您现在的位置是:首页 > 高性能编程高性能编程
深入理解DPDK程序设计|Linux网络2.0
比目鱼2021-11-21【高性能编程】人已围观
简介 移动互联网不断发展,网络流量徒增,推动着网络技术不断地发展,而CPU的运行频率基本停留在10年前的水平,为了迎接超高速网络技术的挑战,软件也需要大幅度创新,结合硬件技术的发展,DPDK,一个以软件优化为主的数据面技术应时而生,它为今天NFV技术的发展提供了绝佳的平台可行性。
作为技术人员,我们可以从中DPDK学习大量的高性能编程技巧和代码优化技巧,包括高性能软件架构最佳实践、高效数据结构设计和内存优化技巧、应用程序性能分析以及网络性能优化的技巧。
文章目录
一、 网络IO的处境和趋势
二、 Linux + x86网络IO瓶颈
三、 DPDK的基本原理
四、 DPDK的基石UIO
五、 DPDK核心优化:PMD
六、 DPDK的高性能代码实现
七、 DPDK生态
八、 高性能编程技术和代码优化技术(总结)
一、网络IO的处境和趋势
从我们用户的使用就可以感受到网速一直在提升,而网络技术的发展也从1GE/10GE/25GE/40GE/100GE的演变,从中可以得出单机的网络IO能力必须跟上时代的发展。
1. 传统的电信领域
IP层及以下,例如路由器、交换机、防火墙、基站等设备都是采用硬件解决方案。基于专用网络处理器(NP),有基于FPGA,更有基于ASIC的。但是基于硬件的劣势非常明显,发生Bug不易修复,不易调试维护,并且网络技术一直在发展,例如2G/3G/4G/5G等移动技术的革新,这些属于业务的逻辑基于硬件实现太痛苦,不能快速迭代。传统领域面临的挑战是急需一套软件架构的高性能网络IO开发框架。
2. 云的发展
私有云的出现通过网络功能虚拟化(NFV)共享硬件成为趋势,NFV的定义是通过标准的服务器、标准交换机实现各种传统的或新的网络功能。急需一套基于常用系统和标准服务器的高性能网络IO开发框架。
3. 单机性能的飙升
网卡从1G到100G的发展,CPU从单核到多核到多CPU的发展,服务器的单机能力通过横行扩展达到新的高点。但是软件开发却无法跟上节奏,单机处理能力没能和硬件门当户对,如何开发出与时并进高吞吐量的服务,单机百万千万并发能力。即使有业务对QPS要求不高,主要是CPU密集型,但是现在大数据分析、人工智能等应用都需要在分布式服务器之间传输大量数据完成作业。这点应该是我们互联网后台开发最应关注,也最关联的。
二、Linux + x86网络IO瓶颈
根据经验,在C1(8核)上跑应用每1W包处理需要消耗1%软中断CPU,这意味着单机的上限是100万PPS(Packet Per Second)。从TGW(Netfilter版)的性能100万PPS,AliLVS优化了也只到150万PPS,并且他们使用的服务器的配置还是比较好的。假设,我们要跑满10GE网卡,每个包64字节,这就需要2000万PPS。
注:以太网万兆网卡速度上限是1488万PPS,因为最小帧大小为84B
《Bandwidth, Packets Per Second, and Other Network Performance Metrics》
100G是2亿PPS,即每个包的处理耗时不能超过50纳秒。而一次Cache Miss,不管是TLB、数据Cache、指令Cache发生Miss,回内存读取大约65纳秒,NUMA体系下跨Node通讯大约40纳秒。所以,即使不加上业务逻辑,即使纯收发包都如此艰难。我们要控制Cache的命中率,我们要了解计算机体系结构,不能发生跨Node通讯。
从这些数据,我希望可以直接感受一下这里的挑战有多大,理想和现实,我们需要从中平衡。问题都有这些:
传统的收发报文方式都必须采用硬中断来做通讯,每次硬中断大约消耗100微秒,这还不算因为终止上下文所带来的Cache Miss。
