Easytier/bench/007-hotpath-cpu-optimization-journey.md

hotpath CPU 热点分析与发包链路优化

概述

本文档记录了使用 hotpath + samply 对 easytier-core 发包链路进行 CPU 热点分析的全过程，包括工具链搭建、热点定位、优化实施、踩坑记录和最终 benchmark 结果。

最终 benchmark 数据

带 hotpath profiling（timing 可见，但有 observer effect）

Tunnel	原始 pps	优化后 pps	提升	MpscTunnelSender::send
Ring	234K	478K	+104%	138ns (原 2.23µs)
UDP	N/A	440K	—	294ns
TCP	N/A	453K	—	378ns

不带 hotpath（真实生产性能）

Tunnel	优化后 pps	带宽	每包成本
Ring	1,105K	12.4 Gbps	0.91µs
TCP	984K	11.0 Gbps	1.02µs

hotpath observer effect

hotpath 测量基础设施引入了 ~54-57% 的性能开销：

Tunnel	不带 hotpath	带 hotpath	hotpath 开销
Ring	1,105K pps	478K pps	-57%
TCP	984K pps	453K pps	-54%

含义：

• timing 数据里的 send_msg_by_ip: 2.15µs 是膨胀值，真实成本 ~1.0µs
• 所有 timing 数据需要按 ~2.3x 校准才能反映真实开销
• hotpath 适用于相对比较（优化前 vs 后），不适用于绝对性能评估
• 生产环境部署不应用 hotpath feature 编译

测试条件：4 threads, 1400B packets, 10s, 宿主机直跑（TCP/UDP）/ Docker 容器（带 netns）。

---

工具链搭建

hotpath + samply 安装

# hotpath TUI (console)
cargo install hotpath --version 0.18.0 --bin hotpath --features tui

# hotpath-samply (samply wrapper，autospawn 依赖)
cargo install hotpath --version 0.18.0 --bin hotpath-samply

# samply 本体（hotpath-samply 内部 spawn samply record）
cargo install samply

内核参数

samply 需要 perf_event 开销，需要调整内核参数：

echo '1' | sudo tee /proc/sys/kernel/perf_event_paranoid
echo '65536' | sudo tee /proc/sys/kernel/perf_event_mlock_kb

• perf_event_paranoid 默认 2（不允许非 root 采样），需降到 1。
• perf_event_mlock_kb 默认 516 KB，32 核机器上 samply 的 mmap buffer 总量超限，需增大到 65536。

hotpath profile 编译

# Cargo.toml
[profile.hotpath]
inherits = "release"
strip = false
debug = "line-tables-only"

samply 需要 debug symbols 且不能 strip。release profile 默认 strip = true，必须用单独的 profile。

Docker 隔离环境（可选，TCP/UDP bench）

修复 loopback bind 地址后（见坑 11），TCP/UDP bench 可以直接在宿主机上跑，不需要 Docker：

# Ring（进程内，无需隔离）
HOTPATH_TUNNEL=ring ./target/hotpath/examples/cpu_hotspot_ring

# TCP/UDP（修复后也支持宿主机直跑）
HOTPATH_TUNNEL=tcp ./target/hotpath/examples/cpu_hotspot_ring

如果仍有 convergence 问题（多网卡环境），用 Docker 提供独立 netns：

docker run --rm \
  -v "$(pwd)/target/hotpath/examples/cpu_hotspot_ring:/bench:ro" \
  -e HOTPATH_TUNNEL=tcp \
  -e HOTPATH_BENCH_SECS=10 \
  fedora:latest \
  /bench

Docker 镜像需要匹配宿主机的 glibc 版本。Fedora 宿主用 fedora:latest。

---

踩坑记录

坑 1：samply 报 "failed to spawn samply: No such file or directory"

现象：hotpath CPU report 显示 failed to spawn samply: No such file or directory (os error 2)

原因：hotpath-samply 只是 wrapper，它内部 spawn samply record --pid <pid> 来采集 CPU 样本。samply 本体没装。

