[译] Go开源项目BigCache如何加速并发访问以及避免高额的GC开销

几天前,我读了一篇关于BigCache的文章,我对它是如何做到以下两点十分感兴趣:

  • 加速并发访问
  • 避免高额的GC开销

于是我去阅读了它的代码。我觉得它的做法很赞,所以我写了这篇文章来与你分享。

BigCache 是一个快速,支持并发访问,自淘汰的内存型缓存,可以在存储大量元素时依然保持高性能。BigCache将元素保存在堆上却避免了GC的开销。 —— 摘自《BigCache README 中的简介》

1
2
3
4
5
6
7
8
9
10
// BigCache README 中的简单使用示例

import "github.com/allegro/bigcache"

cache, _ := bigcache.NewBigCache(bigcache.DefaultConfig(10 * time.Minute))

cache.Set("my-unique-key", []byte("value"))

entry, _ := cache.Get("my-unique-key")
fmt.Println(string(entry))

BigCache github地址

并发访问

一个缓存,支持并发访问是必须的,无论是程序使用了协程,还是 HTTP 服务器为每个请求分配的协程,都可能并发访问缓存。最常见的解决方案是使用读写锁(sync.RWMutex)来保证在一个时间点只允许一个协程修改缓存内容。但是如果这样做,锁可能会阻塞后续的操作,导致缓存性能下降。

为了解决这个问题,BigCache使用了shards(译者yoko注:单词意思为碎片,可以理解为桶或分片或分区),shard是什么?一个shard是一个结构体,它包含了一个带锁的cache实例。

BigCache使用了一个元素个数为N的shard数组,然后将数据打散到不同的shard中,所以当你从缓存中读写数据时,缓存会选取其中的一个shard使用(选取策略下文会说)。使用这种方式,锁粒度被大幅度减小,因为锁范围从全局缓存缩小到了单个shard中。(译者yoko注:对shard数组的访问是不需要加锁的,因为该数组在初始化时创建,后续大小就不会变了,即后续对数组的访问只有读,当然,对数组中的元素shard是有读有写的,但是这已经和数组没关系了)

高额GC开销

1
var map[string]Item

Go中实现缓存最简单最常见的方式是使用一个map来存储元素,但是如果使用map,GC(垃圾回收器)会在标记阶段访问map中的每一个元素,当map非常大时这会对程序性能带来非常大的开销。

go 1.5版本之后,如果你使用的map的key和value中都不包含指针,那么GC会忽略这个map。

1
var map[int]int

为避免这个问题,BigCache使用了一个key和value都不包含指针的map,这样,GC就会忽略掉这个map。具体做法为:

map的key为存入缓存中的key经过hash函数后得到的值。

map的value比较值得一说,BigCache并不是直接把存入缓存的value作为map的value,而是将存入缓存的value序列化成二进制的[]byte,然后将序列化后的[]byte追加到一个全局的[]byte中(一个shard包含一个全局[]byte)。map中存储的是该序列化后数据在全局[]byte中的下标。

使用全局的[]byte是非常聪明的做法,因为这样做,只会给GC增加了一个额外对象,由于字节切片除了自身对象并不包含其他指针数据,所以GC对于整个对象的标记时间是O(1)的。

译者yoko注

英文原文写到这,基本上关于优化方面的思想已经说明白了。大致是以下两点:

第一,将元素非常多的容器通过hash打散到各个桶(子容器)中。这是一种比较常见通用的减小锁粒度,提高性能的手段。

第二,就是把map的key和value都弄成了无指针类型,具体做法上面已经说了。这种做法说白了是针对Go GC的特性所做的针对性优化。

另外,值得一提的是,关于第二点,由于桶中的全局的[]byte使用的是数组类型,那么显然从中间删除元素的开销是很大的。我去看了看BigCache的实现,它也确实没有提供删除指定key的接口。这种缓存,一般来说,删除元素靠的是全局过期时间(注意,是先进先出的过期,并不能为每个key单独指定不同的过期时间)或缓存总大小达到一定阈值后删除,也即把数组当队列用。所以,这种实现的前提是,缓存是自淘汰类型,而非可手动删除指定元素类型的。

后期补充:感谢读者 aixiaoxiang 的提醒,他说 BigCache 提供了删除指定 key 的接口。以下是针对该问题我的回复:

译者yoko的回复:
我刚才去看了下 BigCache 的源码,它确实提供了删除 key 的接口。
但是它删除 key 时是只删除 map 中的 key(即key为用户指定的key,value为大 buffer 下标位置的那个map),并没有删除底层那个大 buffer 中存储的该 key 对应的 value。
原因估计和我文中所说的那样,删除大 buffer 中间位置的内容代价太大。
从面相使用者的角度,对外表现来说,确实是提供了删除的接口。
从底层存储来说,还是占用了内存。
我文中写不提供删除的接口,是我从底层设计倒退得出的接口设计,是我的思维太局限了。

英文原文的后续部分,是英文作者在BigCache的基础上自己写了一个简单版本的cache,然后通过代码来说明上面原理。如果你看到这觉得ok了,后面的内容就不用看了。

看代码

以下是我写的一个cache的简单实现,我去掉了关于过期淘汰,容量等功能,只为了更好的演示我上面所说的内容。

首先,哈希函数是从BigCache中抄的,这个哈希实现是零堆内存申请的。

hasher.go

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
package main

// newDefaultHasher returns a new 64-bit FNV-1a Hasher which makes no memory allocations.
// Its Sum64 method will lay the value out in big-endian byte order.
// See https://en.wikipedia.org/wiki/Fowler–Noll–Vo_hash_function
func newDefaultHasher() fnv64a {
return fnv64a{}
}

type fnv64a struct{}

const (
// offset64 FNVa offset basis. See https://en.wikipedia.org/wiki/Fowler–Noll–Vo_hash_function#FNV-1a_hash
offset64 = 14695981039346656037
// prime64 FNVa prime value. See https://en.wikipedia.org/wiki/Fowler–Noll–Vo_hash_function#FNV-1a_hash
prime64 = 1099511628211
)