数据必须从内核态用户态之间切换拷贝带来大量CPU消耗,全局锁竞争。
Linux协议栈处理路径长,多核扩展性不足,系统调用开销大。
内核工作在多核上,为可全局一致,即使采用Lock Free,也避免不了锁总线、内存屏障带来的性能损耗。
从网卡到业务进程,经过的路径太长,有些其实未必要的,例如netfilter框架,这些都带来一定的消耗,而且容易Cache Miss。
三、DPDK的基本原理
从前面的分析可以得知IO实现的方式、内核的瓶颈,以及数据流过内核存在不可控因素,这些都是在内核中实现,内核是导致瓶颈的原因所在,要解决问题需要绕过内核。所以主流解决方案都是旁路网卡IO,绕过内核直接在用户态收发包来解决内核的瓶颈。
Linux社区也提供了旁路机制Netmap,官方数据10G网卡1400万PPS,但是Netmap没广泛使用。其原因有几个:
Netmap需要驱动的支持,即需要网卡厂商认可这个方案。
Netmap仍然依赖中断通知机制,没完全解决瓶颈。
Netmap更像是几个系统调用,实现用户态直接收发包,功能太过原始,没形成依赖的网络开发框架,社区不完善。
那么,我们来看看发展了十几年的DPDK,从Intel主导开发,到华为、思科、AWS等大厂商的加入,核心玩家都在该圈子里,拥有完善的社区,生态形成闭环。早期,主要是传统电信领域3层以下的应用,如华为、中国电信、中国移动都是其早期使用者,交换机、路由器、网关是主要应用场景。但是,随着上层业务的需求以及DPDK的完善,在更高的应用也在逐步出现,尤其当前云计算领域(网络吞吐量巨大),已经成为云网络主要的核心技术之一。
DPDK旁路原理
左边是内核协议栈:
网卡 -> 驱动 -> 协议栈 -> Socket接口 -> 业务
右边是DPDK的方式(基于UIO(Userspace I/O)旁路数据):
网卡 -> DPDK轮询模式-> DPDK基础库 -> 业务
用户态的好处是易用开发和维护,灵活性好。并且Crash也不影响内核运行,鲁棒性强。
而DPDK不光是bypass 内核协议栈,还无所不及地采用各种手段,把凡是能够影响的网络IO性能的瓶颈点都做了极致的优化。
DPDK架构
核心模块
环境抽象层
环境抽象层 (EAL) 提供了一个通用接口,该接口对应用程序和库隐藏了环境细节。EAL 提供的服务是:
DPDK 加载和启动
支持多进程和多线程执行类型
核心关联/分配程序
系统内存分配/解除分配
原子/锁操作
时间参考
PCI总线访问
跟踪和调试功能
CPU特性识别
中断处理
报警操作
内存管理(malloc)
环管理器 (librte_ring)
环形结构在有限大小的表中提供了一个无锁的多生产者、多消费者 FIFO API。它比无锁队列有一些优势;更容易实施,适应批量操作,速度更快。环由内存池管理器 (librte_mempool) 使用,并可用作核心和/或逻辑核心上连接在一起的执行块之间的通用通信机制。
内存池管理器 (librte_mempool)
内存池管理器负责分配内存中的对象池。池由名称标识并使用环来存储空闲对象,它提供了一些其他可选服务,例如每核对象缓存和对齐助手,以确保填充对象以在所有 RAM 通道上均匀分布它们。
网络数据包缓冲区管理 (librte_mbuf)
mbuf 库提供了创建和销毁缓冲区的功能,DPDK 应用程序可以使用这些缓冲区来存储消息缓冲区。消息缓冲区在启动时创建并存储在内存池中,使用 DPDK 内存池库。该库提供了一个 API 来分配/释放 mbuf,操作用于承载网络数据包的数据包缓冲区。
定时器管理器 (librte_timer)
该库为 DPDK 执行单元提供定时器服务,提供异步执行功能的能力。它可以是周期性的函数调用,也可以是一次性调用。它使用环境抽象层 (EAL) 提供的计时器接口来获取精确的时间参考,并且可以根据需要在每个内核的基础上启动。
