利用 PGO 提升 .NET 程序性能

引子

.NET 6 开始初步引入 PGO。PGO 即 Profile Guided Optimization，通过收集运行时信息来指导 JIT 如何优化代码，相比以前没有 PGO 时可以做更多以前难以完成的优化。

下面我们用 .NET 6 的 nightly build 版本 6.0.100-rc.1.21377.6 来试试新的 PGO。

PGO 工具

.NET 6 提供了静态 PGO 和动态 PGO。前者通过工具收集 profile 数据，然后应用到下一次编译当中指导编译器如何进行代码优化；后者则直接在运行时一边收集 profile 数据一边进行优化。

另外由于从 .NET 5 开始引入了 OSR（On Stack Replacement），因此可以在运行时替换正在运行的函数，允许将正在运行的低优化代码迁移到高优化代码，例如替换一个热循环中的代码。

分层编译和 PGO

.NET 从 Core 3.1 开始正式引入了分层编译（Tiered Compilation），程序启动时 JIT 首先快速生成低优化的 tier 0 代码，由于优化代价小，因此 JIT 吞吐量很高，可以改善整体的延时。

然后随着程序运行，对多次调用的方法进行再次 JIT 产生高优化的 tier 1 代码，以提升程序的执行效率。

但是这么做对于程序的性能几乎没有提升，只是改善了延时，降低首次 JIT 的时间，却反而可能由于低优化代码导致性能倒退。因此我个人通常在开发客户端类程序的时候会关闭分层编译，而在开发服务器程序时开启分层编译。

然而 .NET 6 引入 PGO 后，分层编译的机制将变得非常重要。

由于 tier 0 的代码是低优化代码，因此更能够收集到完整的运行时 profile 数据，指导 JIT 做更全面的优化。

为什么这么说？

例如在 tier 1 代码中，某方法 B 被某方法 A 内联（inline），运行期间多次调用方法 A 后收集到了 profile 将只包含 A 的信息，而没有 B 的信息；又例如在 tier 1 代码中，某循环被 JIT 做了 loop cloning，那此时收集到的 profile 则是不准确的。

因此为了发挥 PGO 的最大效果，我们不仅需要开启分层编译，还需要给循环启用 Quick Jit 在一开始生成低优化代码。

进行优化

前面说了这么多，那 .NET 6 的 PGO 到底应该如何使用，又会如何对代码优化产生影响呢？这里举个例子。

测试代码

新建一个 .NET 6 控制台项目 PgoExperiment，考虑有如下代码：

interface IGenerator
{bool ReachEnd { get; }int Current { get; }bool MoveNext();
}abstract class IGeneratorFactory
{public abstract IGenerator CreateGenerator();
}class MyGenerator : IGenerator
{private int _current;public bool ReachEnd { get; private set; }public int Current { get; private set; }public bool MoveNext(){if (ReachEnd) {return false;}_current++;if (_current > 1000){ReachEnd = true;return false;}Current = _current;return true;}
}class MyGeneratorFactory : IGeneratorFactory
{public override IGenerator CreateGenerator() {return new MyGenerator();}
}

我们利用 IGeneratorFactory 产生 IGenerator，同时分别提供对应的一个实现 MyGeneratorFactory 和 MyGenerator。注意实现类并没有标注 sealed 因此 JIT 并不知道是否能做去虚拟化（devirtualization），于是生成的代码会老老实实查虚表。

然后我们编写测试代码：

[MethodImpl(MethodImplOptions.NoInlining)]
int Test(IGeneratorFactory factory)
{var generator = factory.CreateGenerator();var result = 0;while (generator.MoveNext()){result += generator.Current;}return result;
}var sw = Stopwatch.StartNew();
var factory = new MyGeneratorFactory();for (var i = 0; i < 10; i++)
{sw.Restart();for (int j = 0; j < 1000000; j++){Test(factory);}sw.Stop();Console.WriteLine($"Iteration {i}: {sw.ElapsedMilliseconds} ms.");
}

你可能会问为什么不用 BenchmarkDotNet，因为这里要测试出分层编译和 PGO 前后的区别，因此不能进行所谓的“预热”。

进行测试

测试环境：

CPU：2vCPU Intel(R) Xeon(R) Platinum 8171M CPU @ 2.60GHz
内存：4G
系统：Ubuntu 20.04.2 LTS
程序运行配置：Release

不使用 PGO

首先采用默认参数运行：

dotnet run -c Release

得到结果：

Iteration 0: 740 ms.
Iteration 1: 648 ms.
Iteration 2: 687 ms.
Iteration 3: 639 ms.
Iteration 4: 643 ms.
Iteration 5: 641 ms.
Iteration 6: 641 ms.
Iteration 7: 639 ms.
Iteration 8: 644 ms.
Iteration 9: 643 ms.

