通過硬件計數器，將性能提升3倍之旅
通過硬件計數器，將性能提升3倍之旅
翻譯自：Seeing through hardware counters: a journey to threefold performance increase
本文通過對CPU層面的代碼挖掘，發現JVM存在的問題，並通過對JVM打補丁的方式解決了大實例下性能不足的問題。
在前面的文章中，我們概述了可觀測性的三大領域：整體範圍，微服務和實例。我們描述了洞察每個領域所使用的工具和技術。然而，還有一類問題需要深入到CPU微體系架構中。本文我們將描述一個此類問題，並使用工具來解決該問題。
問題概述
問題起始於一個常規遷移。在Netflix，我們會定期對負載進行重新評估來優化可用容量的利用率。我們計劃將一個Java微服務(暫且稱之為GS2)遷移到一個更大的AWS實例上，規格從m5.4xl(16 vCPU)變為m5.12xl(48 vCPU)。GS2是計算密集型的，因此CPU就成為了受限資源。雖然我們知道，隨着vCPU數量的增長，吞吐量幾乎不可能實現線性增長，但可以近線性增長。在大型實例上進行整合可以分攤後台任務產生的開銷，為請求留出更多的資源，並可以抵消亞線性縮放。由於12xl實例的vCPU數是4xl實例的3倍，因此我們預期每個實例的吞吐量能夠提升3倍。在快速進行了一次金絲雀測試後發現沒有發現錯誤，並展示了更低的延遲，該結果符合預期，在我們的標準金絲雀配置中，會將流量平均路由到運行在4xl上的基準以及運行在12xl上的金絲雀上。由於GS2依賴 AWS EC2 Auto Scaling來達到目標CPU利用率，一開始我們認為只要將服務重新部署到大型實例上，然後等待 ASG (Auto Scaling Group)達到目標CPU即可，但不幸的是，一開始的結果與我們的預期相差甚遠：
第一張圖展示了單節點吞吐量和CPU利用率之間的關係，第二張圖展示了平均請求延遲。可以看到當CPU大致達到50%時，平均吞吐量僅僅增加了約25%，大大低於預期。更糟糕的是，平均延遲則增加了50%，CPU和延遲的波動也更大。GS2是一個無狀態服務，它使用輪詢方式的負載均衡器來接收流量，因此所有節點應該接收到幾乎等量的流量。RPS(Requests Per Second)也顯示了，不同節點的吞吐量變化很少：
但當我們查看節點的CPU和延遲時，發現了一個奇怪的模式：
儘管我們確認了節點之間的流量分佈相當，但CPU和延遲度量卻展示了一種非常不同的雙峰分佈模式。”低波段”的節點展示了很低的CPU和延遲，且幾乎沒有波動，而”高波段”的節點則具有相當高的CPU和延遲，以及更大的波動。我們發現大約12%的節點處於低波段中，隨着時間的推移，這一圖形讓人產生懷疑。兩種波段中，在(節點上的)JVM的整個運行時間內，其性能特點保持一致，即節點不會跳出其所在的波段。我們就此開始進行問題定位。
首次嘗試解決
一開始我們嘗試對比快慢兩種節點的火焰圖。雖然火焰圖清晰地給出了採樣到的CPU利用率之間的差異，但堆棧之間的分佈保持不變，因此並沒有獲得有價值的結論。我們轉而使用JVM專用的性能採樣，從基本的hotspot 統計到更詳細的 JFR (Java Flight Recorder)來比較事件分佈，然而還是一無所獲，快慢兩種節點的事件數量和分佈都沒有出現值得關注的差異。我們仍然懷疑JIT行為可能有問題，通過對perf-map-agent 採集的符號映射進行了一些基本統計，結果發現了另一個死角。
False Sharing
在確定沒有在app-，OS-和JVM層面有所遺漏之後，我們感覺答案可能隱藏在更低的層次。幸運的是，m5.12xl實例類型暴露了一組PMCs (Performance Monitoring Counters, 即PMU 計數器)，因此我們可以使用PerfSpect採集一組基線計數器數據：
在上表中，低CPU/延遲的節點代表”快節點”，而高CPU/延遲的節點代表”慢節點”。除了CPU上的明顯差異外，還看到慢節點的CPI幾乎是快節點的3倍。此外，我們還看到了更高的L1緩存活動以及4倍的MACHINE_CLEARS計數。一種常見的導致這種現象的原因稱為false sharing，即當2個core讀/寫恰好共享同一L1 cache line的不相關的變量的模式。Cache line是一個類似內存頁的概念，數據塊(x86系統通常為64位元組)會進出該緩存，過程如下：
圖中的每個core都有自己的私有緩存，由於兩個cores會訪問相同的內存空間，因此必須保證緩存一致。這種一致性稱為緩存一致協議。Thread 0會寫入紅色變量，一致性協議會將Thread 0中的整個cache line標記為”已修改”，並將Thread 1的緩存標記為”無效”。而後，當Thread 1讀取藍色變量時，即使藍色變量不是”已修改”的，一致性協議也會強制從緩存中重載上次修改的內容(本例中為Thread 0的緩存)到cache line中。解決私有緩存之間的一致性需要花費一定時間並導致CPU暫停。此外，還需要通過最後一級共享緩存的控制器來監控來回的一致性流量，進而導致更多的暫停。我們認為CPU緩存一致性是理所當然的，但這種false sharing模式表明，如果只讀取與無關數據相鄰的變量時，就會造成巨大的性能損耗。