以太网* 轮询模式驱动程序架构
DPDK 包括用于 1 GbE、10 GbE 和 40 GbE 的轮询模式驱动程序 (PMD),以及半虚拟化的 virtio 以太网控制器,这些控制器旨在在没有异步、基于中断的信号机制的情况下工作。
数据包转发算法支持
DPDK 包括哈希(librte_hash)和最长前缀匹配(LPM,librte_lpm)库,以支持相应的数据包转发算法。
librte_net
librte_net 库是 IP 协议定义和便利宏的集合。它基于 FreeBSD* IP 堆栈中的代 码,包含协议编号(用于 IP 标头)、IP 相关宏、IPv4/IPv6 标头结构以及 TCP、UDP 和 SCTP 标头结构。
优化技术
PMD用户态驱动,使用无中断方式直接操作网卡的接收和发送队列;
采用HugePage减少TLB Miss;
DPDK采用向量SIMD指令优化性能;
CPU亲缘性和独占;
内存对齐:根据不同存储硬件的配置来优化程序,确保对象位于不同channel和rank的起始地址,这样能保证对象并并行加载,性能也能够得到极大的提升;
Cache对齐,提高cache访问效率:
NUMA亲和,提高numa内存访问性能;
减少进程上下文切换:保证活跃进程数目不超过CPU个数;减少堵塞函数的调用,尽量采样无锁数据结构;
利用空间局部性,采用预取Prefetch,在数据被用到之前就将其调入缓存,增加缓存命中率;
充分挖掘网卡的潜能:借助现代网卡支持的分流(RSS, FDIR)和卸载(TSO,chksum)等特性;
DPDK支持的CPU体系架构
x86、ARM、PowerPC(PPC)
DPDK支持的网卡列表
https://core.dpdk.org/supported
四、DPDK的基石UIO
为了让驱动运行在用户态,Linux提供UIO机制。使用UIO可以通过read感知中断,通过mmap实现和网卡的通讯。
UIO(Userspace I/O)是运行在用户空间的I/O技术。Linux系统中一般的驱动设备都是运行在内核空间,而在用户空间用应用程序调用即可,而UIO则是将驱动的很少一部分运行在内核空间,而在用户空间实现驱动的绝大多数功能!使用UIO可以避免设备的驱动程序需要随着内核的更新而更新的问题.通过UIO的运行原理图可以看出,用户空间下的驱动程序比运行在内核空间的驱动要多得多,UIO框架下运行在内核空间的驱动程序所做的工作比较简单。
UIO原理:
要开发用户态驱动有几个步骤:
1.开发运行在内核的UIO模块(分配和记录设备需要的资源和注册uio设备),因为硬中断只能在内核处理;
2.通过/dev/uioX读取中断;
3.通过mmap和外设共享内存,实现零拷贝;
五、DPDK核心优化:PMD
UIO旁路了内核,主动轮询去掉硬中断,DPDK从而可以在用户态做收发包处理。带来Zero Copy、无系统调用的好处,同步处理减少上下文切换带来的Cache Miss。
运行在PMD的Core会处于用户态CPU100%的状态
网络空闲时CPU长期空转,会带来能耗问题。所以,DPDK推出Interrupt DPDK模式。
Interrupt DPDK:
图片引自David Su/Yunhong Jiang/Wei Wang的文档《Towards Low Latency Interrupt Mode DPDK》
它的原理和NAPI很像,就是没包可处理时进入睡眠,改为中断通知。并且可以和其他进程共享同个CPU Core,但是DPDK进程会有更高调度优先级。
六、DPDK的高性能代码实现
1. 采用HugePage减少TLB Miss