Mean = 656.5ms

你会发现 Iteration 0 用时比其他都要长一点，这符合预期，因为一开始执行的是 tier 0 的低优化代码，然后随着调用次数增加，JIT 重新生成 tier 1 的高优化代码。

然后我们关闭分层编译看看会怎么样：

dotnet run -c Release /p:TieredCompilation=false

得到结果：

Iteration 0: 677 ms.
Iteration 1: 669 ms.
Iteration 2: 677 ms.
Iteration 3: 680 ms.
Iteration 4: 683 ms.
Iteration 5: 689 ms.
Iteration 6: 677 ms.
Iteration 7: 685 ms.
Iteration 8: 676 ms.
Iteration 9: 673 ms.

Mean = 678.6ms

这下就没有区别了，因为一开始生成的就是 tier 1 的高优化代码。

我们看看 JIT dump：

        push    rbppush    r14push    rbxlea     rbp,[rsp+10h]
;   factory.CreateGenerator()mov     rax,[rdi]mov     rax,[rax+40h]call    qword ptr [rax+20h]mov     rbx,rax
;   var result = 0xor     r14d,r14d
;   if (generator.MoveNext())mov     rdi,rbxmov     r11,7F3357AE0008hmov     rax,7F3357AE0008hcall    qword ptr [rax]test    eax,eaxje      short LBL_1LBL_0:
;   result += generator.Current;mov     rdi,rbxmov     r11,7F3357AE0010hmov     rax,7F3357AE0010hcall    qword ptr [rax]add     r14d,eax
;   if (generator.MoveNext())mov     rdi,rbxmov     r11,7F3357AE0008hmov     rax,7F3357AE0008hcall    qword ptr [rax]test    eax,eaxjne     short LBL_0LBL_1:
;   return result;mov     eax,r14dpop     rbxpop     r14pop     rbpret

我用注释标注出了生成的代码中关键地方对应的 C# 写法，还原成 C# 代码大概是这个样子：

var generator = factory.CreateGenerator();
var result = 0;do
{if (generator.MoveNext()){result += generator.Current;}else{return result;}
} while(true);

这里有不少有趣的地方：

while 循环被优化成了 do-while 循环，做了一次 loop inversion，以此来节省一次循环
generator.CreateGenerator、generator.MoveNext 以及 generator.Current 完全没有去虚拟化
因为没有去虚拟化因此也无法做内联优化

这已经是 tier 1 代码了，也就是目前阶段 RyuJIT（.NET 6 的 JIT 编译器）在不借助任何指示编译器的 Attribute 以及 PGO 所能生成的最大优化等级的代码。

使用 PGO

这一次我们先看看启用动态 PGO 能得到怎样的结果。

为了使用动态 PGO，现阶段需要设置一些环境变量。

export DOTNET_ReadyToRun=0 # 禁用 AOT
export DOTNET_TieredPGO=1 # 开启分层 PGO
export DOTNET_TC_QuickJitForLoops=1 # 为循环启用 Quick Jit

然后运行即可：

dotnet run -c Release

得到如下结果：

Iteration 0: 349 ms.
Iteration 1: 190 ms.
Iteration 2: 188 ms.
Iteration 3: 189 ms.
Iteration 4: 190 ms.
Iteration 5: 190 ms.
Iteration 6: 189 ms.
Iteration 7: 188 ms.
Iteration 8: 191 ms.
Iteration 9: 189 ms.

