[GC]一个简单的Garbage Collector的实现
2013-12-23 00:52 庸男勿扰 阅读(2188) 评论(1) 编辑 收藏 举报前言:
最近看了google的工程师写的一个非常简单的垃圾收集器,大概200多行C代码,感叹大牛总能够把复杂的东西通过很简单的语言和代码表达出来。为了增加自己的理解,决定把大牛的想法和代码分析一遍,与大家分享,顺便结合wikipedia,复习下GC的基本概念。
相信大家在写程序的过程中都遇到内存管理的问题,诸如malloc/delete、new/free等,C/C++需要程序员主动进行内存的释放,即垃圾内存的回收,而像Java就提供了GC机制来自动进行垃圾回收。
一、垃圾与垃圾回收
为什么需要进行垃圾回收呢?
垃圾回收就是要让程序员感觉有“无限”的内存供他一直allocate,事实上计算机不会有无限的内存,这就需要将一些垃圾内存进行自动回收,已使得在“任一时刻”都有内存可用。
这种自动回收机制除了解放了程序员外,对程序本身也有很多好处:
1、野指针问题。这在C/C++中很常见,某块内存区域已经被释放掉或被重新分配,而其引用(指针)变量依然在被使用,往往带来很多难以预料的错误。
2、内存泄漏。如果内存都有程序员来管理,若某块内存使用完了没有及时释放,很容易造成内存的泄漏。
3、还有一些其他的诸如重复释放问题,即内存区域已被释放或另作他用,程序员又手动再次free。
总之,GC机制解决了很多内存管理上的问题,很大程度上避免了人为产生的Bug。
当然,GC机制也在一些场合也有一些问题:
1、一个最大的问题就是,GC机制本身占用了系统资源,从而造成系统性能的下降。
2、GC机制中,什么时候进行垃圾回收是不确定的,也就是说某一时刻会造成系统性能下降,这在一些诸如实时系统中是无法容忍的。
什么是垃圾?
在计算机中,垃圾内存是指之前被分配过,但不再使用的内存。这里又有一个问题,如何知道某个内存区域不再被使用。如果程序中不再有这块内存的引用,显然就可以说明这块内存不再会被使用到了。为了更好的说明不再使用的内存,我们先定义什么是使用中的内存:
1、如果某个正在使用的变量引用了这块内存对象,说明这个对象正在使用;
2、如果某个正在使用的内存对象引用了这块内存对象,说明这个对象也是正在使用的。
[1、Any object that’s being referenced by a variable that’s still in scope is in use.
2、Any object that’s referenced by another object that’s in use is in use.]
例如:
1 class A{ 2 B b; 3 ... 4 } 5 Class B{ 6 ... 7 } 8 9 A a = new A();
只要a正在使用中,那么所指向的那块空间就正在使用中,又由于A中有b对象,那么b所指向的空间也正在使用中(这其实是一条递归的定义方式,或者说是传递闭包)。换句话说,任何一个对象,只要能通过程序中的某个变量访问到(reachable),那么这个对象所占用的内存资源就是正在使用的,假设现在有一个对象之间的引用图,如果某块内存区域在这个图上是不可达的,那么这块内存区域就是不再使用的。
总结来说,一个对象如果能被访问到,即是正在使用的(in-use),一般是下面两种情况:
对象可达性定义:
1、对象在调用栈中被引用(局部变量,参数等),或者作为全局变量引用。
2、被1中的对象引用。
总结下,GC的过程就可以归结为,a、找到不再使用的对象;b、回收其占用的内存资源。
目前有很多方法来实现GC的这个过程。其中最简单的一种是Naïve mark-and-sweep。顾名思义,这种方法总共分为两步,对不再使用内存的标记和扫除。具体来说就是每个对象占用的内存都有一个标记。这个标记仅在GC执行时才会用到。在GC运行后,首先按照上述对对象可达性定义,将这个对象占用的内存的标记设为in-use状态(Mark),然后扫描内存区域,那些拥有标记位,但是没有被置为in-use状态的,说明就是需要被回收的(Sweep),整个过程结束后,再将所有的标记位重置,等待下一次回收过程。
三、自己动手实现一个简单的Garbage Collector
1、类型
为了简化,我们这里只讨论两种类型,一种是不含嵌套的,类似于int、char这样的类型,一种是含有嵌套的,类似于class这样的类型。对于第二种类型,作者采用的是Pair,即<A,B>,其中A、B也可以是Pair类型(当然也可以是第一种普通的类型)。对象的类型表示如下:
1 typedef enum { 2 OBJ_INT, 3 OBJ_PAIR 4 } ObjectType;
为了让不同类型的对象信息便于用一个统一的数据结构维护,我们又定义了Object类型,这个类型包含了具体的类型,和其所对应的值。