解决：

cargo install samply

如果 autospawn 找不到 hotpath-samply 本身，用环境变量指定完整路径：

export HOTPATH_SAMPLY_WRAPPER_BIN=~/.cargo/bin/hotpath-samply

坑 2：samply 报 "Failed to start profiling: mmap failed"

现象：samply 启动后立即报 mmap 失败。

原因：perf_event_mlock_kb 默认只有 516 KB。32 核机器上 samply 为每个 CPU core 创建 mmap buffer，总 mmap 量超过限制。

解决：

echo '65536' | sudo tee /proc/sys/kernel/perf_event_mlock_kb

坑 3：samply 报 "samply exited with status exit status: 1"

现象：samply 被 spawn 了但 exit 1。

原因：同坑 2——perf_event_paranoid = 2 时非 root 用户无法使用 perf_event_open。

解决：

echo '1' | sudo tee /proc/sys/kernel/perf_event_paranoid

坑 4：火焰图全是地址，看不到符号

现象：samply profile 打开后火焰图全是 0x31dd24 之类的地址。

原因：samply profile 里存储的是地址（不内联符号化）。符号化在查看时通过 symbol server 动态完成。如果直接下载 raw JSON 上传到 profiler.firefox.com，符号 server 无法访问本地二进制文件。

解决：必须用 samply load 本地打开（它启动 symbol server 自动做符号化）：

samply load /tmp/hotpath/<session>/hp.json.gz

不要下载 JSON 再上传到 profiler.firefox.com。

坑 5：samply 符号化后 _dl_mcount_wrapper 占 18.1%

现象：send_msg_internal inclusive 分析显示 _dl_mcount_wrapper 占 18.1% CPU。

原因：nm 的动态符号表里 _dl_mcount_wrapper（0x1498d0）到下一个符号（0x1b3e9e）之间有 425 KB gap。nm 的 bisect 查找把 gap 内所有地址错误归因到 _dl_mcount_wrapper。gap 里实际是 AVX2 优化的 memmove/memcmp/memset 等函数。

解决：用 addr2line 精确解析（而非 nm bisect）。实际开销是 memmove 1.67% + memcmp 0.20% + memset 0.19% = 2.1%，不是 18%。没有 profiling 钩子。

坑 6：parking_lot::MutexGuard 不是 Send

现象：使用 parking_lot::Mutex 替代 tokio::sync::Mutex 后，编译报 31 个 "future cannot be sent between threads safely"。

原因：parking_lot::MutexGuard 刻意不实现 Send——锁必须在获取它的同一个线程上释放。在 async fn 里 guard 跨 await 点会导致 Future 不是 Send，tokio multi_thread runtime 拒绝 spawn。

解决：自定义 SpinSink（AtomicBool spinlock），SpinGuard 只持有 &SpinSink 引用（SpinSink: Sync via unsafe impl），是 Send。

坑 7：std::sync::MutexGuard 也不是 Send（在某些配置下）

现象：std::sync::Mutex 同样报 "future cannot be sent between threads safely"。

原因：Rust 标准库的 MutexGuard 的 Send 实现依赖于内部类型。Pin<Box<dyn ZCPacketSink>> 包含 trait object，某些配置下 guard 不是 Send。

解决：用自定义 SpinSink 绕过所有标准 Mutex 实现。

坑 8：direct sink path 没有性能提升

现象：去掉 channel 中转（MpscTunnelSender 直接持有 sink），从 3 个 await 点（lock + feed + flush）改为 try_lock + poll_fn 合并。MpscTunnelSender::send 仍然 ~2µs。

原因：瓶颈不在 lock 或 channel，而在 async fn Future 状态机的固有开销。每次 .await 创建一个 Future struct、poll 它、drop 它。即使 poll 立即返回 Ready，整个 async machinery 开销 ~2µs。RingSink 实际操作只有 ~40ns（2%）。

