2020 at 7:17pm (CST)
Entering interactive mode (type "help" for commands, "o" for options)
(pprof) top --cum
Showing nodes accounting for 71.22kB, 89.01% of 80.01kB total
Dropped 25 nodes (cum <= 0.40kB)
Showing top 10 nodes out of 50
flat flat% sum% cum cum%
0 0% 0% 71.88kB 89.84% main.main
0 0% 0% 71.88kB 89.84% runtime.main
0 0% 0% 67.64kB 84.54% main.concat
45.77kB 57.20% 57.20% 45.77kB 57.20% strings.(*Builder).WriteString
21.88kB 27.34% 84.54% 21.88kB 27.34% main.randomString
|
可以看到,使用 strings.Builder 后,concat 内存消耗降为了原来的 1/8 。
4 benchmark 生成 profiletesting 支持生成 CPU、memory 和 block 的 profile 文件。
- -cpuprofile=$FILE
- -memprofile=$FILE, -memprofilerate=N 调整记录速率为原来的 1/N。
- -blockprofile=$FILE
在介绍 benchmark 如何使用,我们举了下面这个例子:
1
2
3
4
5
6
7
8
9
10
11
12
| func fib(n int) int {
if n == 0 || n == 1 {
return n
}
return fib(n-2) + fib(n-1)
}
func BenchmarkFib(b *testing.B) {
for n := 0; n < b.N; n++ {
fib(30) // run fib(30) b.N times
}
}
|
只需要在 go test 添加 -cpuprofile 参数即可生成 BenchmarkFib 对应的 CPU profile 文件:
1
2
3
4
5
6
7
| $ go test -bench="Fib$" -cpuprofile=cpu.pprof .
goos: linux
goarch: amd64
pkg: example
BenchmarkFib-8 196 6071636 ns/op
PASS
ok example 2.046s
|
用例执行完毕后,当前目录多出了一个 cpu.pprof 文件,接下来就可以使用 go tool pprof 命令进行分析了。
使用 -text 选项可以直接将结果以文本形式打印出来。
1
2
3
4
5
6
7
8
9
10
11
| $ go tool pprof -text cpu.pprof
File: example.test
Type: cpu
Time: Nov 22, 2020 at 7:52pm (CST)
Duration: 2.01s, Total samples = 1.77s (87.96%)
Showing nodes accounting for 1.77s, 100% of 1.77s total
flat flat% sum% cum cum%
1.76s 99.44% 99.44% 1.76s 99.44% example.fib
0.01s 0.56% 100% 0.01s 0.56% runtime.futex
0 0% 100% 1.76s 99.44% example.BenchmarkFib
0 0% 100% 0.01s 0.56% runtime.findrunnable
|
pprof 支持多种输出格式(图片、文本、Web等),直接在命令行中运行 go tool pprof 即可看到所有支持的选项:
1
2
3
4
5
6
7
8
9
10
| $ go tool pprof
Details:
Output formats (select at most one):
-dot Outputs a graph in DOT format
-png Outputs a graph image in PNG format
-text Outputs top entries in text form
-tree Outputs a text rendering of call graph
-web Visualize graph through web browser
...
|
参考资料