默认下Linux采用4KB为一页,页越小内存越大,页表的开销越大,页表的内存占用也越大。CPU有TLB(Translation Lookaside Buffer)成本高所以一般就只能存放几百到上千个页表项。如果进程要使用64G内存,则64G/4KB=16000000(一千六百万)页,每页在页表项中占用16000000 * 4B=62MB。如果用HugePage采用2MB作为一页,只需64G/2MB=2000,数量不在同个级别。
而DPDK采用HugePage,在x86-64下支持2MB、1GB的页大小,几何级的降低了页表项的大小,从而减少TLB-Miss。并提供了内存池(Mempool)、MBuf、无锁环(Ring)、Bitmap等基础库。根据我们的实践,在数据平面(Data Plane)频繁的内存分配释放,必须使用内存池,不能直接使用rte_malloc,DPDK的内存分配实现非常简陋,不如ptmalloc。
2. SNA(Shared-nothing Architecture)
软件架构去中心化,尽量避免全局共享,带来全局竞争,失去横向扩展的能力。NUMA体系下不跨Node远程使用内存。
3. SIMD(Single Instruction Multiple Data)
从最早的mmx/sse到最新的avx2,SIMD的能力一直在增强。DPDK采用批量同时处理多个包,再用向量编程,一个周期内对所有包进行处理。比如,memcpy就使用SIMD来提高速度。SIMD在游戏后台比较常见,但是其他业务如果有类似批量处理的场景,要提高性能,也可看看能否满足。
4. 不使用慢速API
这里需要重新定义一下慢速API,比如说gettimeofday,虽然在64位下通过vDSO已经不需要陷入内核态,只是一个纯内存访问,每秒也能达到几千万的级别。但是,不要忘记了我们在10GE下,每秒的处理能力就要达到几千万。所以即使是gettimeofday也属于慢速API。DPDK提供Cycles接口,例如rte_get_tsc_cycles接口,基于HPET或TSC实现。
在x86-64下使用RDTSC指令,直接从寄存器读取,需要输入2个参数,比较常见的实现:
这么写逻辑没错,但是还不够极致,还涉及到2次位运算才能得到结果,我们看看DPDK是怎么实现:
巧妙的利用C的union共享内存,直接赋值,减少了不必要的运算。但是使用tsc有些问题需要面对和解决
1) CPU亲和性,解决多核跳动不精确的问题
2) 内存屏障,解决乱序执行不精确的问题
3) 禁止降频和禁止Intel Turbo Boost,固定CPU频率,解决频率变化带来的失准问题
5. 编译执行优化
1) 分支预测
现代CPU通过pipeline、superscalar提高并行处理能力,为了进一步发挥并行能力会做分支预测,提升CPU的并行能力。遇到分支时判断可能进入哪个分支,提前处理该分支的代码,预先做指令读取编码读取寄存器等,预测失败则预处理全部丢弃。我们开发业务有时候会非常清楚这个分支是true还是false,那就可以通过人工干预生成更紧凑的代码提示CPU分支预测成功率。
2) CPU Cache预取
Cache Miss的代价非常高,回内存读需要65纳秒,可以将即将访问的数据主动推送的CPU Cache进行优化。比较典型的场景是链表的遍历,链表的下一节点都是随机内存地址,所以CPU肯定是无法自动预加载的。但是我们在处理本节点时,可以通过CPU指令将下一个节点推送到Cache里。
API文档:https://doc.dpdk.org/api/rte__prefetch_8h.html
3) 内存对齐
内存对齐有2个好处:
3.1 避免结构体成员跨Cache Line,需2次读取才能合并到寄存器中,降低性能。结构体成员需从大到小排序和以及强制对齐。
参考《Data alignment: Straighten up and fly right》
