前言

最近閑魚技術團隊在Flutter+Dart的多端一體化的基礎上，實現了FaaS研發模式。Dart吸取了其它高級語言設計的精華，例如Smalltalk的Image技術、JVM的HotSpot和Dart編譯技術又師出同門。由Dart實現的語言容器，它可以在啟動速度、運行性能有不錯的表現。Dart提供了AoT、JIT的編譯方式，JIT擁有Kernel和AppJIT的運行模式，此外服務端應用有各自不同的運行特點，那么如何選擇合理的編譯方法來提升應用的性能？接下來我們用一些有典型特點的案例來引入我們在Dart編譯方案的實踐和思考。

案例詳情

相應的，我們準備了短周期應用（EmptyMain & Fibonnacci & faas_tool）,長周期應用（HttpServer）分別來說明不同的編譯方法在各種場景下的性能表現

測試環境參考

#實驗機1 Mac OS X 10.14.3 Intel(R) Core(TM) i7-4770HQ CPU @ 2.20GHz * 4 / 16GB RAM#實驗機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

短周期應用

Case1. EmptyMain

例子是一個空函數實現，以此來評估語言平臺本身的啟動性能，我們使用默認參數編譯一個snapshot

#1.默認條件下的app-jit snapshot生成 dart snapshot-kind=app-jit snapshot=empty_main.snapshot empty_main.dart

測試結果

?

• 作為現代高級語言Dart和Java在啟動速度上在同一水平線
• C語言的啟動速度是其它語言的20x，基本原因是C沒有Java、Dart語言平臺的Runtime
• Kernel和AppJIT方式運行有穩定的微小差異，總體AppJIT優于Kernel

Case2. Fibonacci數列

我們分別用C、Java、Dart用遞歸實現Fibonacci(50)數列，來考察編譯工作對性能的影響。

long fibo(long n){if(n < 2){return n;}return fibo(n - 1) + fibo(n - 2); }

AppJIT使用優化閾值實現激進優化,這樣編譯器在Training Run中立即獲得生成Optimized代碼

#2.執行激進優化 dart --no-background-compilation \--optimization-counter-threshold=1 \ --snapshot-kind=app-jit \--snapshot=fibonacci.snapshotfibonacci.dart

將Fibonacci編譯成Kernel

#3.生成Kernel snapshot dart --snapshot=fibonacci.snapshot fibonacci.dart

AoT的Runtime不在Dart SDK里，需要自行編譯AoT Runtime

#4.AoT編譯 pkg/vm/tools/precompiler2 fibonacci.dart fibonacci.aot#5.AoT的方式執行 out/ReleaseX64/dart_precompiled_runtime fibonacci.aot

測試結果

?

• Dart JIT對比下,AppJIT在激進優化后性能稍好于Kernel，差距微小，編譯的成本占比可以忽略不計
• Dart AoT模式下的性能約為JIT的1/6不到
• JIT運行模式下，HotSpot的執行性能最優，優于Dart AppJIT 25%以上
• 包括C語言在內的AoT運行模式性能均低于JIT,Dart AppJIT性能優于25%

問題

AoT由于自身的特性(和語言無關)，無法在運行時基于Profile實現代碼優化，峰值性能在此場景下要差很多，但是為何Dart VM比HotSpot有25%的差距？接下來我們針對Fibonacci做進一步優化

#6.編譯器調優，調整遞歸內聯深度 dart --inlining_recursion_depth_threshold=5 fibonacci.snapshot 50#7.編譯器調優，HotSpot調整遞歸內聯深度 java -XX:MaxRecursiveInlineLevel=5 Fabbonacci 50

測試結果

• HotSpot VM性能全面領先于Dart VM;兩者在最優情況下HotSpot VM的性能優于Dart 9%左右
• Dart VM 借助JIT調優，性能有大幅提升，相比默認情況有40%左右的提升
• Dart AppJIT 性能微弱領先Kernel

也許也不難想象JVM HotSpot目前在服務器開發領域上的相對Dart成熟，相比HotSpot，DartVM的“出廠設置”比較保守，當然我們也可以大膽猜測，在服務端應用下應該還有除JIT的其它優化空間；
和Case1相同，Kernel模式的性能依然低于AppJIT,主要原因是Kernel在運行前期需要把AST轉換為堆數據結構、經歷Compile、Compile Optimize等過程，而在適當Training run后的AppJIT snapshot在VM啟動時以優化后的IL(中間代碼)執行，但很快Kernel會追上App-jit，最后性能保持持平。有興趣的讀者可以參閱Vyacheslav Egorov?Dart VM的文章。

Case3. FaaS容器編譯工具

在前面我們提到過Dart版本的FaaS語言容器，為追求極致的研發體驗，我們需要縮短用戶Function打包到部署運行的時間。就語言容器層面而言，Dart提供的Snapshot技術可以大大提升啟動速度，但是從用戶Function到Snapshot（如下圖）生成所產生的編譯時間在不做優化的情況下超過10秒,還遠遠達不到極致體驗的要求。我們這里通過一些測試，來尋找提升性能的途徑

faas_tool是一個完全用Dart編寫的代碼編譯、生成工具。依托于faas_tool, Function的編寫者不用關心如何打包、接入中間件，faas_tool提供一系列的模版及代碼生成工具可以將用戶的使用成本降低，此外faas_tool還提供了HotReload機制可以快速響應變更。

這次我們提供了基于AoT、Kernel、AppJIT的用例來執行Function構建流程，分別記錄時間消耗、中間產物大小、產物生成時間。為了驗證在JIT場景下DartVM是否可通過調整Complier的行為帶來性能提升，我們增加了JIT的測試分組

測試結果

FaaS編譯工具-執行情況柱形圖?