1 typedef struct sObject { 2 ObjectType type; 3 4 union { 5 /* OBJ_INT */ 6 int value; 7 8 /* OBJ_PAIR */ 9 struct { 10 struct sObject* head; 11 struct sObject* tail; 12 }; 13 }; 14 } Object;
这里有一个trick(个人认为),就是采用了union这样的结构,实现的内存的overlapping。另外,值得注意的是,这里展示了Pair这个数据结构的定义,如前所述,这是一个递归的定义。
2、虚拟机
前面已经提到,垃圾回收机制的实现,得益于其维护了一些中间信息,最最基本的中间信息便是a、程序总共分配了哪些内存构成的集合A;b、正在用的是哪些内存构成的集合B。有了这些信息,gc的过程就变得很简单,即sweep掉A-B的内存。
我们把这样的一个数据结构程序虚拟机,对于正在使用的对象集合,采用栈来维护(同样采用栈式结构的还有JVM),对于程序总共分配的内存集合,采用链表来维护。由于采用了链表,原来的Object结构体需要加上next指针,更新后的Object结构体如下:
1 typedef struct sObject { 2 ObjectType type; 3 4 /* The next object in the linked list of heap allocated objects. */ 5 struct sObject* next; 6 7 union { 8 /* OBJ_INT */ 9 int value; 10 11 /* OBJ_PAIR */ 12 struct { 13 struct sObject* head; 14 struct sObject* tail; 15 }; 16 }; 17 } Object;
因此,虚拟机定义如下:
#define STACK_MAX 256 typedef struct { Object* stack[STACK_MAX]; int stackSize; /* The first object in the linked list of all objects on the heap. */ Object* firstObject; } VM;
创建并初始化一个虚拟机的过程如下:
1 VM* newVM() { 2 VM* vm = malloc(sizeof(VM)); 3 vm->stackSize = 0; 4 vm->firstObject = NULL; 5 return vm; 6 }
创建一个Object的过程如下:
1 Object* newObject(VM* vm, ObjectType type) { 2 3 Object* object = malloc(sizeof(Object)); 4 object->type = type; 5 object->next = vm->firstObject; 6 vm->firstObject = object; 7 8 return object; 9 }
注意,这里创建一个Object仅是将其放到程序分配的内存集合,即链表中,还没有作为正在使用的对象加到栈中。
对于正在使用中的对象的维护,对应的push和pop函数如下:
1 void push(VM* vm, Object* value) { 2 assert(vm->stackSize < STACK_MAX, "Stack overflow!"); 3 vm->stack[vm->stackSize++] = value; 4 } 5 6 7 Object* pop(VM* vm) { 8 assert(vm->stackSize > 0, "Stack underflow!"); 9 return vm->stack[--vm->stackSize]; 10 }
对于不同的类型,根据上面实现的push函数,可以写出对应类型的push,如pushInt,具体如下:
1 void pushInt(VM* vm, int intValue) { 2 Object* object = newObject(vm, OBJ_INT); 3 object->value = intValue; 4 5 push(vm, object); 6 } 7 8 Object* pushPair(VM* vm) { 9 Object* object = newObject(vm, OBJ_PAIR); 10 object->tail = pop(vm); 11 object->head = pop(vm); 12 13 push(vm, object); 14 return object; 15 }
这里的pushPair是先单独push两个object,然后再取出来,构建一个新的Pair类型的object,重新push。(个人没明白为什么要这么做,感觉没必要)。
