內存優化總結:ptmalloc、tcmalloc和jemalloc

轉載於：http://www.cnhalo.net/2016/06/13/memory-optimize/

概述

需求

系統的物理內存是有限的，而對內存的需求是變化的, 程序的動態性越強，內存管理就越重要，選擇合適的內存管理算法會帶來明顯的性能提升。
比如nginx， 它在每個連接accept後會malloc一塊內存，作爲整個連接生命週期內的內存池。 當HTTP請求到達的時候，又會malloc一塊當前請求階段的內存池, 因此對malloc的分配速度有一定的依賴關係。(而apache的內存池是有父子關係的，請求階段的內存池會和連接階段的使用相同的分配器，如果連接內存池釋放則請求階段的子內存池也會自動釋放)。

目標

內存管理可以分爲三個層次，自底向上分別是：

• 操作系統內核的內存管理
• glibc層使用系統調用維護的內存管理算法
• 應用程序從glibc動態分配內存後，根據應用程序本身的程序特性進行優化， 比如使用引用計數std::shared_ptr，apache的內存池方式等等。
  當然應用程序也可以直接使用系統調用從內核分配內存，自己根據程序特性來維護內存，但是會大大增加開發成本。

本文主要介紹了glibc malloc的實現，及其替代品

一個優秀的通用內存分配器應具有以下特性:

• 額外的空間損耗盡量少
• 分配速度儘可能快
• 儘量避免內存碎片
• 緩存本地化友好
• 通用性，兼容性，可移植性，易調試

現狀

目前大部分服務端程序使用glibc提供的malloc/free系列函數，而glibc使用的ptmalloc2在性能上遠遠弱後於google的tcmalloc和facebook的jemalloc。 而且後兩者只需要使用LD_PRELOAD環境變量啓動程序即可，甚至並不需要重新編譯。

glibc ptmalloc2

ptmalloc2即是我們當前使用的glibc malloc版本。

ptmalloc原理

系統調用接口

上圖是 x86_64 下 Linux 進程的默認地址空間, 對 heap 的操作, 操作系統提供了brk()系統調用，設置了Heap的上邊界； 對 mmap 映射區域的操作,操作系 統 供了 mmap()和 munmap()函數。
因爲系統調用的代價很高，不可能每次申請內存都從內核分配空間，尤其是對於小內存分配。 而且因爲mmap的區域容易被munmap釋放，所以一般大內存採用mmap()，小內存使用brk()。

多線程支持

• Ptmalloc2有一個主分配區(main arena)， 有多個非主分配區。 非主分配區只能使用mmap向操作系統批發申請HEAP_MAX_SIZE（64位系統爲64MB）大小的虛擬內存。 當某個線程調用malloc的時候，會先查看線程私有變量中是否已經存在一個分配區，如果存在則嘗試加鎖，如果加鎖失敗則遍歷arena鏈表試圖獲取一個沒加鎖的arena， 如果依然獲取不到則創建一個新的非主分配區。
• free()的時候也要獲取鎖。分配小塊內存容易產生碎片，ptmalloc在整理合並的時候也要對arena做加鎖操作。在線程多的時候，鎖的開銷就會增大。

ptmalloc內存管理

• 用戶請求分配的內存在ptmalloc中使用chunk表示， 每個chunk至少需要8個字節額外的開銷。 用戶free掉的內存不會馬上歸還操作系統，ptmalloc會統一管理heap和mmap區域的空閒chunk，避免了頻繁的系統調用。

• ptmalloc 將相似大小的 chunk 用雙向鏈表鏈接起來, 這樣的一個鏈表被稱爲一個 bin。Ptmalloc 一共 維護了 128 個 bin,並使用一個數組來存儲這些 bin(如下圖所示)。
  
  數組中的第一個爲 unsorted bin, 數組中從 2 開始編號的前 64 個 bin 稱爲 small bins, 同一個small bin中的chunk具有相同的大小。small bins後面的bin被稱作large bins。

• 當free一個chunk並放入bin的時候， ptmalloc 還會檢查它前後的 chunk 是否也是空閒的, 如果是的話,ptmalloc會首先把它們合併爲一個大的 chunk, 然後將合併後的 chunk 放到 unstored bin 中。 另外ptmalloc 爲了提高分配的速度,會把一些小的(不大於64B) chunk先放到一個叫做 fast bins 的容器內。

