秒懂深入解析java虚拟机：C2编译器，机器无关优化有多牛？

最新推荐文章于 2024-05-03 20:58:01 发布

写代码的珏秒秒

最新推荐文章于 2024-05-03 20:58:01 发布

阅读量559

点赞数

分类专栏：编程程序员 Java 文章标签： java 开发语言后端

本文链接：https://blog.csdn.net/m0_63437643/article/details/122638267

版权

Java 同时被 3 个专栏收录

1498 篇文章 21 订阅

订阅专栏

程序员

1495 篇文章 10 订阅

订阅专栏

编程

1493 篇文章 14 订阅

订阅专栏

机器无关优化

IGVN

C2的PhaseIterGVN实现了IGVN，它是一个典型的不动点算法。

IGVN每次从工作集获取一个节点，如果节点没有输出边，那么该节点是个死节点，可以安全移除。C2会递归式地移除死节点的输入边，这一步又可能产生新的死节点。如果节点有输出边，对该节点应用transform_old进行变形（transform_old调用节点的Ideal、Identity和GVN优化），如果节点变换成功，会将新节点加入工作集。如此反复，直到工作集没有节点，即没有节点可以再次优化。具体优化过程如代码清单9-20所示：

代码清单9-20 IGVN

void PhaseIterGVN::optimize() {
uint loop_count = 0;
// 从worklist获取节点，然后对节点变形。如果发生变化，则将节点再次加入worklist。
while(_worklist.size()) {
// 从worklist中获取一个元素
Node* n = _worklist.pop();
...// 特殊情况，这一步的迭代次数超过C2限制
// 如果节点输出边不为空，则进行转换，否则直接移除
if (n->outcnt() != 0) {
// Do the transformationNode* nn = transform_old(n);
} else if (!n->is_top()) {
remove_dead_node(n);
}
}
}

由于其他优化对理想图变换后可能产生新的优化机会，且IGVN是个轻量级优化，所以C2会在很多其他优化的后面插入IGVN（通常形式是igvn.optimize()）使优化效果达到最佳。

逃逸分析

Compile::Optimize阶段会调用
ConnectionGraph::do_analysis进行逃逸分析。逃逸分析通过建立连接图（Connection Graph，CG）分析对象和对象引用的关系，可以知道对象是否逃逸出方法（即对象是否是该方法的局部变量）以及对象是否逃逸出创建该对象的线程（即其他线程能否访问该对象）。如果对象没有逃逸出方法，则可以在栈上分配而无须在堆上分配。栈分配的性能比堆分配更佳，同时栈上分配减少了对象访问的开销和垃圾回收器的负载。如果对象没有逃逸出线程，那么可以消除对象上可能存在的同步对象锁；如果线程与处理器亲和性较强，可以将对象分配在线程关联的处理器的多级缓存上，提高数据局部性。

逃逸分析的核心是连接图。连接图的节点有对象、对象引用和对象字段三种，边包括表示对象引用A指向对象B的指向边（P）、表示对象引用指向对象引用的Deferred边（D）以及表示对象指向对象字段的字段边（F）。之所以只包含这些元素是因为逃逸分析关注的目标只有对象赋值（T t = new T），引用赋值（T a = t），字段赋值（g.f = a，a=g.h）四种，而这四种刚好可以通过三种节点和四种边的图结构建模，如图9-11所示。

图9-11 连接图

逃逸分析引入了三种类型格（Type Lattice）：NoEscape (T)、ArgEscape和GlobalEscape (⊥)。NoEscape表示没有逃逸出创建它的方法，ArgEscape表示对象作为方法实参逃逸出创建它的方法，GlobalEscape表示对象完全逃逸出方法和线程。逃逸分析的示例如代码清单9-21所示：

代码清单9-21 逃逸分析Java代码示例

class ListElement {
int data;
ListElement next;
static ListElement g = null;
ListElement() {data = 0; next = null;}
static void L(int p, int q){S0: ListElement u = new ListElement();
ListElement t = u;
while(p > q){
S1: t.next = new ListElement();
t.data = q++;
t = t.next;
}
S2: ListElement v = new ListElement();
NewListElement.T(u, v);
}
}
class NewListElement{
ListElement org;
NewListElement next;
NewListElement() {org = null; next = null;}
static void T(ListElement f1, ListElement f2){
S3: NewListElement r = new NewListElement();
while(f1 != null){
S4: r.org = f1.next;
S5: r.next = new NewListElement();
. . . // 做一些计算之类
S6: r = r.next;
if(f1.data == 0){
S7: ListElement.g = f2;
}
f1 = f1.next;}
}
}

