0 - 概述
系统的物理内存是有限的，而对内存的需求是变化的, 程序的动态性越强，内存管理就越重要，选择合适的内存管理算法会带来明显的性能提升。
MySQL作为常用的数据库，会有大量的内存操作。每次处理一个请求的时候，会在内存中操作数据，不断的进行malloc和free操作。因此，malloc的性能越好，MySQL的处理速度越快。
内存管理可以分为三个层次，自底向上分别是：
- 操作系统内核的内存管理；
- glibc层使用系统调用维护的内存管理算法；
- 应用程序从glibc动态分配内存后，根据应用程序本身的程序特性进行优化；
一个优秀的内存分配器应具有以下特点：
- 额外的空间损耗尽量少；
- 分配速度尽可能快；
- 尽量避免内存碎片；
- 缓存本地化友好；
- 通用性，兼容性，可移植性，易调试；
1- 现状
目前大部分服务端程序（包括MySQL）使用glibc提供的malloc/free系列函数，而glibc使用的ptmalloc2在性能上远远弱后于google的tcmalloc和facebook的jemalloc。 而且后两者只需要使用LD_PRELOAD环境变量启动程序即可，甚至并不需要重新编译。
1.1 - glibc ptmalloc2
ptmalloc2即是glibc使用的malloc版本。
上图是 x86_64 下 Linux 进程的默认地址空间对 heap 的操作，操作系统提供了brk()系统调用，设置了Heap的上边界； 对 mmap 映射区域的操作，操作系 统 供了 mmap()和 munmap()函数。因为系统调用的代价很高，不可能每次申请内存都从内核分配空间，尤其是对于小内存分配。 而且因为mmap的区域容易被munmap释放，所以一般大内存采用mmap()，小内存使用brk()。
多线程支持：
- Ptmalloc2有一个主分配区(main arena)， 有多个非主分配区。 非主分配区只能使用mmap向操作系统批发申请HEAP_MAX_SIZE（64位系统为64MB）大小的虚拟内存。 当某个线程调用malloc的时候，会先查看线程私有变量中是否已经存在一个分配区，如果存在则尝试加锁，如果加锁失败则遍历arena链表试图获取一个没加锁的arena， 如果依然获取不到则创建一个新的非主分配区；
- free()的时候也要获取锁。分配小块内存容易产生碎片，ptmalloc在整理合并的时候也要对arena做加锁操作。在线程多的时候，锁的开销就会增大；
ptmalloc内存管理：
用户请求分配的内存在ptmalloc中使用chunk表示， 每个chunk至少需要8个字节额外的开销。 用户free掉的内存不会马上归还操作系统，ptmalloc会统一管理heap和mmap区域的空闲chunk，避免了频繁的系统调用；
-
ptmalloc 将相似大小的 chunk 用双向链表链接起来, 这样的一个链表被称为一个 bin。Ptmalloc 一共 维护了 128 个 bin,并使用一个数组来存储这些 bin。数组中的第一个为 unsorted bin, 数组中从 2 开始编号的前 64 个 bin 称为 small bins, 同一个small bin中的chunk具有相同的大小。small bins后面的bin被称作large bins；
bin 当free一个chunk并放入bin的时候， ptmalloc 还会检查它前后的 chunk 是否也是空闲的，如果是的话，ptmalloc会首先把它们合并为一个大的 chunk，然后将合并后的 chunk 放到 unstored bin 中。 另外ptmalloc 为了提高分配的速度，会把一些小的(不大于64B) chunk先放到一个叫做 fast bins 的容器内；
在fast bins和bins都不能满足需求后，ptmalloc会设法在一个叫做top chunk的空间分配内存。 对于非主分配区会预先通过mmap分配一大块内存作为top chunk， 当bins和fast bins都不能满足分配需要的时候, ptmalloc会设法在top chunk中分出一块内存给用户，如果top chunk本身不够大，分配程序会重新mmap分配一块内存chunk，并将 top chunk 迁移到新的chunk上，并用单链表链接起来。如果free()的chunk恰好 与 top chunk 相邻，那么这两个 chunk 就会合并成新的 top chunk，如果top chunk大小大于某个阈值才还给操作系统。主分配区类似，不过通过sbrk()分配和调整top chunk的大小，只有heap顶部连续内存空闲超过阈值的时候才能回收内存；
需要分配的 chunk 足够大，而且 fast bins 和 bins 都不能满足要求，甚至 top chunk 本身也不能满足分配需求时，ptmalloc 会使用 mmap 来直接使用内存映射来将页映射到进程空间；
ptmalloc分配流程
ptmalloc的缺陷
- 后分配的内存先释放，因为 ptmalloc 收缩内存是从 top chunk 开始，如果与 top chunk 相邻的 chunk 不能释放，top chunk 以下的 chunk 都无法释放；
- 多线程锁开销大， 需要避免多线程频繁分配释放；
- 内存从thread的areana中分配， 内存不能从一个arena移动到另一个arena， 就是说如果多线程使用内存不均衡，容易导致内存的浪费。 比如说线程1使用了300M内存，完成任务后glibc没有释放给操作系统，线程2开始创建了一个新的arena， 但是线程1的300M却不能用了；
- 每个chunk至少8字节的开销很大；
- 不定期分配长生命周期的内存容易造成内存碎片，不利于回收。 64位系统最好分配32M以上内存，这是使用mmap的阈值；
1.2 - tcmalloc
tcmalloc是Google开源的一个内存管理库， 作为glibc malloc的替代品。目前已经在chrome、safari等知名软件中运用。根据官方测试报告，ptmalloc在一台2.8GHz的P4机器上（对于小对象）执行一次malloc及free大约需要300纳秒。而TCMalloc的版本同样的操作大约只需要50纳秒。
