通过硬件计数器，将性能提升3倍之旅 - charlieroro

通过硬件计数器，将性能提升3倍之旅

翻译自：Seeing through hardware counters: a journey to threefold performance increase

本文通过对CPU层面的代码挖掘，发现JVM存在的问题，并通过对JVM打补丁的方式解决了大实例下性能不足的问题。

在前面的文章中，我们概述了可观测性的三大领域：整体范围，微服务和实例。我们描述了洞察每个领域所使用的工具和技术。然而，还有一类问题需要深入到CPU微体系架构中。本文我们将描述一个此类问题，并使用工具来解决该问题。

问题起始于一个常规迁移。在Netflix，我们会定期对负载进行重新评估来优化可用容量的利用率。我们计划将一个Java微服务(暂且称之为GS2)迁移到一个更大的AWS实例上，规格从m5.4xl(16 vCPU)变为m5.12xl(48 vCPU)。GS2是计算密集型的，因此CPU就成为了受限资源。虽然我们知道，随着vCPU数量的增长，吞吐量几乎不可能实现线性增长，但可以近线性增长。在大型实例上进行整合可以分摊后台任务产生的开销，为请求留出更多的资源，并可以抵消亚线性缩放。由于12xl实例的vCPU数是4xl实例的3倍，因此我们预期每个实例的吞吐量能够提升3倍。在快速进行了一次金丝雀测试后发现没有发现错误，并展示了更低的延迟，该结果符合预期，在我们的标准金丝雀配置中，会将流量平均路由到运行在4xl上的基准以及运行在12xl上的金丝雀上。由于GS2依赖 AWS EC2 Auto Scaling来达到目标CPU利用率，一开始我们认为只要将服务重新部署到大型实例上，然后等待 ASG (Auto Scaling Group)达到目标CPU即可，但不幸的是，一开始的结果与我们的预期相差甚远：

第一张图展示了单节点吞吐量和CPU利用率之间的关系，第二张图展示了平均请求延迟。可以看到当CPU大致达到50%时，平均吞吐量仅仅增加了约25%，大大低于预期。更糟糕的是，平均延迟则增加了50%，CPU和延迟的波动也更大。GS2是一个无状态服务，它使用轮询方式的负载均衡器来接收流量，因此所有节点应该接收到几乎等量的流量。RPS(Requests Per Second)也显示了，不同节点的吞吐量变化很少：

但当我们查看节点的CPU和延迟时，发现了一个奇怪的模式：

尽管我们确认了节点之间的流量分布相当，但CPU和延迟度量却展示了一种非常不同的双峰分布模式。"低波段"的节点展示了很低的CPU和延迟，且几乎没有波动，而"高波段"的节点则具有相当高的CPU和延迟，以及更大的波动。我们发现大约12%的节点处于低波段中，随着时间的推移，这一图形让人产生怀疑。两种波段中，在(节点上的)JVM的整个运行时间内，其性能特点保持一致，即节点不会跳出其所在的波段。我们就此开始进行问题定位。

首次尝试解决

一开始我们尝试对比快慢两种节点的火焰图。虽然火焰图清晰地给出了采样到的CPU利用率之间的差异，但堆栈之间的分布保持不变，因此并没有获得有价值的结论。我们转而使用JVM专用的性能采样，从基本的hotspot 统计到更详细的 JFR (Java Flight Recorder)来比较事件分布，然而还是一无所获，快慢两种节点的事件数量和分布都没有出现值得关注的差异。我们仍然怀疑JIT行为可能有问题，通过对perf-map-agent 采集的符号映射进行了一些基本统计，结果发现了另一个死角。

False Sharing

在确定没有在app-，OS-和JVM层面有所遗漏之后，我们感觉答案可能隐藏在更低的层次。幸运的是，m5.12xl实例类型暴露了一组PMCs (Performance Monitoring Counters, 即PMU 计数器)，因此我们可以使用PerfSpect采集一组基线计数器数据：

在上表中，低CPU/延迟的节点代表"快节点"，而高CPU/延迟的节点代表"慢节点"。除了CPU上的明显差异外，还看到慢节点的CPI几乎是快节点的3倍。此外，我们还看到了更高的L1缓存活动以及4倍的MACHINE_CLEARS计数。一种常见的导致这种现象的原因称为false sharing，即当2个core读/写恰好共享同一L1 cache line的不相关的变量的模式。Cache line是一个类似内存页的概念，数据块(x86系统通常为64字节)会进出该缓存，过程如下：

图中的每个core都有自己的私有缓存，由于两个cores会访问相同的内存空间，因此必须保证缓存一致。这种一致性称为缓存一致协议。Thread 0会写入红色变量，一致性协议会将Thread 0中的整个cache line标记为"已修改"，并将Thread 1的缓存标记为"无效"。而后，当Thread 1读取蓝色变量时，即使蓝色变量不是"已修改"的，一致性协议也会强制从缓存中重载上次修改的内容(本例中为Thread 0的缓存)到cache line中。解决私有缓存之间的一致性需要花费一定时间并导致CPU暂停。此外，还需要通过最后一级共享缓存的控制器来监控来回的一致性流量，进而导致更多的暂停。我们认为CPU缓存一致性是理所当然的，但这种false sharing模式表明，如果只读取与无关数据相邻的变量时，就会造成巨大的性能损耗。