• AoT>AppJIT>kernel，其中AoT比優化后的AppJIT有3倍左右性能提升，性能是Source的1000倍
• JIT(Kernel, AppJIT)分組下，通過在運行時減少CompilerOptimize或暫停PGO可以提升性能

很顯然faas_tool最終選擇了AoT編譯，但是性能結果和Case2大相徑庭，為了搞清楚原因我們進一步做一下CPU Profile

CPU Profile

AppJIT

Dart App-jit模式 43%以上的時間參與編譯,當然取消代碼優化,可以讓編譯時間大幅下降，在優化情況下可以將這個比率下降到13%

Kernel

Kernel模式有61%以上的CPU時間參與編譯工作, 如果關閉JIT優化代碼生成,性能有15%左右提升,反之進行激進優化將有1倍左右的性能損耗

AoT下的編譯成本

AoT模式下在運行時幾乎編譯和優化成本(CompileOptimized、CompileUnoptimized、CompileUnoptimized 占比為0)，直接以目標平臺的代碼執行，因此性能要好很多。

P.S. DartVM 的Profile模塊在后期的版本升級更改了Tag命名, 有需要進一步了解的讀者參考VM Tags

附：DartVM調優和命令代碼

#8.模擬單核并執行激進優化 dart --no-background-compilation \--optimization-counter-threshold=1 \ tmp/faas_tool.snapshot.kernel #9.JIT下關閉優化代碼生成 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

長周期應用

HttpServer

我們用一個簡單的Dart版的HttpServer作為典型長周期應用的測試用例，該用例中有JsonToObject、ObjectToJson的轉換，然后response輸出。我們分別用Source、Kernel以及AppJIT的方式在一定的并發量下運行一段時間

void processReq(HttpRequest request){try{final List<Map<String,dynamic>> buf = <Map<String,dynamic>>[];final Boss boss = new Boss(numOfEmployee: 10);//Json反序列化對象getHeadCount(max: 20).forEach((hc){boss.hire(hc.idType, hc.docId);buf.add(hc.toJson());});request.response.headers.add('cal','${boss.calc()}');//Json對象轉JsonStringrequest.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();} }

測試結果

?
Y軸表示成功的請求量，X軸為時間

• 上面三種無論是何種方式啟動，最終的運行時性能趨向一致，編譯成本在后期可以忽略不計，這也是JIT的運行特點
• 在AppJIT模式下在應用啟動起初就有接近峰值的性能，即使在Kernel模式下也需要時間預熱達到峰值性能，Source模式下VM啟動需要2秒以上，因此需要相對更長時間達到峰值性能。從另一方面看應用很快完成了預熱，不久達到了峰值性能

P.S. 長周期的應用Optimize Compiler會經過Optimize->Deoptimize->Reoptimize的過程, 由于此案例比較簡
單，沒體現Deoptimize到Reoptimize的表現

附：VM調優腳本

#12.調整當前isolate的新生代大小，默認2M最大32M的新生代大小造成頻繁的YGC dart --new_gen_semi_max_size=512 \--new_gen_semi_initial_size=512 \ http_server.dart \--interval=2

總結和展望

Dart編譯方式的選擇

• 編譯成本為主導的應用，應優先考慮AoT來提高應用性能
• 長周期的應用在啟動后期編譯成本可忽略，應該選擇JIT方式并開啟Optimize?Compiler,讓優化器介入
• 長周期的應用可以選擇Kernel的方式來提升啟動速度，通過AppJIT的方式進一步縮短warmup時間

AppJIT減少了編譯預熱的成本，這個特性非常適合對一些高并發應用在線擴容。Kernel作為Dart編譯技術的前端，其平臺無關性將繼續作為整個Dart編譯工具鏈的基礎。

在FaaS構建方案的選擇

通過CPU Profile得出faas_tool是一個編譯成本主導的應用，最終選擇了AoT編譯方案，結果大大提升了語言容器的構建的構建速度，很好滿足了faas對開發效率的訴求

仍需改進的地方

從JIT性能表現來看，DartVM JIT的運行時性和HotSpot相比有提升余地，由于Dart語言作為服務端開發的歷史不長，也許隨著Dart在服務端的技術應用全面推廣，相信DarVM在編譯器后端技術上對服務器級的處理器架構做更多優化

?

原文鏈接
本文為云棲社區原創內容，未經允許不得轉載。

總結

以上是生活随笔為你收集整理的Dart编译技术在服务端的探索和应用的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。