// Sum64 gets the string and returns its uint64 hash value.
func (f fnv64a) Sum64(key string) uint64 {
var hash uint64 = offset64
for i := 0; i < len(key); i++ {
hash ^= uint64(key[i])
hash *= prime64
}

return hash
}

然后,cache结构体包含了获取shard的逻辑,以及get和set方法。

在前文并发访问小节中,提到了为数据选取特定shard的函数,该函数的实现是首先通过前面的哈希函数将key转换成一个hash值,然后用hash值与shard的数量计算出shard数组的下标。值得一提的是,这里不是用取余运算得到结果,而是通过按位与计算的。

译者yoko注

按位与比取余效率更高,需要的指令更少。但是用这种方式有个前提,数组大小必须是2的幂方,不然会导致有的下标永远不会被计算得到。

下面举例说明为什么数组大小不是2的幂方有问题。
比如假设数组大小为15(二进制为 1111),减1后为14(二进制为 1110),那么任何数字和 1110 按位与,都无法得到0~1110中第1位为1的数字,比如0001,0011等等。

1
2
3
4
5
hashedkey&mask

0111
AND 1101 (mask)
= 0101

cache.go

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
package main

var minShards = 1024

type cache struct {
shards []*cacheShard
hash fnv64a
}

func newCache() *cache {
cache := &cache{
hash: newDefaultHasher(),
shards: make([]*cacheShard, minShards),
}
for i := 0; i < minShards; i++ {
cache.shards[i] = initNewShard()
}

return cache
}

func (c *cache) getShard(hashedKey uint64) (shard *cacheShard) {
return c.shards[hashedKey&uint64(minShards-1)]
}

func (c *cache) set(key string, value []byte) {
hashedKey := c.hash.Sum64(key)
shard := c.getShard(hashedKey)
shard.set(hashedKey, value)
}

func (c *cache) get(key string) ([]byte, error) {
hashedKey := c.hash.Sum64(key)
shard := c.getShard(hashedKey)
return shard.get(key, hashedKey)
}

最后,也就是最赞的地方,在每个shard中有一个字符数组[]byte和一个map[uint64]uint32。在map中,存储每个键值对的值在全局字符数组中的下标,在字符数组中存储键值对的值。

使用tail变量来保存字符数组的尾部下标。

shard.go

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
75
76
77
78
79
80
81
82
83
84
85
86
87
88
package main

import (
"encoding/binary"
"errors"
"sync"
)

const (
headerEntrySize = 4
defaultValue = 1024 // For this example we use 1024 like default value.
)

type cacheShard struct {
items map[uint64]uint32
lock sync.RWMutex
array []byte
tail int
headerBuffer []byte
}

func initNewShard() *cacheShard {
return &cacheShard{
items: make(map[uint64]uint32, defaultValue),
array: make([]byte, defaultValue),
tail: 1,
headerBuffer: make([]byte, headerEntrySize),
}
}

func (s *cacheShard) set(hashedKey uint64, entry []byte) {
w := wrapEntry(entry)
s.lock.Lock()
index := s.push(w)
s.items[hashedKey] = uint32(index)
s.lock.Unlock()
}

func (s *cacheShard) push(data []byte) int {
dataLen := len(data)
index := s.tail
s.save(data, dataLen)
return index
}

func (s *cacheShard) save(data []byte, len int) {
// Put in the first 4 bytes the size of the value
binary.LittleEndian.PutUint32(s.headerBuffer, uint32(len))
s.copy(s.headerBuffer, headerEntrySize)
s.copy(data, len)
}

func (s *cacheShard) copy(data []byte, len int) {
// Using the tail to keep the order to write in the array
s.tail += copy(s.array[s.tail:], data[:len])
}

func (s *cacheShard) get(key string, hashedKey uint64) ([]byte, error) {
s.lock.RLock()
itemIndex := int(s.items[hashedKey])
if itemIndex == 0 {
s.lock.RUnlock()
return nil, errors.New("key not found")
}

// Read the first 4 bytes after the index, remember these 4 bytes have the size of the value, so
// you can use this to get the size and get the value in the array using index+blockSize to know until what point
// you need to read
blockSize := int(binary.LittleEndian.Uint32(s.array[itemIndex : itemIndex+headerEntrySize]))
entry := s.array[itemIndex+headerEntrySize : itemIndex+headerEntrySize+blockSize]
s.lock.RUnlock()
return readEntry(entry), nil
}

func readEntry(data []byte) []byte {
dst := make([]byte, len(data))
copy(dst, data)

return dst
}

func wrapEntry(entry []byte) []byte {
// You can put more information like a timestamp if you want.
blobLength := len(entry)
blob := make([]byte, blobLength)
copy(blob, entry)
return blob
}

main.go

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
package main

import "fmt"

func main() {
cache := newCache()
cache.set("key", []byte("the value"))

value, err := cache.get("key")
if err != nil {
fmt.Println(err)
}

fmt.Println(string(value))
// OUTPUT:
// the value
}

英文原文地址: How BigCache avoids expensive GC cycles and speeds up concurrent access in Go

原文链接: https://pengrl.com/p/35302/
原文出处: yoko blog (https://pengrl.com)
原文作者: yoko (https://github.com/q191201771)
版权声明: 本文欢迎任何形式转载,转载时完整保留本声明信息(包含原文链接、原文出处、原文作者、版权声明)即可。本文后续所有修改都会第一时间在原始地址更新。

0%