需求

系統的實體記憶體是有限的，而對記憶體的需求是變化的, 程式的動態性越強，記憶體管理就越重要，選擇合適的記憶體管理演算法會帶來明顯的效能提升。
比如nginx， 它在每個連線accept後會malloc一塊記憶體，作為整個連線生命週期內的記憶體池。 當HTTP請求到達的時候，又會malloc一塊當前請求階段的記憶體池, 因此對malloc的分配速度有一定的依賴關係。(而apache的記憶體池是有父子關係的，請求階段的記憶體池會和連線階段的使用相同的分配器，如果連線記憶體池釋放則請求階段的子記憶體池也會自動釋放)。

目標

記憶體管理可以分為三個層次，自底向上分別是：

• 作業系統核心的記憶體管理
• glibc層使用系統呼叫維護的記憶體管理演算法
• 應用程式從glibc動態分配記憶體後，根據應用程式本身的程式特性進行優化， 比如使用引用計數std::shared_ptr，apache的記憶體池方式等等。
  當然應用程式也可以直接使用系統呼叫從核心分配記憶體，自己根據程式特性來維護記憶體，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

一個優秀的通用記憶體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
• 儘量避免記憶體碎片
• 快取本地化友好
• 通用性，相容性，可移植性，易除錯

現狀

目前大部分服務端程式使用glibc提供的malloc/free系列函式，而glibc使用的ptmalloc2在效能上遠遠弱後於google的tcmalloc和facebook的jemalloc。 而且後兩者只需要使用LD_PRELOAD環境變數啟動程式即可，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

系統呼叫介面

上圖是 x86_64 下 Linux 程序的預設地址空間, 對 heap 的操作, 作業系統提供了brk()系統呼叫，設定了Heap的上邊界； 對 mmap 對映區域的操作,操作系 統 供了 mmap()和 munmap()函式。
因為系統呼叫的代價很高，不可能每次申請記憶體都從核心分配空間，尤其是對於小記憶體分配。 而且因為mmap的區域容易被munmap釋放，所以一般大記憶體採用mmap()，小記憶體使用brk()。

多執行緒支援

• 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向作業系統批發申請HEAP_MAX_SIZE（64位系統為64MB）大小的虛擬記憶體。 當某個執行緒呼叫malloc的時候，會先檢視執行緒私有變數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連結串列試圖獲取一個沒加鎖的arena， 如果依然獲取不到則建立一個新的非主分配區。
• free()的時候也要獲取鎖。分配小塊記憶體容易產生碎片，ptmalloc在整理合並的時候也要對arena做加鎖操作。線上程多的時候，鎖的開銷就會增大。

ptmalloc記憶體管理

• 使用者請求分配的記憶體在ptmalloc中使用chunk表示， 每個chunk至少需要8個位元組額外的開銷。 使用者free掉的記憶體不會馬上歸還作業系統，ptmalloc會統一管理heap和mmap區域的空閒chunk，避免了頻繁的系統呼叫。

• ptmalloc 將相似大小的 chunk 用雙向連結串列連結起來, 這樣的一個連結串列被稱為一個 bin。Ptmalloc 一共 維護了 128 個 bin,並使用一個數組來儲存這些 bin(如下圖所示)。
  
  陣列中的第一個為 unsorted bin, 陣列中從 2 開始編號的前 64 個 bin 稱為 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會首先把它們合併為一個大的 chunk, 然後將合併後的 chunk 放到 unstored bin 中。 另外ptmalloc 為了提高分配的速度,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的空間分配記憶體。 對於非主分配區會預先通過mmap分配一大塊記憶體作為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中分出一塊記憶體給使用者, 如果top chunk本身不夠大, 分配程式會重新mmap分配一塊記憶體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作業系統。主分配區類似，不過通過sbrk()分配和調整top chunk的大小，只有heap頂部連續記憶體空閒超過閾值的時候才能回收記憶體。
• 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 來直接使用記憶體對映來將頁對映到程序空間。

ptmalloc分配流程

ptmalloc的缺陷

• 後分配的記憶體先釋放,因為 ptmalloc 收縮記憶體是從 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。
• 多執行緒鎖開銷大， 需要避免多執行緒頻繁分配釋放。
• 記憶體從thread的areana中分配， 記憶體不能從一個arena移動到另一個arena， 就是說如果多執行緒使用記憶體不均衡，容易導致記憶體的浪費。 比如說執行緒1使用了300M記憶體，完成任務後glibc沒有釋放給作業系統，執行緒2開始建立了一個新的arena， 但是執行緒1的300M卻不能用了。
• 每個chunk至少8位元組的開銷很大
• 不定期分配長生命週期的記憶體容易造成記憶體碎片，不利於回收。 64位系統最好分配32M以上記憶體，這是使用mmap的閾值。

tcmalloc

tcmalloc是Google開源的一個記憶體管理庫， 作為glibc malloc的替代品。目前已經在chrome、safari等知名軟體中運用。
根據官方測試報告，ptmalloc在一臺2.8GHz的P4機器上（對於小物件）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。