3.2 多线程场景下写产生False sharing,造成Cache Miss,结构体按Cache Line对齐
4) 常量优化
常量相关的运算的编译阶段完成。比如C++11引入了constexp,比如可以使用GCC的__builtin_constant_p来判断值是否常量,然后对常量进行编译时得出结果。举例网络序主机序转换
其中rte_constant_bswap32的实现
5)使用CPU指令
现代CPU提供很多指令可直接完成常见功能,比如大小端转换,x86有bswap指令直接支持了。
这个实现,也是GLIBC的实现,先常量优化、CPU指令优化、最后才用裸代码实现。毕竟都是顶端程序员,对语言、编译器,对实现的追求不一样,所以造轮子前一定要先了解好轮子。
Google开源的cpu_features可以获取当前CPU支持什么特性,从而对特定CPU进行执行优化。高性能编程永无止境,对硬件、内核、编译器、开发语言的理解要深入且与时俱进。
七、DPDK生态
对我们互联网后台开发来说DPDK框架本身提供的能力还是比较裸的,比如要使用DPDK就必须实现TCP/IP协议栈(ARP,IP,TCP/UDP, socket等)这些基础功能,有一定上手难度。如果要更高层的业务使用,还需要用户态的协议栈支持。不建议直接使用DPDK。
应用
目前生态完善,社区强大(一线大厂支持)的应用层开发项目是FD.io(The Fast Data Project),有思科开源支持的VPP,比较完善的协议支持,ARP、VLAN、Multipath、IPv4/v6、MPLS等。用户态传输协议UDP/TCP有TLDK。从项目定位到社区支持力度算比较靠谱的框架。
Fd.io: The Universal Dataplane
FD.io(快速数据 - 输入/输出)是多个项目和库的集合,用于扩展基于数据平面开发套件 (DPDK) 的应用,以在通用硬件平台上支持灵活、可编程和可组合的服务。FD.io 为软件定义基础设施开发人员社区提供了一个登陆站点,其中包含多个项目:
促进基于软件的数据包处理的创新,以创建适用于许多架构(x86、ARM、 PowerPC)和部署环境(裸机、VM、容器)。
腾讯云开源的F-Stack也值得关注一下,开发更简单,直接提供了POSIX接口。
F-Stack是一个基于DPDK的开源高性能网络框架,具有以下特点:
网卡满载时可以达到的超高网络性能:1000万并发连接,500万RPS,100万CPS。
移植FreeBSD 11.01用户空间堆栈,提供完整的堆栈功能,并删减了大量无关功能。这大大提高了网络性能。
支持Nginx、Redis等成熟应用。服务可以轻松使用 F-Stack。
易于扩展的多进程架构。
提供微线程接口。各种有状态应用程序可以轻松使用 F-Stack 来获得高性能,而无需处理复杂的异步逻辑。
提供 Epoll/Kqueue 接口,允许多种应用轻松使用 F-Stack。
Seastar也很强大和灵活,内核态和DPDK都随意切换,也有自己的传输协议Seastar Native TCP/IP Stack支持,但是目前还未看到有大型项目在使用Seastar,可能需要填的坑比较多。
Seastar 目前专注于高吞吐量、低延迟的 I/O 密集型应用程序。
Pedis : Redis 兼容的数据结构存储
Scylla:NoSQL 列存储数据库,以 10 倍的吞吐量与 Apache Cassandra 兼容
Seastar HTTPD:网络服务器
Seastar Memcached:Memcache 键值存储的快速服务器
Open vSwitch (OVS)高性能开源虚拟交换机, 可以利用DPDK这些功能绕过 Linux 内核OVS 处理,增强OVS的IO性能,官方数据显示,可以提高9倍以上的性能提升.