根據已掌握的知識，我們使用 Intel vTune 來進行微體系架構的性能採樣。通過研究熱點方法以及彙編代碼，我們找出了超過100CPI的指令(執行非常慢的指標)，如下：
1到6的編號表示源代碼和vTune彙編視圖中對應的相同代碼/變量。紅色箭頭表示的CPI值可能屬於上一條指令，這是由於在沒有PEBS(基於處理器事件的採樣)的情況下進行了性能採樣，並且通常是被單條指令關閉的。(5)中的repne scan是一個相對少見的定義在JVM代碼庫中的操作，我們將這個代碼片段鏈接到用於子類檢查的例程(在撰寫本文時，JDK主線中存在相同的代碼)中。關於HotSpot中的子類型檢查的細節超出了本文的範疇，有興趣的可以參見2002年出版的Fast Subtype Checking in the HotSpot JVM。基於該工作負載中使用的類層次結構的特點，我們不斷更新(6) _secondary_super_cache字段的代碼路徑，它是最後找到的二級父類的單元素緩存，注意該字段與_secondary_supers相鄰。_secondary_supers是所有父類的列表，會在掃描開始時讀取(1)。多線程會對這些字段進行讀寫操作，且如果字段(1)和(6)處於相同的cache line，那麼就會出現false sharing的情況。在上圖中，我們使用紅色和藍色高亮了這些導致false sharing的字段。
由於cache line的長度為64位元組，而指針長度為8位元組，因此這些字段有1/8的機會讓處於不同的cache line中，有7/8的機會共享相同的cache line。1/8的即12.5%，這與前面觀測到的快節點的比例相同。
問題的修復需要設涉及對JDK的補丁操作，我們在_secondary_super_cache 和 _secondary_supers字段中間插入padding來保證它們不會使用相同的cache line。注意我們並沒有修改JDK的功能，只是變更了數據布局：
部署補丁之後的效果立竿見影。下圖中節點上的CPU出現了斷崖式下降。在這裡，我們可以看到中午進行了一次紅黑部署，而新的ASG和修補後的JDK在12:15時生效：
此時CPU和延遲展示了相似的曲線，慢波段節點消失不見。
True Sharing
隨着自動擴容達到CPU目標，但我們注意到單個節點仍然無法處理超過150RPS，而我們的目標是250RPS。針對補丁版本的JDK進行的又一輪vTune性能採樣，發現圍繞二級父類的緩存查找出現了瓶頸。在經過補丁之後又出現了相同的問題，一開始讓人感到困惑，但在仔細研究後發現，現在我們使用的是true sharing，與false sharing不同，兩個獨立的變量共享了一個cache line，true sharing指相同的變量會被多線程/core讀寫。這種情況下，CPU強制內存排序是導致速度減慢的原因。我們推斷，消除false sharing並提高了總吞吐量會導致增加相同JVM父類緩存代碼路徑的執行次數。本質上，我們有更高的執行並發性，但由於CPU強制內存排序協議，導致父類緩存壓力過大。通常的解決方式是避免一起寫入相同的共享變量，這樣就可以有效地繞過JVM的輔助父類緩存。由於此變更改變了JDK的行為，因此我們使用了命令行標誌，完整的補丁如下：
在禁用父類緩存寫操作之後的結果如下：
可以看到在CPU達到目標55%的情況下，吞吐量達到了350 RPS，是我們一開始使用m5.12xl的吞吐量的3.5倍，同時降低了平均和尾部延遲。
後續工作
在我們的場景下，禁用寫入二級父類緩存工作良好，雖然這並不一定適用於所有場景，但過程中使用到的方法，工具集可能會對遇到類似現象的人有所幫助。在處理該問題時，我們碰到了 JDK-8180450，這是一個5年前的bug，它所描述的問題和我們遇到的一模一樣。諷刺的是，在真正找到答案之前，我們並不能確定是這個bug。
總結
我們傾向於認為現在的JVM是一個高度優化的環境，在很多場景中展示出了類似C+++的性能。雖然對於大多數負載來說是正確的，但需要提醒的是，JVM中運行的特定負載可能不僅僅受應用代碼的設計和實現的影響，還會受到JVM自身的影響，本文中我們描述了如何利用PMC來發現JVM原生代碼的瓶頸，對其打補丁，並且隨後使負載的吞吐量提升了3倍以上。當遇到這類性能問題時，唯一的解決方案是在CPU微體系結構層面進行挖掘。intel vTune使用PMC提供了有價值的信息(如通過m5.12xl實例類型暴露出來的信息)。在雲環境中跨所有實例類型和大小公開一組更全面的PMC和PEBS可以為更深入的性能分析鋪平道路，並可能獲得更大的性能收益。