小对象分配
- tcmalloc为每个线程分配了一个线程本地ThreadCache，小内存从ThreadCache分配，此外还有个中央堆（CentralCache），ThreadCache不够用的时候，会从CentralCache中获取空间放到ThreadCache中；
- 小对象（<=32K）从ThreadCache分配，大对象从CentralCache分配。大对象分配的空间都是4k页面对齐的，多个pages也能切割成多个小对象划分到ThreadCache中；
小对象有将近170个不同的大小分类(class)，每个class有个该大小内存块的FreeList单链表，分配的时候先找到best fit的class，然后无锁的获取该链表首元素返回。如果链表中无空间了，则到CentralCache中划分几个页面并切割成该class的大小，放入链表中。
CentralCache分配管理
- 大对象(>32K)先4k对齐后，从CentralCache中分配。 CentralCache维护的PageHeap如下图所示， 数组中第256个元素是所有大于255个页面都挂到该链表中；
- 当best fit的页面链表中没有空闲空间时，则一直往更大的页面空间则，如果所有256个链表遍历后依然没有成功分配。 则使用sbrk, mmap, /dev/mem从系统中分配；
- tcmalloc PageHeap管理的连续的页面被称为span。
- 如果span未分配， 则span是PageHeap中的一个链表元素；
- 如果span已经分配，它可能是返回给应用程序的大对象， 或者已经被切割成多小对象，该小对象的size-class会被记录在span中；
- 在32位系统中，使用一个中央数组(central array)映射了页面和span对应关系， 数组索引号是页面号，数组元素是页面所在的span。 在64位系统中，使用一个3-level radix tree记录了该映射关系；
回收
- 当一个object free的时候，会根据地址对齐计算所在的页面号，然后通过central array找到对应的span；
- 如果是小对象，span会告诉我们他的size class，然后把该对象插入当前线程的ThreadCache中。如果此时ThreadCache超过一个预算的值（默认2MB），则会使用垃圾回收机制把未使用的object从ThreadCache移动到CentralCache的central free lists中；
- 如果是大对象，span会告诉我们对象锁在的页面号范围。 假设这个范围是[p,q]， 先查找页面p-1和q+1所在的span，如果这些临近的span也是free的，则合并到[p,q]所在的span， 然后把这个span回收到PageHeap中；
- CentralCache的central free lists类似ThreadCache的FreeList，不过它增加了一级结构，先根据size-class关联到spans的集合， 然后是对应span的object链表。如果span的链表中所有object已经free， 则span回收到PageHeap中；
tcmalloc的改进
- ThreadCache会阶段性的回收内存到CentralCache里。 解决了ptmalloc2中arena之间不能迁移的问题；
- Tcmalloc占用更少的额外空间。例如，分配N个8字节对象可能要使用大约8N * 1.01字节的空间。即，多用百分之一的空间。Ptmalloc2使用最少8字节描述一个chunk；
- 更快。小对象几乎无锁， >32KB的对象从CentralCache中分配使用自旋锁。 并且>32KB对象都是页面对齐分配，多线程的时候应尽量避免频繁分配，否则也会造成自旋锁的竞争和页面对齐造成的浪费；
性能对比
官方测试环境是2.4GHz dual Xeon，开启超线程，redhat9，glibc-2.3.2, 每个线程测试100万个操作。
上图中可以看到尤其是对于小内存的分配， tcmalloc有非常明显性能优势。
上图可以看到随着线程数的增加，tcmalloc性能上也有明显的优势，并且相对平稳。
github使用tcmalloc后，mysql性能提升30%
1.3 - Jemalloc
jemalloc是facebook推出的， 最早的时候是freebsd的libc malloc实现。 目前在firefox、facebook服务器各种组件中大量使用。
jemalloc原理
- 与tcmalloc类似，每个线程同样在<32KB的时候无锁使用线程本地cache；
- Jemalloc在64bits系统上使用下面的size-class分类：
- 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对象查找metadata需要常量时间， huge对象通过全局红黑树在对数时间内查找；
- 虚拟内存被逻辑上分割成chunks（默认是4MB，1024个4k页），应用线程通过round-robin算法在第一次malloc的时候分配arena， 每个arena都是相互独立的，维护自己的chunks， chunk切割pages到small/large对象。free()的内存总是返回到所属的arena中，而不管是哪个线程调用free()；
上图可以看到每个arena管理的arena chunk结构， 开始的header主要是维护了一个page map（1024个页面关联的对象状态）， header下方就是它的页面空间。 Small对象被分到一起， metadata信息存放在起始位置。 large chunk相互独立，它的metadata信息存放在chunk header map中。
