Dart编译技术在服务端的探索和应用
liutong 2019-07-01
前言
最近闲鱼技术团队在Flutter+Dart的多端一体化的基础上，实现了FaaS研发模式。Dart吸取了其它高级语言设计的精华，例如Smalltalk的Image技术、JVM的HotSpot和Dart编译技术又师出同门。由Dart实现的语言容器，它可以在启动速度、运行性能有不错的表现。Dart提供了AoT、JIT的编译方式，JIT拥有Kernel和AppJIT的运行模式，此外服务端应用有各自不同的运行特点，那么如何选择合理的编译方法来提升应用的性能？接下来我们用一些有典型特点的案例来引入我们在Dart编译方案的实践和思考。
案例详情
相应的，我们准备了短周期应用（EmptyMain & Fibonnacci & faas_tool）,长周期应用（HttpServer）分别来说明不同的编译方法在各种场景下的性能表现
测试环境参考
#实验机1 Mac OS X 10.14.3 Intel(R) Core(TM) i7-4770HQ CPU @ 2.20GHz * 4 / 16GB RAM #实验机2 Linux x86_64 Intel(R) Xeon(R) CPU E5-2650 v2 @ 2.60GHz * 4 / 8GB RAM #Dart版本 Dart Ver. 2.2.1-edge.eeb8fc8ccdcef46e835993a22b3b48c0a2ccc6f1 #Java HotSpot版本 Java build 1.8.0_121-b13 Java HotSpot(TM) 64-Bit Server VM (build 25.121-b13, mixed mode) #GCC版本 Apple LLVM version 10.0.1 (clang-1001.0.46.3) Target: x86_64-apple-darwin18.2.0 Thread model: posix
短周期应用
Case1. EmptyMain
例子是一个空函数实现，以此来评估语言平台本身的启动性能，我们使用默认参数编译一个snapshot
#1.默认条件下的app-jit snapshot生成 dart snapshot-kind=app-jit snapshot=empty_main.snapshot empty_main.dart
测试结果
- 作为现代高级语言Dart和Java在启动速度上在同一水平线
- C语言的启动速度是其它语言的20x，基本原因是C没有Java、Dart语言平台的Runtime
- Kernel和AppJIT方式运行有稳定的微小差异，总体AppJIT优于Kernel
Case2. Fibonacci数列
我们分别用C、Java、Dart用递归实现Fibonacci(50)数列，来考察编译工作对性能的影响。
long fibo(long n){
if(n < 2){
return n;
}
return fibo(n - 1) + fibo(n - 2);
}AppJIT使用优化阈值实现激进优化,这样编译器在Training Run中立即获得生成Optimized代码
#2.执行激进优化
dart --no-background-compilation \
--optimization-counter-threshold=1 \
--snapshot-kind=app-jit \
--snapshot=fibonacci.snapshot
fibonacci.dart将Fibonacci编译成Kernel
#3.生成Kernel snapshot dart --snapshot=fibonacci.snapshot fibonacci.dart
AoT的Runtime不在Dart SDK里，需要自行编译AoT Runtime
#4.AoT编译 pkg/vm/tools/precompiler2 fibonacci.dart fibonacci.aot #5.AoT的方式执行 out/ReleaseX64/dart_precompiled_runtime fibonacci.aot
测试结果
- Dart JIT对比下,AppJIT在激进优化后性能稍好于Kernel，差距微小，编译的成本占比可以忽略不计
- Dart AoT模式下的性能约为JIT的1/6不到
- JIT运行模式下，HotSpot的执行性能最优，优于Dart AppJIT 25%以上
- 包括C语言在内的AoT运行模式性能均低于JIT,Dart AppJIT性能优于25%
问题
AoT由于自身的特性(和语言无关)，无法在运行时基于Profile实现代码优化，峰值性能在此场景下要差很多，但是为何Dart VM比HotSpot有25%的差距？接下来我们针对Fibonacci做进一步优化
#6.编译器调优，调整递归内联深度 dart --inlining_recursion_depth_threshold=5 fibonacci.snapshot 50 #7.编译器调优，HotSpot调整递归内联深度 java -XX:MaxRecursiveInlineLevel=5 Fabbonacci 50
测试结果
- HotSpot VM性能全面领先于Dart VM;两者在最优情况下HotSpot VM的性能优于Dart 9%左右
- Dart VM 借助JIT调优，性能有大幅提升，相比默认情况有40%左右的提升
- Dart AppJIT 性能微弱领先Kernel
也许也不难想象JVM HotSpot目前在服务器开发领域上的相对Dart成熟，相比HotSpot，DartVM的“出厂设置”比较保守，当然我们也可以大胆猜测，在服务端应用下应该还有除JIT的其它优化空间；
和Case1相同，Kernel模式的性能依然低于AppJIT,主要原因是Kernel在运行前期需要把AST转换为堆数据结构、经历Compile、Compile Optimize等过程，而在适当Training run后的AppJIT snapshot在VM启动时以优化后的IL(中间代码)执行，但很快Kernel会追上App-jit，最后性能保持持平。有兴趣的读者可以参阅Vyacheslav Egorov Dart VM的文章。
Case3. FaaS容器编译工具
在前面我们提到过Dart版本的FaaS语言容器，为追求极致的研发体验，我们需要缩短用户Function打包到部署运行的时间。就语言容器层面而言，Dart提供的Snapshot技术可以大大提升启动速度，但是从用户Function到Snapshot（如下图）生成所产生的编译时间在不做优化的情况下超过10秒,还远远达不到极致体验的要求。我们这里通过一些测试，来寻找提升性能的途径
faas_tool是一个完全用Dart编写的代码编译、生成工具。依托于faas_tool, Function的编写者不用关心如何打包、接入中间件，faas_tool提供一系列的模版及代码生成工具可以将用户的使用成本降低，此外faas_tool还提供了HotReload机制可以快速响应变更。