• 在fast bins和bins都不能滿足需求後，ptmalloc會設法在一個叫做top chunk的空間分配內存。 對於非主分配區會預先通過mmap分配一大塊內存作爲top chunk， 當bins和fast bins都不能滿足分配需要的時候, ptmalloc會設法在top chunk中分出一塊內存給用戶, 如果top chunk本身不夠大, 分配程序會重新mmap分配一塊內存chunk, 並將 top chunk 遷移到新的chunk上，並用單鏈錶鏈接起來。如果free()的chunk恰好 與 top chunk 相鄰,那麼這兩個 chunk 就會合併成新的 top chunk，如果top chunk大小大於某個閾值才還給操作系統。主分配區類似，不過通過sbrk()分配和調整top chunk的大小，只有heap頂部連續內存空閒超過閾值的時候才能回收內存。
• 需要分配的 chunk 足夠大,而且 fast bins 和 bins 都不能滿足要求,甚至 top chunk 本身也不能滿足分配需求時,ptmalloc 會使用 mmap 來直接使用內存映射來將頁映射到進程空間。

ptmalloc分配流程

ptmalloc的缺陷

• 後分配的內存先釋放,因爲 ptmalloc 收縮內存是從 top chunk 開始,如果與 top chunk 相鄰的 chunk 不能釋放, top chunk 以下的 chunk 都無法釋放。
• 多線程鎖開銷大， 需要避免多線程頻繁分配釋放。
• 內存從thread的areana中分配， 內存不能從一個arena移動到另一個arena， 就是說如果多線程使用內存不均衡，容易導致內存的浪費。 比如說線程1使用了300M內存，完成任務後glibc沒有釋放給操作系統，線程2開始創建了一個新的arena， 但是線程1的300M卻不能用了。
• 每個chunk至少8字節的開銷很大
• 不定期分配長生命週期的內存容易造成內存碎片，不利於回收。 64位系統最好分配32M以上內存，這是使用mmap的閾值。

tcmalloc

tcmalloc是Google開源的一個內存管理庫， 作爲glibc malloc的替代品。目前已經在chrome、safari等知名軟件中運用。
根據官方測試報告，ptmalloc在一臺2.8GHz的P4機器上（對於小對象）執行一次malloc及free大約需要300納秒。而TCMalloc的版本同樣的操作大約只需要50納秒。

小對象分配

• tcmalloc爲每個線程分配了一個線程本地ThreadCache，小內存從ThreadCache分配，此外還有個中央堆（CentralCache），ThreadCache不夠用的時候，會從CentralCache中獲取空間放到ThreadCache中。
• 小對象（<=32K）從ThreadCache分配，大對象從CentralCache分配。大對象分配的空間都是4k頁面對齊的，多個pages也能切割成多個小對象劃分到ThreadCache中。
  
  小對象有將近170個不同的大小分類(class)，每個class有個該大小內存塊的FreeList單鏈表，分配的時候先找到best fit的class，然後無鎖的獲取該鏈表首元素返回。如果鏈表中無空間了，則到CentralCache中劃分幾個頁面並切割成該class的大小，放入鏈表中。

CentralCache分配管理

• 大對象(>32K)先4k對齊後，從CentralCache中分配。 CentralCache維護的PageHeap如下圖所示， 數組中第256個元素是所有大於255個頁面都掛到該鏈表中。
  
• 當best fit的頁面鏈表中沒有空閒空間時，則一直往更大的頁面空間則，如果所有256個鏈表遍歷後依然沒有成功分配。 則使用sbrk, mmap, /dev/mem從系統中分配。
• tcmalloc PageHeap管理的連續的頁面被稱爲span.
  如果span未分配， 則span是PageHeap中的一個鏈表元素
  如果span已經分配，它可能是返回給應用程序的大對象， 或者已經被切割成多小對象，該小對象的size-class會被記錄在span中
• 在32位系統中，使用一箇中央數組(central array)映射了頁面和span對應關係， 數組索引號是頁面號，數組元素是頁面所在的span。 在64位系統中，使用一個3-level radix tree記錄了該映射關係。

回收

• 當一個object free的時候，會根據地址對齊計算所在的頁面號，然後通過central array找到對應的span。
• 如果是小對象，span會告訴我們他的size class，然後把該對象插入當前線程的ThreadCache中。如果此時ThreadCache超過一個預算的值（默認2MB），則會使用垃圾回收機制把未使用的object從ThreadCache移動到CentralCache的central free lists中。
• 如果是大對象，span會告訴我們對象鎖在的頁面號範圍。 假設這個範圍是[p,q]， 先查找頁面p-1和q+1所在的span，如果這些臨近的span也是free的，則合併到[p,q]所在的span， 然後把這個span回收到PageHeap中。
• CentralCache的central free lists類似ThreadCache的FreeList，不過它增加了一級結構，先根據size-class關聯到spans的集合， 然後是對應span的object鏈表。如果span的鏈表中所有object已經free， 則span回收到PageHeap中。