根据已掌握的知识，我们使用 Intel vTune 来进行微体系架构的性能采样。通过研究热点方法以及汇编代码，我们找出了超过100CPI的指令(执行非常慢的指标)，如下：

1到6的编号表示源代码和vTune汇编视图中对应的相同代码/变量。红色箭头表示的CPI值可能属于上一条指令，这是由于在没有PEBS(基于处理器事件的采样)的情况下进行了性能采样，并且通常是被单条指令关闭的。(5)中的repne scan是一个相对少见的定义在JVM代码库中的操作，我们将这个代码片段链接到用于子类检查的例程(在撰写本文时，JDK主线中存在相同的代码)中。关于HotSpot中的子类型检查的细节超出了本文的范畴，有兴趣的可以参见2002年出版的Fast Subtype Checking in the HotSpot JVM。基于该工作负载中使用的类层次结构的特点，我们不断更新(6) _secondary_super_cache字段的代码路径，它是最后找到的二级父类的单元素缓存，注意该字段与_secondary_supers相邻。_secondary_supers是所有父类的列表，会在扫描开始时读取(1)。多线程会对这些字段进行读写操作，且如果字段(1)和(6)处于相同的cache line，那么就会出现false sharing的情况。在上图中，我们使用红色和蓝色高亮了这些导致false sharing的字段。

由于cache line的长度为64字节，而指针长度为8字节，因此这些字段有1/8的机会让处于不同的cache line中，有7/8的机会共享相同的cache line。1/8的即12.5%，这与前面观测到的快节点的比例相同。

问题的修复需要设涉及对JDK的补丁操作，我们在_secondary_super_cache 和 _secondary_supers字段中间插入padding来保证它们不会使用相同的cache line。注意我们并没有修改JDK的功能，只是变更了数据布局：

部署补丁之后的效果立竿见影。下图中节点上的CPU出现了断崖式下降。在这里，我们可以看到中午进行了一次红黑部署，而新的ASG和修补后的JDK在12:15时生效：

此时CPU和延迟展示了相似的曲线，慢波段节点消失不见。

True Sharing

随着自动扩容达到CPU目标，但我们注意到单个节点仍然无法处理超过150RPS，而我们的目标是250RPS。针对补丁版本的JDK进行的又一轮vTune性能采样，发现围绕二级父类的缓存查找出现了瓶颈。在经过补丁之后又出现了相同的问题，一开始让人感到困惑，但在仔细研究后发现，现在我们使用的是true sharing，与false sharing不同，两个独立的变量共享了一个cache line，true sharing指相同的变量会被多线程/core读写。这种情况下，CPU强制内存排序是导致速度减慢的原因。我们推断，消除false sharing并提高了总吞吐量会导致增加相同JVM父类缓存代码路径的执行次数。本质上，我们有更高的执行并发性，但由于CPU强制内存排序协议，导致父类缓存压力过大。通常的解决方式是避免一起写入相同的共享变量，这样就可以有效地绕过JVM的辅助父类缓存。由于此变更改变了JDK的行为，因此我们使用了命令行标志，完整的补丁如下：

在禁用父类缓存写操作之后的结果如下：

可以看到在CPU达到目标55%的情况下，吞吐量达到了350 RPS，是我们一开始使用m5.12xl的吞吐量的3.5倍，同时降低了平均和尾部延迟。

在我们的场景下，禁用写入二级父类缓存工作良好，虽然这并不一定适用于所有场景，但过程中使用到的方法，工具集可能会对遇到类似现象的人有所帮助。在处理该问题时，我们碰到了 JDK-8180450，这是一个5年前的bug，它所描述的问题和我们遇到的一模一样。讽刺的是，在真正找到答案之前，我们并不能确定是这个bug。

我们倾向于认为现在的JVM是一个高度优化的环境，在很多场景中展示出了类似C+++的性能。虽然对于大多数负载来说是正确的，但需要提醒的是，JVM中运行的特定负载可能不仅仅受应用代码的设计和实现的影响，还会受到JVM自身的影响，本文中我们描述了如何利用PMC来发现JVM原生代码的瓶颈，对其打补丁，并且随后使负载的吞吐量提升了3倍以上。当遇到这类性能问题时，唯一的解决方案是在CPU微体系结构层面进行挖掘。intel vTune使用PMC提供了有价值的信息(如通过m5.12xl实例类型暴露出来的信息)。在云环境中跨所有实例类型和大小公开一组更全面的PMC和PEBS可以为更深入的性能分析铺平道路，并可能获得更大的性能收益。