到这里,我们已经拥有了程序运行时内存分配的信息,接下来就要开始进行mark-and-sweep了。
3、Mark
很显然,我们需要一个Flag标志来区分哪些是in-use,哪些不是。因此,需要在原来的Object结构体中加上这样的标志位,更新后的Object结构体如下:
1 typedef struct sObject { 2 ObjectType type; 3 unsigned char marked; 4 5 /* The next object in the linked list of heap allocated objects. */ 6 struct sObject* next; 7 8 union { 9 /* OBJ_INT */ 10 int value; 11 12 /* OBJ_PAIR */ 13 struct { 14 struct sObject* head; 15 struct sObject* tail; 16 }; 17 }; 18 } Object;
同时还需要更新的是,在newObject函数中对mark位进行初始化:
1 Object* newObject(VM* vm, ObjectType type) { 2 3 Object* object = malloc(sizeof(Object)); 4 object->type = type; 5 object->next = vm->firstObject; 6 vm->firstObject = object; 7 object->marked = 0; 8 9 return object; 10 }
有了这个标志位,我们就可以写mark函数了,mark过程有一个值得注意的就是,对于嵌套的数据结构,其内部子Object也需要进行mark,根据这样的原则,我们很容易写出如下代码:
1 void mark(Object* object) { 2 object->marked = 1; 3 4 if (object->type == OBJ_PAIR) { 5 mark(object->head); 6 mark(object->tail); 7 } 8 }
事实上这里有一个很明显的错误,即如果出现循环嵌套情况(A中有B,B中有A),mark过程就会一直执行下去,因此,需要一个边界条件来结束递归。边界条件便是,如果已经标记过了,就返回,更新后的代码如下:
1 void mark(Object* object) { 2 /* If already marked, we're done. Check this first 3 to avoid recursing on cycles in the object graph. */ 4 if (object->marked) return; 5 6 object->marked = 1; 7 8 if (object->type == OBJ_PAIR) { 9 mark(object->head); 10 mark(object->tail); 11 } 12 }
对于栈中维护的object,可以用一个markAll来全部标记:
1 void markAll(VM* vm) 2 { 3 for (int i = 0; i < vm->stackSize; i++) { 4 mark(vm->stack[i]); 5 } 6 }
4、Sweep
Sweep过程很简单,遍历程序总共分配的对象链表,如果没有标记,就free掉这块内存,因为标记了的都是在栈中出现过的,如果标记过,就将其mark位复位,以备下次gc过程重新检查其是不是还在栈中,即是不是还需要标记。
1 void sweep(VM* vm) 2 { 3 Object** object = &vm->firstObject; 4 while (*object) { 5 if (!(*object)->marked) { 6 /* This object wasn't reached, so remove it from the list 7 and free it. */ 8 Object* unreached = *object; 9 10 *object = unreached->next; 11 free(unreached); 12 } else { 13 /* This object was reached, so unmark it (for the next GC) 14 and move on to the next. */ 15 (*object)->marked = 0; 16 object = &(*object)->next; 17 } 18 } 19 }
执行完sweep过程后,我们就将所有unreasonable的内存全部回收!