tcmalloc的改進

• ThreadCache會階段性的回收內存到CentralCache裏。 解決了ptmalloc2中arena之間不能遷移的問題。
• Tcmalloc佔用更少的額外空間。例如，分配N個8字節對象可能要使用大約8N * 1.01字節的空間。即，多用百分之一的空間。Ptmalloc2使用最少8字節描述一個chunk。
• 更快。小對象幾乎無鎖， >32KB的對象從CentralCache中分配使用自旋鎖。 並且>32KB對象都是頁面對齊分配，多線程的時候應儘量避免頻繁分配，否則也會造成自旋鎖的競爭和頁面對齊造成的浪費。

性能對比

官方測試

測試環境是2.4GHz dual Xeon，開啓超線程，redhat9，glibc-2.3.2, 每個線程測試100萬個操作。

上圖中可以看到尤其是對於小內存的分配， tcmalloc有非常明顯性能優勢。

上圖可以看到隨着線程數的增加，tcmalloc性能上也有明顯的優勢，並且相對平穩。

github mysql優化

github使用tcmalloc後，mysql性能提升30%

Jemalloc

jemalloc是facebook推出的， 最早的時候是freebsd的libc malloc實現。 目前在firefox、facebook服務器各種組件中大量使用。

jemalloc原理

• 與tcmalloc類似，每個線程同樣在<32KB的時候無鎖使用線程本地cache。
• Jemalloc在64bits系統上使用下面的size-class分類：
  Small: [8], [16, 32, 48, …, 128], [192, 256, 320, …, 512], [768, 1024, 1280, …, 3840]
  Large: [4 KiB, 8 KiB, 12 KiB, …, 4072 KiB]
  Huge: [4 MiB, 8 MiB, 12 MiB, …]
• small/large對象查找metadata需要常量時間， huge對象通過全局紅黑樹在對數時間內查找。
• 虛擬內存被邏輯上分割成chunks（默認是4MB，1024個4k頁），應用線程通過round-robin算法在第一次malloc的時候分配arena， 每個arena都是相互獨立的，維護自己的chunks， chunk切割pages到small/large對象。free()的內存總是返回到所屬的arena中，而不管是哪個線程調用free()。

上圖可以看到每個arena管理的arena chunk結構， 開始的header主要是維護了一個page map（1024個頁面關聯的對象狀態）， header下方就是它的頁面空間。 Small對象被分到一起， metadata信息存放在起始位置。 large chunk相互獨立，它的metadata信息存放在chunk header map中。

• 通過arena分配的時候需要對arena bin（每個small size-class一個，細粒度）加鎖，或arena本身加鎖。
  並且線程cache對象也會通過垃圾回收指數退讓算法返回到arena中。
  

jemalloc的優化

• Jmalloc小對象也根據size-class，但是它使用了低地址優先的策略，來降低內存碎片化。
• Jemalloc大概需要2%的額外開銷。（tcmalloc 1%， ptmalloc最少8B）
• Jemalloc和tcmalloc類似的線程本地緩存，避免鎖的競爭
• 相對未使用的頁面，優先使用dirty page，提升緩存命中。

性能對比

官方測試

上圖是服務器吞吐量分別用6個malloc實現的對比數據，可以看到tcmalloc和jemalloc最好(facebook在2011年的測試結果，tcmalloc這裏版本較舊)。

4.3.2 mysql優化
測試環境：2x Intel E5/2.2Ghz with 8 real cores per socket，16 real cores， 開啓hyper-threading， 總共32個vcpu。 16個table，每個5M row。
OLTP_RO測試包含5個select查詢：select_ranges, select_order_ranges, select_distinct_ranges, select_sum_ranges,

可以看到在多核心或者多線程的場景下， jemalloc和tcmalloc帶來的tps增加非常明顯。

參考資料

glibc內存管理ptmalloc源代碼分析
Inside jemalloc
tcmalloc淺析
tcmalloc官方文檔
Scalable memory allocation using jemalloc
mysql-performance-impact-of-memory-allocators-part-2
ptmalloc,tcmalloc和jemalloc內存分配策略研究
Tick Tock, malloc Needs a Clock

總結

在多線程環境使用tcmalloc和jemalloc效果非常明顯。
當線程數量固定，不會頻繁創建退出的時候， 可以使用jemalloc；反之使用tcmalloc可能是更好的選擇。