[GC]一个简单的Garbage Collector的实现

时间:2023-12-14 18:46:14

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:

 class A{
B b;
...
}
Class B{
...
} 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:

 typedef enum {
OBJ_INT,
OBJ_PAIR
} 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。

 typedef struct sObject {
ObjectType type; union {
/* OBJ_INT */
int value; /* OBJ_PAIR */
struct {
struct sObject* head;
struct sObject* tail;
};
};
} 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:

 typedef struct sObject {
ObjectType type; /* The next object in the linked list of heap allocated objects. */
struct sObject* next; union {
/* OBJ_INT */
int value; /* OBJ_PAIR */
struct {
struct sObject* head;
struct sObject* tail;
};
};
} 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:

 VM* newVM() {
VM* vm = malloc(sizeof(VM));
vm->stackSize = ;
vm->firstObject = NULL;
return vm;
}

  创建一个Object的过程如下:

 Object* newObject(VM* vm, ObjectType type) {

   Object* object = malloc(sizeof(Object));
object->type = type;
object->next = vm->firstObject;
vm->firstObject = object; return object;
}

  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:

 void push(VM* vm, Object* value) {
assert(vm->stackSize < STACK_MAX, "Stack overflow!");
vm->stack[vm->stackSize++] = value;
} Object* pop(VM* vm) {
assert(vm->stackSize > , "Stack underflow!");
return vm->stack[--vm->stackSize];
}

  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:

 void pushInt(VM* vm, int intValue) {
Object* object = newObject(vm, OBJ_INT);
object->value = intValue; push(vm, object);
} Object* pushPair(VM* vm) {
Object* object = newObject(vm, OBJ_PAIR);
object->tail = pop(vm);
object->head = pop(vm); push(vm, object);
return object;
}

  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:

 typedef struct sObject {
ObjectType type;
unsigned char marked; /* The next object in the linked list of heap allocated objects. */
struct sObject* next; union {
/* OBJ_INT */
int value; /* OBJ_PAIR */
struct {
struct sObject* head;
struct sObject* tail;
};
};
} Object;

  同时还需要更新的是,在newObject函数中对mark位进行初始化:

 Object* newObject(VM* vm, ObjectType type) {

   Object* object = malloc(sizeof(Object));
object->type = type;
object->next = vm->firstObject;
vm->firstObject = object;
object->marked = ; return object;
}

  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:

 void mark(Object* object) {
object->marked = ; if (object->type == OBJ_PAIR) {
mark(object->head);
mark(object->tail);
}
}

  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:

 void mark(Object* object) {
/* If already marked, we're done. Check this first
to avoid recursing on cycles in the object graph. */
if (object->marked) return; object->marked = ; if (object->type == OBJ_PAIR) {
mark(object->head);
mark(object->tail);
}
}

  对于栈中维护的object,可以用一个markAll来全部标记:

 void markAll(VM* vm)
{
for (int i = ; i < vm->stackSize; i++) {
mark(vm->stack[i]);
}
}

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。

 void sweep(VM* vm)
{
Object** object = &vm->firstObject;
while (*object) {
if (!(*object)->marked) {
/* This object wasn't reached, so remove it from the list
and free it. */
Object* unreached = *object; *object = unreached->next;
free(unreached);
} else {
/* This object was reached, so unmark it (for the next GC)
and move on to the next. */
(*object)->marked = ;
object = &(*object)->next;
}
}
}

  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:

 void gc(VM* vm) {
markAll(vm);
sweep(vm);
}

  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:

 typedef struct {
Object* stack[STACK_MAX];
int stackSize; /* The first object in the linked list of all objects on the heap. */
Object* firstObject; /* The total number of currently allocated objects. */
int numObjects; /* The number of objects required to trigger a GC. */
int maxObjects;
} 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:

 VM* newVM() {
VM* vm = malloc(sizeof(VM));
vm->stackSize = ;
vm->firstObject = NULL;
vm->numObjects = ;
vm->maxObjects = INITIAL_GC_THRESHOLD;
return vm;
}

  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。

 Object* newObject(VM* vm, ObjectType type) {
if (vm->numObjects == vm->maxObjects) gc(vm); Object* object = malloc(sizeof(Object));
object->type = type;
object->next = vm->firstObject;
vm->firstObject = object;
object->marked = ; vm->numObjects++; return object;
}

  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:

 void sweep(VM* vm)
{
Object** object = &vm->firstObject;
while (*object) {
if (!(*object)->marked) {
/* This object wasn't reached, so remove it from the list and free it. */
Object* unreached = *object; *object = unreached->next;
free(unreached); vm->numObjects--;
} else {
/* This object was reached, so unmark it (for the next GC) and move on to
the next. */
(*object)->marked = ;
object = &(*object)->next;
}
}
}

  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:

 void gc(VM* vm) {
int numObjects = vm->numObjects; markAll(vm);
sweep(vm); vm->maxObjects = vm->numObjects * ; printf("Collected %d objects, %d remaining.\n", numObjects - vm->numObjects,
vm->numObjects);
}

  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、*:http://en.wikipedia.org/wiki/Garbage_collection_(computer_science)