因此,一个完整的gc函数如下:
1 void gc(VM* vm) { 2 markAll(vm); 3 sweep(vm); 4 }
你以为GC机制就这样完成了?其实还差那么一点,一个很重要的问题摆在我们面前,什么时候去调用这个gc函数?在GC的定义中,给出的是当low on memory的时候去调用,那low on memory又是一个什么概念?显然这又与具体的硬件配置有关。
5、gc的调用
为了简化问题,我们采用一种非常naive的方法来触发gc函数(既然是可以让我们自己动手实现的,当然是越简单越好喽~),简单来说,就是设置一个对象数的上限,当超过这个上限时,就触发gc函数,这需要有虚拟机来维护。因此,我们在虚拟机里加入两个变量,一个是numObjects,表示当前分配的对象总数,另一个是
maxObjects,表示上限。更新后的虚拟机如下:
1 typedef struct { 2 Object* stack[STACK_MAX]; 3 int stackSize; 4 5 /* The first object in the linked list of all objects on the heap. */ 6 Object* firstObject; 7 8 /* The total number of currently allocated objects. */ 9 int numObjects; 10 11 /* The number of objects required to trigger a GC. */ 12 int maxObjects; 13 } VM;
那么在初始化VM时,就需要同时对这两个值也进行初始化:
1 VM* newVM() { 2 VM* vm = malloc(sizeof(VM)); 3 vm->stackSize = 0; 4 vm->firstObject = NULL; 5 vm->numObjects = 0; 6 vm->maxObjects = INITIAL_GC_THRESHOLD; 7 return vm; 8 }
在创建一个对象时,就会判断下是否超过上限,如果超过,就执行gc函数,同时更新numObjects。更新后的newObject函数如下。
1 Object* newObject(VM* vm, ObjectType type) { 2 if (vm->numObjects == vm->maxObjects) gc(vm); 3 4 Object* object = malloc(sizeof(Object)); 5 object->type = type; 6 object->next = vm->firstObject; 7 vm->firstObject = object; 8 object->marked = 0; 9 10 vm->numObjects++; 11 12 return object; 13 }
对于先前的sweep函数,在释放掉一块unreasonable内存后,也要更新numObjects。更新后的sweep函数如下:
1 void sweep(VM* vm) 2 { 3 Object** object = &vm->firstObject; 4 while (*object) { 5 if (!(*object)->marked) { 6 /* This object wasn't reached, so remove it from the list and free it. */ 7 Object* unreached = *object; 8 9 *object = unreached->next; 10 free(unreached); 11 12 vm->numObjects--; 13 } else { 14 /* This object was reached, so unmark it (for the next GC) and move on to 15 the next. */ 16 (*object)->marked = 0; 17 object = &(*object)->next; 18 } 19 } 20 }
那么,现在又有一个问题,上限值应该设为多少合适呢?不同的程序会有不同的内存要求,设置太大了,对于对内存消耗比较低的程序,可能就根本不会触发gc,设置过小了,对于内存消耗比较大程序就会频繁触发gc,导致性能下降。因此,上限值需要动态更新,这里更新的原则是,每次执行gc后,链表中没有被free掉的对象数的两倍。更新后的gc程序如下:
1 void gc(VM* vm) { 2 int numObjects = vm->numObjects; 3 4 markAll(vm); 5 sweep(vm); 6 7 vm->maxObjects = vm->numObjects * 2; 8 9 printf("Collected %d objects, %d remaining.\n", numObjects - vm->numObjects, 10 vm->numObjects); 11 }
至此,一个简单的GC程序便实现了!(想想还真有点小激动呢~)
后记:
本文相当于一篇读后感吧,包括各种博客、代码等,一是为了梳理思路,了解相关知识(在这之前我还真没关注过GC的过程);二是分享给那些跟我一样对GC不太明白甚至心生畏惧的同学,一个简单的GC就是这么容易地实现了,200多行哦;三则是为了抛砖引玉,我水平有限,尤其对这些有点偏底层偏细节的东西理解不深,如有错误,还望指出!如果您觉得对您有帮助,不要忘了推荐哦~
参考资料:
1、大牛的博客:http://journal.stuffwithstuff.com/2013/12/08/babys-first-garbage-collector/
2、大牛的github:https://github.com/zhujiangang/mark-sweep/blob/master/main.c
3、维基百科:http://en.wikipedia.org/wiki/Garbage_collection_(computer_science)
出处:http://www.cnblogs.com/codershell
本文版权归作者所有,欢迎转载,但未经作者同意必须保留此段声明,且在文章页面明显位置给出原文连接,否则保留追究法律责任的权利。
如果您觉得对您有帮助,不要忘了推荐一下哦~