hash 成本太⾼ -> 使⽤ cityhash，murmurhash • 其它应⽤逻辑 -> case by case 分析了 • GC 使⽤ CPU 过⾼ • 减少堆上对象分配 • sync.Pool 进⾏堆对象重⽤ • Map -> slice • 指针 -> ⾮指针对象 • 多个⼩对象 -> 合并为⼀个⼤对象 • offheap • 降低 GC 频率 • 修改 GOGC 减少 goroutine 的创建与销毁 • 控制最⼤ goroutine 数量 总结⼀下 • 内存使⽤过⾼ • 堆内存占⽤内存空间过⾼ • sync.Pool 对象复⽤ • 为不同⼤⼩的对象提供不同⼤⼩ level 的 sync.Pool • 松散的对象调整为紧凑的对象，如：map -> slice，查找时间复杂度增加，但内存使⽤ 降低 • offheap • 邪道：动态调整 GOGC

tps:28932.386438 After: insert test data finished ... elapse : 28.859153s tps:34651.051825 sync.Pool • Thread safe • Reuse objects to relieve pressure on the GC. • Case study: bytes pool Test on

write growth copy copy will data race 优化 Buffer 设计 – LinkBuffer 设计 1. 链表解决 growth copy 2. sync.Pool 复用节点 3. atomic 访问 size 解决 data race Q: 为什么业界没使用 LinkBuffer ? A: 无法使用 Read/Write API Read([]byte)

的大内存分配顺序 mheap -> arena ØGC 优化 ü避免入堆 ü减少内存 copy ü内存使用整体化，降低 scanobject 成本 ü使用 GC 亲和的数据结构 ü适度使用 sync.Pool ü…IO 4 Ø优化 ü尽可能多读，同时减少SetReadDeadline频繁调用，实现见 IOBuffer.ReadOnce ü适度 buffer 写数据，频繁写系统 IO 会造成写效率下降

秒，已分配指针对象的火焰图。可以看出已经分配了 4 千 多万个对象，GC 压力可想而知。关于 GC，我们了解到如下两种优化方案： 后端 < 1055 1. 池化：Go 的标准库中提供了一个 sync.Pool 对象池，可通过复用对象来减少 对象分配，从而降低 GC 压力。 2. 手动管理内存：通过系统调用 mmap 直接向 OS 申请内存，绕过 GC，实现 内存的手动管理。 但是，方案 2