小物件分配

• tcmalloc為每個執行緒分配了一個執行緒本地ThreadCache，小記憶體從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。
• 小物件（<=32K）從ThreadCache分配，大物件從CentralCache分配。大物件分配的空間都是4k頁面對齊的，多個pages也能切割成多個小物件劃分到ThreadCache中。
  
  小物件有將近170個不同的大小分類(class)，每個class有個該大小記憶體塊的FreeList單鏈表，分配的時候先找到best fit的class，然後無鎖的獲取該連結串列首元素返回。如果連結串列中無空間了，則到CentralCache中劃分幾個頁面並切割成該class的大小，放入連結串列中。

CentralCache分配管理

• 大物件(>32K)先4k對齊後，從CentralCache中分配。 CentralCache維護的PageHeap如下圖所示， 陣列中第256個元素是所有大於255個頁面都掛到該連結串列中。
  
• 當best fit的頁面連結串列中沒有空閒空間時，則一直往更大的頁面空間則，如果所有256個連結串列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為span.
  如果span未分配， 則span是PageHeap中的一個連結串列元素
  如果span已經分配，它可能是返回給應用程式的大物件， 或者已經被切割成多小物件，該小物件的size-class會被記錄在span中
• 在32位系統中，使用一箇中央陣列(central array)映射了頁面和span對應關係， 陣列索引號是頁面號，陣列元素是頁面所在的span。 在64位系統中，使用一個3-level radix tree記錄了該對映關係。

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。
• 如果是小物件，span會告訴我們他的size class，然後把該物件插入當前執行緒的ThreadCache中。如果此時ThreadCache超過一個預算的值（預設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。
• 如果是大物件，span會告訴我們物件鎖在的頁面號範圍。 假設這個範圍是[p,q]， 先查詢頁面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連結串列。如果span的連結串列中所有object已經free， 則span回收到PageHeap中。

tcmalloc的改進

• ThreadCache會階段性的回收記憶體到CentralCache裡。 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位元組物件可能要使用大約8N * 1.01位元組的空間。即，多用百分之一的空間。Ptmalloc2使用最少8位元組描述一個chunk。
• 更快。小物件幾乎無鎖， >32KB的物件從CentralCache中分配使用自旋鎖。 並且>32KB物件都是頁面對齊分配，多執行緒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。

效能對比

官方測試

測試環境是2.4GHz dual Xeon，開啟超執行緒，redhat9，glibc-2.3.2, 每個執行緒測試100萬個操作。

上圖中可以看到尤其是對於小記憶體的分配， tcmalloc有非常明顯效能優勢。

上圖可以看到隨著執行緒數的增加，tcmalloc效能上也有明顯的優勢，並且相對平穩。

github mysql優化

Jemalloc

jemalloc是facebook推出的， 最早的時候是freebsd的libc malloc實現。 目前在firefox、facebook伺服器各種元件中大量使用。

jemalloc原理

• 與tcmalloc類似，每個執行緒同樣在<32KB的時候無鎖使用執行緒本地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物件查詢metadata需要常量時間， huge物件通過全域性紅黑樹在對數時間內查詢。
• 虛擬記憶體被邏輯上分割成chunks（預設是4MB，1024個4k頁），應用執行緒通過round-robin演算法在第一次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物件。free()的記憶體總是返回到所屬的arena中，而不管是哪個執行緒呼叫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個頁面關聯的物件狀態）， header下方就是它的頁面空間。 Small物件被分到一起， metadata資訊存放在起始位置。 large chunk相互獨立，它的metadata資訊存放在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。
  並且執行緒cache物件也會通過垃圾回收指數退讓演算法返回到arena中。
  

jemalloc的優化

• Jmalloc小物件也根據size-class，但是它使用了低地址優先的策略，來降低記憶體碎片化。
• Jemalloc大概需要2%的額外開銷。（tcmalloc 1%， ptmalloc最少8B）
• Jemalloc和tcmalloc類似的執行緒本地快取，避免鎖的競爭
• 相對未使用的頁面，優先使用dirty page，提升快取命中。

效能對比

官方測試

上圖是伺服器吞吐量分別用6個malloc實現的對比資料，可以看到tcmalloc和jemalloc最好(facebook在2011年的測試結果，tcmalloc這裡版本較舊)。

4.3.2 mysql優化
測試環境：2x Intel E5/2.2Ghz with 8 real cores per socket，16 real cores， 開啟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執行緒的場景下， jemalloc和tcmalloc帶來的tps增加非常明顯。

參考資料

總結

在多執行緒環境使用tcmalloc和jemalloc效果非常明顯。
當執行緒數量固定，不會頻繁建立退出的時候， 可以使用jemalloc；反之使用tcmalloc可能是更好的選擇。