对应的连接图如图9-12所示，连接图中的虚线表示D边，实线表示P边或者F边，圆圈表示引用，方框表示对象实体。整个图的最外部虚线方框表示在分析过程中我们关心的四个程序点：调用方法L()前，方法L()入口，方法L()返回，调用方法L()后。虚线圆圈表示每个程序点的连接图状态。

图9-12 逃逸分析Java示例对应的连接图

逃逸分析在调用NewListElement.T()前建立连接图，然后进入方法入口。为了便于分析，这里创建了虚引用节点（Phantom ReferenceNode）a1和a2。接着在方法返回时用连接图为程序建模，分割出三种逃逸状态的子图：ArgEscape子图、GlobalEscape子图（二者取并集又叫NonLocalGraph），以及NoEscape子图（LocalGraph）。简单观察可知，方法退出的连接图中只存在LocalGraph指向NonLocalGraph的边，而没有反向的边，所以LocalGraph包含的S3和S5语句理论上是可以在栈上分配的。

NonLocalGraph则作为方法L的逃逸分析结果，供后续对相同方法调用时直接使用，无须再做分析。不过调用者（方法L）不能直接使用被调用者（方法T）的逃逸分析结果，需要经过一个映射过程，即将被调用者的分析结果中的节点和边映射到调用者的连接图上，如将ArgEscape的a1映射到图9-12f的a1。将ArgEscape的a1指向的s4映射到图9-12f的s0，将ArgEscape的s4映射到图9-12f的s1，由于s4的next指向本身，所以同时为s1和s0的next插入指向本身和对立的边。

向量化

为了支持计算密集的多媒体应用程序，现代处理器在其各自指令集架构中新增了很多SIMD指令。SIMD表示单指令多数据（SingleInstruction Multiple Data），它是指将多个数据“打包”到单个专门的寄存器，然后用一条指令完成计算，如图9-13所示。

图9-13 SIMD示例

使用一条SIMD完成了四个整数的加法运算。不同处理器的SIMD具体指令集实现各有不同，如ARM是Neon。x86最初的SIMD实现是SSE指令集，如图9-14所示。

图9-14 x86的SSE/AVX寄存器

SSE包含xmm0～15，每个xmm寄存器可以存放128位数据。2011年发布的AVX指令集扩展了SSE指令集，支持256位的ymm0～15寄存器。

2015年的AVX512又扩展了AVX指令集，支持zmm0～31寄存器，且单个寄存器达到了惊人的512位。

由于免费的硬件性能“午餐”已经结束，人们自然注意到了SIMD。

C2的opto/superword提供了自动向量化优化，可以将满足条件的代码优化为使用SIMD指令操作。自动向量化是C2系列循环优化之一，是PhaseIdealLoop的子过程，由SuperWord::transform_loop完成。

transform_loop对于哪些代码能进行循环向量化有严格要求。简单来说，只对循环展开后的代码进行向量化，而只有计数循环（Counted Loop）能循环展开，所以只有循环展开的计数循环能向量化。所谓计数循环是指步长是常量，终止条件是循环不变量，且只有一条退出路径的循环，如代码清单9-22所示：

代码清单9-22 计数循环

public static void vecSum(int[] a, int[] b, int[] c){
for(int i = 0; i < 25; i++){
c[u] = a[i] + b[i];
}
}

循环终止条件25是循环不变量（在循环期间不会改变的值，也可以不是常量），步长是常量1，最终产出的部分代码如代码清单9-23所示：

代码清单9-23 向量化

...
B12:
vmovdqu XMM0,[RDX + #16 + R9 << #2] !xmm0=b[i:i+3]
vpaddd XMM0,XMM0,[RBX + #16 + R9 << #2] !xmm0+=a[i:i+3]
vmovdqu [RDI + #16 + R9 << #2],XMM0 !c[i:i+3]=xmm0
vmovdqu XMM0,[RDX + #48 + R9 << #2] !xmm0=b[i+4:i+7]
vpaddd XMM0,XMM0,[RBX + #48 + R9 << #2] !xmm0+=a[i+4:i+7]
vmovdqu [RDI + #48 + R9 << #2],XMM0 !c[i+4:i+7]=xmm0
addl R9, #16
cmpl R9, #18
jge,s B18...

实际上向量化将循环分为pre-loop、main-loop、post-loop三个阶段，将单个循环展开成三个循环阶段，代码清单9-36展示的是main-loop，它两次使用vpadd指令，相当于一次对16个元素相加。