解决：用 noop_waker() 在 async fn 内部同步调用 Sink trait 方法（poll_ready + start_send + poll_flush）。async fn 在第一次 poll 就同步完成返回——绕过所有 async 调度开销。开销从 2µs 降到 ~140ns。

坑 9：sync send 破坏了 TCP/UDP tunnel

现象：把 send 从 async fn 改为 sync fn 后，所有 TCP/UDP 相关测试失败（452 个失败）。

原因：TCP/UDP tunnel 用 channel mode（MpscTunnel::new）。sync send 的 channel path 只做 try_send，channel 满时返回 BufferFull（丢包），而不是 send().await（等待背压）。丢包导致 TCP/UDP 连接握手失败。

解决：保持 send 为 async fn。direct path（ring/UDP/TCP）内部用 noop_waker 同步完成（不 yield）。channel path 仍然走 async send_async().await。async fn wrapper 对 direct path 只有 ~100ns 开销（Future struct 创建 + 单次 poll），因为不 yield。

坑 10：poll_flush Pending 返回 Shutdown 导致连接断开

现象：noop_waker 模式下，TCP tunnel 的 poll_flush 可能返回 Pending（TCP 写缓冲区满）。返回 Err(Shutdown) 导致 PeerConn 认为连接断开。

原因：TCP 的 FramedWriter::poll_flush 做实际 socket write（系统调用）。socket 缓冲区满时返回 Pending。数据已经在 BufList 里，不需要 panic。

解决：poll_flush Pending 时返回 Ok(())。数据已在 buffer（ring buffer 或 BufList），后续操作会消费它。Pending 只意味着 "还没 flush 到网络"，不是 "错误"。

坑 11：TCP/UDP bench convergence 失败

现象：TCP/UDP tunnel 的 bench 中，两个实例无法建立连接（routes did not converge within 15s）。

原因：set_bind_addr_for_peer_connector（connector/mod.rs:70-77）收集所有本机 IP 作为 TCP bind 地址，但不包含 127.0.0.1。connector 绑定到 172.17.0.2（Docker eth0）后连接 127.0.0.1 路由不通 → 2 秒超时。

解决：在 bind 地址列表头部加入 127.0.0.1:0。connector 遍历所有 bind 地址，loopback 先被尝试，localhost 连接成功。

坑 12：ShardedCounter (#2385) 在高频路径引入回退

现象：cherry-pick PR #2385（ShardedCounter 替代 UnsafeCell）后，pps 下降 17%（246K → 203K）。

原因：ShardedCounter 的 TLS 分片设计优化多线程 contention，但每包调用 16 次 ShardedCounter::add（TLS load + store），单次 ~14ns，总 224ns/包。比原来的 UnsafeCell（~2ns/次）高 6 倍。每包 16 次的调用频率让 TLS 开销累积。

教训：TLS 分片策略适合 低频高并发 场景，不适合 高频单线程 的发包热路径。

坑 13：ZCPacket pool 不如 glibc tcache

现象：用 crossbeam_queue::ArrayQueue 做 BytesMut 对象池，每包从池取/归还。性能没有提升（甚至 -15%）。

原因：glibc malloc 对 ~1500 bytes 小块分配有 thread-local cache（tcache），单次 alloc ~10-15ns。ArrayQueue 的 pop/push 是 CAS 操作（~20-40ns），比 tcache 更慢。pool 还多了 capacity 检查和 clear 操作。

教训：手动对象池在现代 glibc tcache 面前没有优势。真正需要 pool 的场景是避免 munmap（大块 >128KB 分配），不是小块。

坑 14：Pipeline (FuturesUnordered) 效果微小

现象：用 FuturesUnordered 让多个 send_msg_by_ip 并发（pipeline_depth=4），pps 只提升 1.6%。

原因：try_send fast path 让 MpscTunnelSender::send 立即返回（不 await）。多个 send_msg_by_ip 之间没有自然的时间重叠——它们在 CPU 上是串行的。pipeline 需要利用 await 等待时间，但 fast path 消除了 await。