这次我们提供了基于AoT、Kernel、AppJIT的用例来执行Function构建流程，分别记录时间消耗、中间产物大小、产物生成时间。为了验证在JIT场景下DartVM是否可通过调整Complier的行为带来性能提升，我们增加了JIT的测试分组
测试结果
- AoT>AppJIT>kernel，其中AoT比优化后的AppJIT有3倍左右性能提升，性能是Source的1000倍
- JIT(Kernel, AppJIT)分组下，通过在运行时减少CompilerOptimize或暂停PGO可以提升性能
很显然faas_tool最终选择了AoT编译，但是性能结果和Case2大相径庭，为了搞清楚原因我们进一步做一下CPU Profile
CPU Profile
AppJIT
Dart App-jit模式 43%以上的时间参与编译,当然取消代码优化,可以让编译时间大幅下降，在优化情况下可以将这个比率下降到13%
Kernel
Kernel模式有61%以上的CPU时间参与编译工作, 如果关闭JIT优化代码生成,性能有15%左右提升,反之进行激进优化将有1倍左右的性能损耗
AoT下的编译成本
AoT模式下在运行时几乎编译和优化成本(CompileOptimized、CompileUnoptimized、CompileUnoptimized 占比为0)，直接以目标平台的代码执行，因此性能要好很多。
P.S. DartVM 的Profile模块在后期的版本升级更改了Tag命名, 有需要进一步了解的读者参考VM Tags
附：DartVM调优和命令代码
#8.模拟单核并执行激进优化
dart --no-background-compilation \
--optimization-counter-threshold=1 \
tmp/faas_tool.snapshot.kernel
#9.JIT下关闭优化代码生成
dart --optimization-counter-threshold=-1 \
tmp/faas_tool.snapshot.kernel
#10\. Appjit verbose snapshot
dart --print_snapshot_sizes \
--print_snapshot_sizes_verbose \
--deterministic \
--snapshot-kind=app-jit \
--snapshot=/tmp/faas_tool.snapshot faas_tool.dart \
#11.Profile CPU 和 timeline
dart --profiler=true \
--startup_timeline=true \
--timeline_dir=/tmp \
--enable-vm-service \
--pause-isolates-on-exit faas_tool.snapshot长周期应用
HttpServer
我们用一个简单的Dart版的HttpServer作为典型长周期应用的测试用例，该用例中有JsonToObject、ObjectToJson的转换，然后response输出。我们分别用Source、Kernel以及AppJIT的方式在一定的并发量下运行一段时间
void processReq(HttpRequest request){
try{
final List<Map<String,dynamic>> buf = <Map<String,dynamic>>[];
final Boss boss = new Boss(numOfEmployee: 10);
//Json反序列化对象
getHeadCount(max: 20).forEach((hc){
boss.hire(hc.idType, hc.docId);
buf.add(hc.toJson());
});
request.response.headers.add('cal','${boss.calc()}');
//Json对象转JsonString
request.response.write(jsonEncode(buf));
request.response.close()
.then((v) => counter_success ++)
.timeout(new Duration(seconds:3))
.catchError((e) => counter_fail ++));
}
catch(e){
request.response.statusCode = 500;
counter_fail ++;
request.response.close();
}
}测试结果
- 上面三种无论是何种方式启动，最终的运行时性能趋向一致，编译成本在后期可以忽略不计，这也是JIT的运行特点
- 在AppJIT模式下在应用启动起初就有接近峰值的性能，即使在Kernel模式下也需要时间预热达到峰值性能，Source模式下VM启动需要2秒以上，因此需要相对更长时间达到峰值性能。从另一方面看应用很快完成了预热，不久达到了峰值性能
P.S. 长周期的应用Optimize Compiler会经过Optimize->Deoptimize->Reoptimize的过程, 由于此案例比较简
单，没体现Deoptimize到Reoptimize的表现
附：VM调优脚本
#12.调整当前isolate的新生代大小，默认2M最大32M的新生代大小造成频繁的YGC
dart --new_gen_semi_max_size=512 \
--new_gen_semi_initial_size=512 \
http_server.dart \
--interval=2总结和展望
Dart编译方式的选择
- 编译成本为主导的应用，应优先考虑AoT来提高应用性能
- 长周期的应用在启动后期编译成本可忽略，应该选择JIT方式并开启Optimize Compiler,让优化器介入
- 长周期的应用可以选择Kernel的方式来提升启动速度，通过AppJIT的方式进一步缩短warmup时间
AppJIT减少了编译预热的成本，这个特性非常适合对一些高并发应用在线扩容。Kernel作为Dart编译技术的前端，其平台无关性将继续作为整个Dart编译工具链的基础。
在FaaS构建方案的选择
通过CPU Profile得出faas_tool是一个编译成本主导的应用，最终选择了AoT编译方案，结果大大提升了语言容器的构建的构建速度，很好满足了faas对开发效率的诉求
仍需改进的地方
从JIT性能表现来看，DartVM JIT的运行时性和HotSpot相比有提升余地，由于Dart语言作为服务端开发的历史不长，也许随着Dart在服务端的技术应用全面推广，相信DarVM在编译器后端技术上对服务器级的处理器架构做更多优化。
本文作者：闲鱼技术-无浩
本文为云栖社区原创内容，未经允许不得转载。