八、高性能编程技术和代码优化
性能评估公式
IPP 表示代码的复杂程度,IPC 表示代码执行的效率
2G主频CPU处理10G网卡达到线速•2GHz/14.8Mpps =134 clock cycles
1.用户空间轮询
减少中断带来开销;
减少系统调用带来开销;
零拷贝减少内存拷贝的时间;
轮询 Polling,busy looping 提供了I/O批量处理的可能性;
避免中断性能瓶颈是DPDK提升数据包处理速度的关键之一;
2.多核CPU性能优化
RSS硬件队列;
CPU独占:独占CPU资源,减少调度影响,提高系统性能;
CPU绑定:减少CPU上下文切换,提高系统性能;
中断亲和 : 中断负载均衡,减轻其他CPU负担,提高系统性能;
进程亲和:减少CPU上下文切换,提高系统性能;
中断隔离:减少中断对CPU调度影响,提高系统性能;
Per CPU:Per-CPU是基于空间换时间的方法, 让每个CPU都有自己的私有数据段(放在L1中),并将一些变量私有化到 每个CPU的私有数据段中. 单个CPU在访问自己的私有数据段时, 不需要考虑其他CPU之间的竞争问题,也不存在同步的问题. 注意只有在该变量在各个CPU上逻辑独立时才可使用;
3. 锁优化
无锁数据结构,将并发最大化;
Per-CPU设计,尽量避免资源竞争;
采用RCU机制,读写共享数据可以无锁并行;
spinlock,采用非阻塞锁,防止上下文切换导致cache miss;
采用CAS原子操作(Compare and Swap)进行无锁设计;
4.批量处理
轮询机制允许一次接收或发送多个报文;
批量处理分摊的接收或发送操作本身的开销;
绝大部分报文需要做相同或相似的计算处理,意味着相同的指令会被反复地执行,报文的批量计算分摊了函数调用的上下文切换,堆栈的初始化等等开销,同时大大减少了l1i cache miss
对于某一个函数,l1icache miss 仅仅发生在第一个报文被处理的时刻
批量计算提供了更好的代码优化可能性(数据预取,多重循环等)
5.Cache优化
CPU的速度远远大于RAM的速度
程序在运行时具有局部性规律
时间局部性,很快还会访问
空间局部性,相邻也会访问
不同级别cache速度差异 L1 > L2 > L3
减少Cache Miss是提升性能的关键
Cache 层次化结构
iCacheMiss 常常被忽略
更优的代码,编译器优化选项
更小的代码尺寸
更好的代码布局- 分支预测
代码布局影响iCache命中率
B 段代码较少会被调用
Cache一致性问题
原则是避免多个核访问同一个内存地址或数据结构
在数据结构上,每个核都有独立的数据结构
多个核访问同一个网卡:每个核都创建单独的接收队列和发送队列
6. 代码优化技巧
Cache Line 对齐,减少dCache miss, 避免伪共享;
数据预取,减少dCache miss, prefetch 指令;
分支预测,优化代码布局, 提高CPU流水线效率;
函数内联,减少函数调用开销;
CPU扩展指令集SIMD:sse,avx,减少指令数量,最大化的利用一级缓存访存的带宽;
多重循环处理报文,更好地优化CPU流水线;
编译器优化;
更新优化请阅读:
参考
GBN手札 - 一文看懂DPD
https://feisky.gitbooks.io/sdn
https://www.dpdk.org/
http://doc.dpdk.org/guides/prog_guide/index.html
最后
DPDK的内容远不止如此,如果对DPDK感兴趣可以参考更多内容:
DPDK官网
https://www.dpdk.org/
DPDK源码
https://github.com/DPDK/dpdk
DPDK编程指南
http://doc.dpdk.org/guides/prog_guide/index.html
经典书籍推荐
《深入浅出DPDK》
Tags:
很赞哦! ()
随机图文
-
linux中报文从网卡到用户态recv的架子
分享一篇后台服务器性能优化之网络性能优化,希望大家对Linux网络有更深的理解。曾几何时,一切都是那么简单。网卡很慢,只有一个队列。当数据包到达时,网卡通过DMA复制数据包并发 -
深入理解DPDK程序设计|Linux网络2.0
移动互联网不断发展,网络流量徒增,推动着网络技术不断地发展,而CPU的运行频率基本停留在10年前的水平,为了迎接超高速网络技术的挑战,软件也需要大幅度创新,结合硬件技术的发展,DPDK,一个以软件优化为主的数据面技术应时而生,它为今天NFV技术的发展提供了绝佳的平台可行性。 作为技术人员,我们可以从中DPDK学习大量的高性能编程技巧和代码优化技巧,包括高性能软件架构最佳实践、高效数据结构设计和内存优化技巧、应用程序性能分析以及网络性能优化的技巧。 -
深入理解 Cache 工作原理
大家好,今天给大家分享一篇关于 Cache 的硬核的技术文,基本上关于Cache的所有知识点都可以在这篇文章里看到。