Mean = 205.3ms

得到了惊人的性能提升，只用了先前的 31% 的时间，相当于性能提升 322%。

然后我们试试静态 PGO + AOT 编译，AOT 负责在编译时预先生成优化后的代码。

为了使用静态 PGO，我们需要安装 dotnet-pgo 工具生成静态 PGO 数据，由于正式版尚未发布，因此需要添加如下 nuget 源：

<configuration><packageSources><add key="dotnet-public" value="https://pkgs.dev.azure.com/dnceng/public/_packaging/dotnet-public/nuget/v3/index.json" /><add key="dotnet-tools" value="https://pkgs.dev.azure.com/dnceng/public/_packaging/dotnet-tools/nuget/v3/index.json" /><add key="dotnet-eng" value="https://pkgs.dev.azure.com/dnceng/public/_packaging/dotnet-eng/nuget/v3/index.json" /><add key="dotnet6" value="https://pkgs.dev.azure.com/dnceng/public/_packaging/dotnet6/nuget/v3/index.json" /><add key="dotnet6-transport" value="https://pkgs.dev.azure.com/dnceng/public/_packaging/dotnet6-transport/nuget/v3/index.json" /></packageSources>
</configuration>

安装 dotnet-pgo 工具：

dotnet tool install dotnet-pgo --version 6.0.0-* -g

先运行程序采集 profile：

export DOTNET_EnableEventPipe=1
export DOTNET_EventPipeConfig=Microsoft-Windows-DotNETRuntime:0x1F000080018:5
export DOTNET_EventPipeOutputPath=trace.nettrace # 追踪文件输出路径
export DOTNET_ReadyToRun=0 # 禁用 AOT
export DOTNET_TieredPGO=1 # 启用分层 PGO
export DOTNET_TC_CallCounting=0 # 永远不产生 tier 1 代码
export DOTNET_TC_QuickJitForLoops=1
export DOTNET_JitCollect64BitCounts=1dotnet run -c Release

等待程序运行完成，我们会得到一个 trace.nettrace 文件，里面包含了追踪数据，然后利用 dotnet-pgo 工具产生 PGO 数据。

dotnet-pgo create-mibc -t trace.nettrace -o pgo.mibc

至此我们就得到了一个 pgo.mibc，里面包含了 PGO 数据。

然后我们使用 crossgen2，在 PGO 数据的指导下对代码进行 AOT 编译：

dotnet publish -c Release -r linux-x64 /p:PublishReadyToRun=true /p:PublishReadyToRunComposite=true /p:PublishReadyToRunCrossgen2ExtraArgs=--embed-pgo-data%3b--mibc%3apgo.mibc

你可能会觉得这一系列步骤里面不少参数和环境变量都非常诡异，自然也是因为目前正式版还没有发布，因此名称和参数什么的都还没有规范化。

编译后我们运行编译后代码：

cd bin/Release/net6.0/linux-x64/publish
./PgoExperiment

得到如下结果：

Iteration 0: 278 ms.
Iteration 1: 185 ms.
Iteration 2: 186 ms.
Iteration 3: 187 ms.
Iteration 4: 184 ms.
Iteration 5: 187 ms.
Iteration 6: 185 ms.
Iteration 7: 183 ms.
Iteration 8: 180 ms.
Iteration 9: 186 ms.

