Optimumkan operasi peruntukan memori curl

Hari ini saya membuat satu lagi perubahan kecil dalam libcurl[1] untuk menjadikannya kurang mallocs. Kali ini, fungsi senarai terpaut generik ditukar kepada kurang malloc (begitulah fungsi senarai terpaut, sebenarnya).

Penyelidikan malloc

Beberapa minggu lalu saya mula meneliti peruntukan memori. Ini mudah kerana kami mempunyai sistem penyahpepijatan dan pengelogan memori dalam curl selama bertahun-tahun. Gunakan versi nyahpepijat curl dan jalankan skrip ini dalam direktori binaan saya:

#!/bin/sh
export CURL_MEMDEBUG=$HOME/tmp/curlmem.log
./src/curl http://localhost
./tests/memanalyze.pl -v $HOME/tmp/curlmem.log

Untuk curl 7.53.1, ini adalah lebih kurang 115 peruntukan memori. Adakah ini terlalu banyak atau terlalu sedikit?

Log memori adalah sangat asas. Untuk memberi anda idea, berikut adalah contoh coretan:

MEM getinfo.c:70 free((nil))
MEM getinfo.c:73 free((nil))
MEM url.c:294 free((nil))
MEM url.c:297 strdup(0x559e7150d616) (24) = 0x559e73760f98
MEM url.c:294 free((nil))
MEM url.c:297 strdup(0x559e7150d62e) (22) = 0x559e73760fc8
MEM multi.c:302 calloc(1,480) = 0x559e73760ff8
MEM hash.c:75 malloc(224) = 0x559e737611f8
MEM hash.c:75 malloc(29152) = 0x559e737a2bc8
MEM hash.c:75 malloc(3104) = 0x559e737a9dc8

Semak log

Kemudian saya menggali lebih dalam ke dalam log dan saya menyedari bahawa banyak peruntukan memori kecil dibuat pada baris kod yang sama. Kami jelas mempunyai beberapa corak kod yang agak bodoh di mana kami memperuntukkan struct, kemudian menambah struct itu pada senarai terpaut atau cincang, dan kemudian kod itu kemudian menambah satu lagi struct kecil, dan seterusnya, sering melakukannya dalam gelung. (Apa yang saya katakan di sini ialah kita, bukan untuk menyalahkan sesiapa, sudah tentu sebahagian besar tanggungjawab terletak pada diri saya sendiri...)

Kedua-dua operasi peruntukan ini akan sentiasa berlaku secara berpasangan dan dikeluarkan pada masa yang sama. Saya memutuskan untuk menyelesaikan masalah ini. Melakukan peruntukan yang sangat kecil (kurang daripada 32 bait) juga membazir, kerana banyak data akan digunakan (dalam sistem malloc) untuk menjejaki kawasan memori yang kecil itu. Apatah lagi timbunan serpihan.

Jadi membetulkan cincang dan kod senarai terpaut untuk tidak menggunakan malloc ialah cara yang cepat dan mudah untuk menghapuskan lebih 20% daripada malloc untuk pemindahan "curl http://localhost" yang paling mudah.

Pada ketika ini, saya mengisih semua operasi peruntukan memori mengikut saiz dan menyemak semua operasi peruntukan terkecil. Bahagian yang menonjol adalah dalam curl_multi_wait(), iaitu fungsi yang biasanya dipanggil berulang kali dalam gelung pemindahan curl utama. Untuk kebanyakan kes biasa, saya menukar ini kepada menggunakan tindanan [2]. Adalah satu perkara yang baik untuk mengelakkan malloc dalam banyak panggilan fungsi berulang.

Bercerita

Kini, seperti yang ditunjukkan dalam skrip di atas, arahan curl localhost yang sama telah digugurkan daripada 115 operasi peruntukan dengan curl 7.53.1 kepada 80 operasi peruntukan tanpa mengorbankan apa-apa. Penambahbaikan 26% dengan mudah. Tidak teruk sama sekali!

Sejak saya mengubah suai curl_multi_wait(), saya juga ingin melihat bagaimana ia sebenarnya menambah baik beberapa pemindahan yang lebih maju sedikit. Saya menggunakan kod contoh multi-double.c[3], menambah panggilan untuk memulakan rekod memori, menjadikannya menggunakan curl_multi_wait(), dan memuat turun kedua-dua URL ini secara selari:

http://www.example.com/
http://localhost/512M

Fail kedua ialah 512 megabait sifar dan fail pertama ialah halaman html awam 600 bait. Ini ialah kod count-malloc.c[4].

Mula-mula, saya menggunakan 7.53.1 untuk menguji contoh di atas dan menyemak menggunakan skrip memanalyze:

Mallocs: 33901
Reallocs: 5
Callocs: 24
Strdups: 31
Wcsdups: 0
Frees: 33956
Allocations: 33961
Maximum allocated: 160385

Baiklah, jadi ia menggunakan sejumlah 160KB memori dan lebih 33900 operasi peruntukan. Dan ia memuat turun lebih 512 megabait data, jadi ia mempunyai malloc setiap 15KB data. Adakah ia baik atau buruk?