- 通过arena分配的时候需要对arena bin（每个small size-class一个，细粒度）加锁，或arena本身加锁。并且线程cache对象也会通过垃圾回收指数退让算法返回到arena中；
jemalloc的优化
- Jmalloc小对象也根据size-class，但是它使用了低地址优先的策略，来降低内存碎片化；
- Jemalloc大概需要2%的额外开销（tcmalloc 1%， ptmalloc最少8B）；
- Jemalloc和tcmalloc类似的线程本地缓存，避免锁的竞争；
- 相对未使用的页面，优先使用dirty page，提升缓存命中；
性能对比
官方测试
上图是服务器吞吐量分别用6个malloc实现的对比数据，可以看到tcmalloc和jemalloc最好(facebook在2011年的测试结果，tcmalloc这里版本较旧)。
可以看到在多核心或者多线程的场景下， jemalloc和tcmalloc带来的tps增加非常明显。当线程数量固定，不会频繁创建退出的时候， 可以使用jemalloc；反之使用tcmalloc可能是更好的选择。
3 - MySQL替换malloc
下载对应版本的Jemalloc，解压、编译。
./configure --prefix=/usr/local/jemalloc --libdir=/usr/lib
make && make install
echo /usr/lib >> /etc/ld.so.conf
ldconfig
修改MySQL配置：
[mysqld_safe]
malloc-lib=/usr/lib/libjemalloc.so
启动MySQL，查看是否生效：
lsof -n | grep libjemalloc.so
4 - Jemalloc性能测试
通过一个简单的内存分配、释放程序进行，共分为三种情况：
- 程序无修改，正常编译，使用系统自带的malloc和free，正常运行；
- 程序有修改，在程序中显示使用jemalloc库；
- 程序无修改，正常编译，运行前通过LD_PRELOAD环境变量提前加载jemalloc库；
#include <stdio.h>
#include<time.h>
#include <stdlib.h>
#include <string.h>
#include <sys/time.h>
#ifdef USE_JEMALLOC
#include <jemalloc.h>
#endif
#define MSECOND 1000000
int main(void)
{
int i = 0;
char pad = 0;
char *ptr = NULL;
size_t size = 128;
float timeuse = 0;
struct timeval tpstart;
struct timeval tpend;
int loops = 100000000;
srand((int)time(0));
gettimeofday(&tpstart, NULL);
for (i = 0; i < loops; i++) {
size = rand() & 0x0000000000000fff;
ptr = malloc(size);
pad = rand() & 0xff;
memset(ptr, pad, size);
free(ptr);
}
gettimeofday(&tpend, NULL);
timeuse=MSECOND*(tpend.tv_sec-tpstart.tv_sec)+tpend.tv_usec-tpstart.tv_usec;
timeuse/=MSECOND;
printf("Used Time [%f] with [%d] loops\n", timeuse, loops);
return 0;
}
根据前文说的三种情况，共需要编译出两种二进制文件：
gcc memory.c -o a1.out -DUSE_JEMALLOC -O2 -ljemalloc
gcc memory.c -o a2.out -O2
得到a1.out为显示使用jemalloc的版本，a2.out为正常版本。
测试方法：
- 直接运行a1.out，可以得出显式使用jemalloc时的执行时间;
- 直接运行a2.out，可以得到使用普通malloc时的执行时间;
- 通过LD_PRELOAD环境变量执行a2.out，可以得到普通程序使用jemalloc时的执行时间;
./a1.out
./a2.out
LD_PRELOAD="/PATH/TO/libjemalloc.so" ./a2.out
得到三组数据如下：
Used Time [8.849940] with [100000000] loops
Used Time [11.283691] with [100000000] loops
Used Time [8.637403] with [100000000] loops
可以看到，在申请和释放随机大小的内存块时，使用jemalloc的性能明显好于普通malloc，性能提升约27.5%。
如果将程序源码中的size = rand() & 0x0000000000000fff;一行注释掉，让程序申请固定大小的内存块，得到三组数据：
Used Time [2.380698] with [100000000] loops
Used Time [4.532686] with [100000000] loops
Used Time [2.369266] with [100000000] loops
这种情况下使用jemalloc比普通malloc版本的性能提升将近一倍，同时比各自的随机大小内存块版本提升大约也有三四倍。
5 - 总结
无论是google的tcmalloc，还是facebook的jemalloc，在高并发的场景下对MySQL的TPS提升均在30%左右。而MySQL默认使用的glibc的malloc，不仅内存操作处理的效率低，也有OOM的风险。在条件允许的情况下，可以替换，推荐使用Jemalloc。
完。