Mean = 194.1ms

相比动态 PGO 而言，可以看出第一次用时更小，因为不需要经过 profile 收集后重新 JIT 的过程。

我们看看 PGO 数据指导下产生了怎样的代码：

        push    rbppush    r15push    r14push    r12push    rbxlea     rbp,[rsp+20h]
;   if (factory.GetType() == typeof(MyGeneratorFactory))mov     rax,offset methodtable(MyGeneratorFactory)cmp     [rdi],raxjne     near ptr LBL_11
;   IGenerator generator = new MyGenerator()mov     rdi,offset methodtable(MyGenerator)call    CORINFO_HELP_NEWSFASTmov     rbx,raxLBL_0:
;   var result = 0xor     r14d,r14djmp     short LBL_4LBL_1:
;   if (generator.GetType() == typeof(MyGenerator))mov     rdi,offset methodtable(MyGenerator)cmp     r15,rdijne     short LBL_6
;   result += generator.Current
LBL_2:mov     r12d,[rbx+0Ch]LBL_3:add     r14d,r12dLBL_4:
;   if (generator.GetType() == typeof(MyGenerator))mov     r15,[rbx]mov     rax,offset methodtable(MyGenerator)cmp     r15,raxjne     short LBL_8
;   if (generator.ReachEnd)mov     rax,rbxcmp     byte ptr [rax+10h],0jne     short LBL_7
;   generator._current++mov     eax,[rbx+8]inc     eaxmov     [rbx+8],eax
;   if (generator._current > 1000)cmp     eax,3E8hjg      short LBL_5mov     [rbx+0Ch],eaxjmp     short LBL_2LBL_5:
;   ReachEnd = truemov     byte ptr [rbx+10h],1jmp     short LBL_10LBL_6:
;   result += generator.Currentmov     rdi,rbxmov     r11,7F5C42A70010hmov     rax,7F5C42A70010hcall    qword ptr [rax]mov     r12d,eaxjmp     short LBL_3LBL_7:xor     r12d,r12djmp     short LBL_9LBL_8:
;   if (generator.MoveNext())mov     rdi,rbxmov     r11,7F5C42A70008hmov     rax,7F5C42A70008hcall    qword ptr [rax]mov     r12d,eaxLBL_9:test    r12d,r12djne     near ptr LBL_1LBL_10:
;   return true/falsemov     eax,r14dpop     rbxpop     r12pop     r14pop     r15pop     rbpretLBL_11:
;   factory.CreateGenerator()mov     rax,[rdi]mov     rax,[rax+40h]call    qword ptr [rax+20h]mov     rbx,raxjmp     near ptr LBL_0

同样，我用注释标注出来了关键地方对应的 C# 代码，这里由于稍微有些麻烦因此就不在这里还原回大概的 C# 逻辑了。

同样，我们发现了不少有趣的地方：

通过类型测试判断 factory 是否是 MyGeneratorFactory、generator 是否是 MyGenerator
- 如果是，则跳转到一个代码块，这里面将 IGeneratorFactory.CreateFactory、IGenerator.MoveNext 以及 IGenerator.Current 全部去虚拟化，这也叫做 guarded devirtualization，并且全部进行了内联
- 否则跳转到一个代码块，这里面的代码等同于不开启 PGO 的 tier 1 代码
- 这里做了一次 loop cloning
while 循环同样被优化成了 do-while，做了一次 loop inversion

相比不开启 PGO 而言，显然优化幅度就大了很多。

用一张图来对比首次运行、总体用时（毫秒）和比例（均为越低越好），从上至下分别是默认、关闭分层编译、动态 PGO、静态 PGO：

总结

有了 PGO 之后，之前的很多性能经验就不再有效。最典型的例如在用 List<T> 或者 Array 的时候 IEnumerable<T>.Where(pred).FirstOrDefault() 比 IEnumerable<T>.FirstOrDefault(pred) 快，这是因为 IEnumerable<T>.Where 在代码层面手动做了针对性的去虚拟化，而 FirstOrDefault<T> 没有。但是在 PGO 的辅助下，即使不需要手动编写针对性去虚拟化的代码也能成功去虚拟化，而且不仅仅局限于 List<T> 和 Array，对所有实现 IEnumerable<T> 的类型都适用。

借助 PGO 我们可以预见大幅度的执行效率提升。例如在 TE-benchmark 非官方测试的 plaintext mvc 中，对比第一次请求时间（毫秒，从运行程序开始计算，越低越好）、RPS（越高越好）和比例（越高越好）结果如下：

另外，PGO 在 .NET 6 中尚处于初步阶段，后续版本（.NET 7+）中将会带来更多基于 PGO 的优化。

至于其他的 JIT 优化方面，.NET 6 同样做了大量的改进，例如更多的 morphing pass、jump threading、loop inversion、loop alignment、loop cloning 等等，并且优化了 LSRA 和 register heuristic，以及解决了不少导致 struct 出现 stack spilling 的情况，以使其一直保持在寄存器中。但是尽管如此，RyuJIT 在优化方面仍有很长的路要走，例如 loop unrolling、forward subsitituion 以及包含关系条件的 jump threading 之类的优化 .NET 6 目前并不具备，这些优化将会在 .NET 7 或者之后到来。