Kembali ke dalam git master, ia kini versi 7.54.1-DEV - memandangkan kami tidak pasti nombor versi yang akan digunakan apabila kami mengeluarkan versi seterusnya. Ia boleh jadi 7.54.1 atau 7.55.0, ia belum disahkan lagi. Saya menyimpang, saya menjalankan contoh multi-double.c yang diubah suai sekali lagi, menjalankan memanalyze pada log memori sekali lagi, dan inilah laporannya:

Mallocs: 69
Reallocs: 5
Callocs: 24
Strdups: 31
Wcsdups: 0
Frees: 124
Allocations: 129
Maximum allocated: 153247

Saya menontonnya dua kali kerana tidak percaya. Apa yang berlaku? Untuk menyemak semula, lebih baik saya jalankan semula. Tidak kira berapa kali saya menjalankannya, hasilnya tetap sama.

33961 lwn 129

Dalam pemindahan biasa curl_multi_wait() dipanggil berkali-kali, dan sekurang-kurangnya satu operasi peruntukan memori biasanya berlaku semasa pemindahan, jadi mengalih keluar operasi peruntukan kecil tunggal itu mempunyai kesan yang sangat besar pada kaunter. Pemindahan biasa juga melakukan beberapa data bergerak masuk dan keluar daripada senarai terpaut dan operasi cincang, tetapi kebanyakannya kini bebas malloc juga. Ringkasnya: operasi peruntukan yang selebihnya tidak dilakukan dalam gelung pemindahan, jadi ia tidak penting.

Keriting sebelumnya memperuntukkan 263 kali ganda bilangan operasi sebagai contoh semasa. Dalam erti kata lain: yang baharu ialah 0.37% daripada bilangan operasi peruntukan yang lama.

另外还有一点好处，新的内存分配量更少，总共减少了 7KB（4.3％）。

malloc 重要吗？

在几个 G 内存的时代里，在传输中有几个 malloc 真的对于普通人有显著的区别吗？对 512MB 数据进行的 33832 个额外的 malloc 有什么影响？

为了衡量这些变化的影响，我决定比较 localhost 的 HTTP 传输，看看是否可以看到任何速度差异。localhost 对于这个测试是很好的，因为没有网络速度限制，更快的 curl 下载也越快。服务器端也会相同的快/慢，因为我将使用相同的测试集进行这两个测试。

我相同方式构建了 curl 7.53.1 和 curl 7.54.1-DEV，并运行这个命令：

curl http://localhost/80GB -o /dev/null

下载的 80GB 的数据会尽可能快地写到空设备中。

我获得的确切数字可能不是很有用，因为它将取决于机器中的 CPU、使用的 HTTP 服务器、构建 curl 时的优化级别等，但是相对数字仍然应该是高度相关的。新代码对决旧代码！

7.54.1-DEV 反复地表现出更快 30％！我的早期版本是 2200MB/秒增加到当前版本的超过 2900 MB/秒。

这里的要点当然不是说它很容易在我的机器上使用单一内核以超过 20GB/秒的速度来进行 HTTP 传输，因为实际上很少有用户可以通过 curl 做到这样快速的传输。关键在于 curl 现在每个字节的传输使用更少的 CPU，这将使更多的 CPU 转移到系统的其余部分来执行任何需要做的事情。或者如果设备是便携式设备，那么可以省电。

关于 malloc 的成本：512MB 测试中，我使用旧代码发生了 33832 次或更多的分配。旧代码以大约 2200MB/秒的速率进行 HTTP 传输。这等于每秒 145827 次 malloc - 现在它们被消除了！600 MB/秒的改进意味着每秒钟 curl 中每个减少的 malloc 操作能额外换来多传输 4300 字节。

去掉这些 malloc 难吗？

一点也不难，非常简单。然而，有趣的是，在这个旧项目中，仍然有这样的改进空间。我有这个想法已经好几年了，我很高兴我终于花点时间来实现。感谢我们的测试套件，我可以有相当大的信心做这个“激烈的”内部变化，而不会引入太可怕的回归问题。由于我们的 API 很好地隐藏了内部，所以这种变化可以完全不改变任何旧的或新的应用程序……

（是的，我还没在版本中发布该变更，所以这还有风险，我有点后悔我的“这很容易”的声明……）

注意数字

curl 的 git 仓库从 7.53.1 到今天已经有 213 个提交。即使我没有别的想法，可能还会有一次或多次的提交，而不仅仅是内存分配对性能的影响。

还有吗？

还有其他类似的情况么？

也许。我们不会做很多性能测量或比较，所以谁知道呢，我们也许会做更多的愚蠢事情，我们可以收手并做得更好。有一个事情是我一直想做，但是从来没有做，就是添加所使用的内存/malloc 和 curl 执行速度的每日“监视” ，以便更好地跟踪我们在这些方面不知不觉的回归问题。

补遗，4/23

（关于我在 hacker news、Reddit 和其它地方读到的关于这篇文章的评论）

有些人让我再次运行那个 80GB 的下载，给出时间。我运行了三次新代码和旧代码，其运行“中值”如下：

旧代码：

real    0m36.705s
user    0m20.176s
sys     0m16.072s

新代码：

real    0m29.032s
user    0m12.196s
sys     0m12.820s

承载这个 80GB 文件的服务器是标准的 Apache 2.4.25，文件存储在 SSD 上，我的机器的 CPU 是 i7 3770K 3.50GHz 。

有些人也提到 alloca() 作为该补丁之一也是个解决方案，但是 alloca() 移植性不够，只能作为一个孤立的解决方案，这意味着如果我们要使用它的话，需要写一堆丑陋的 #ifdef。

---

Atas ialah kandungan terperinci Optimumkan operasi peruntukan memori curl. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!