坑 15：hotpath 测量引入 54% observer effect

现象：同一 binary 带 hotpath feature 和不带 hotpath feature 跑 bench，pps 差距巨大。

数据：

Tunnel	不带 hotpath	带 hotpath	hotpath 开销
Ring	1,105K pps	478K pps	-57%
TCP	984K pps	453K pps	-54%

原因：hotpath #[measure] / #[measure_all] 在每个标注的 async fn 上包装 Future struct，每次 poll 记录开始/结束时间（quanta::Instant ~5ns × 2）、更新统计（atomic 操作）。measure_all 覆盖的 impl 块内所有方法都被插桩。当有 ~30 个 measure 点在发包热路径上时，累计开销超过 50%。

教训：

• hotpath timing 数据适用于相对比较（优化前 vs 后），不适用于绝对性能评估
• 生产环境不应用 hotpath feature 编译
• 要获取真实 pps，编译不带 --features hotpath 的版本
• timing 数据按 ~2.3x 校准可近似真实开销

---

优化实施记录

有效优化

优化	带 hotpath pps 变化	不带 hotpath 效果	机制
try_send fast path	+7%	减少 mpsc semaphore 开销	跳过 tokio mpsc semaphore
metrics batch + sync	+1.6%	减少 CounterHandle touch	batch + sync fast path
channel 32→1024	~0%	减少 fallback 频率	更大 buffer
noop_waker sync send	+90%	绕过 async machinery	RingSink 直接 sync poll
#2385 ZCPacket safe init	+5% (TCP)	copy_nonoverlapping	无 aliasing 检查
#2381 advance (零拷贝)	~0%	消除 split_off Arc churn	Buf::advance 替代 split_off

验证无效并回退

尝试	结果	原因
ShardedCounter (#2385)	-17% pps	TLS 分片高频开销 > UnsafeCell
ZCPacket pool	-15% pps	glibc tcache 比 ArrayQueue CAS 更快
Allocator 切换 (jemalloc/mimalloc)	~0%	小块分配 tcache 都已足够
Pipeline (FuturesUnordered)	+1.6%	try_send 消除了 await 空隙
dashmap 合并	~0%	contains_key 本身 ~50ns

noop_waker 技术详解

核心原理：async fn send() 内部用 noop_waker() 构造 dummy Context，直接调 Sink trait 的 poll_ready + start_send + poll_flush。RingSink 在 ring buffer 不满时所有操作立即返回 Ready——noop_waker 永远不会被触发。

pub async fn send(&self, item: ZCPacket) -> Result<(), TunnelError> {
    if let Some(sink) = &self.direct_sink {
        if let Some(mut guard) = sink.try_lock() {
            let waker = futures::task::noop_waker();
            let mut cx = std::task::Context::from_waker(&waker);
            match guard.as_mut().poll_ready(&mut cx) {
                Poll::Ready(Ok(())) => {
                    guard.as_mut().start_send(item)?;
                    match guard.as_mut().poll_flush(&mut cx) {
                        Poll::Ready(Err(e)) => return Err(e),
                        _ => return Ok(()),  // Ready(Ok) 或 Pending 都返回 Ok
                    }
                }
                // ...
            }
        }
        return Err(TunnelError::BufferFull);
    }
    // Channel mode: async with backpressure
    self.send_async(item).await
}

为什么 Pending 返回 Ok：poll_flush Pending 意味着数据已在 buffer（ring buffer 或 BufList）但还没 flush 到网络。forward task 或下一次 send 会消费它。这是安全的——数据不丢、不乱序。

适用范围：所有 Sink 的 start_send 是同步内存操作的 tunnel：

• Ring tunnel: RingSink → ring buffer（内存）
• UDP tunnel: RingSink → ring buffer → forward_from_ring_to_udp task → socket
• TCP tunnel: FramedWriter → BufList（内存）→ poll_flush 时 write socket

---

hotpath measure 布点

当前覆盖

send_msg_by_ip                    ✅ measure
 ├─ try_compress_and_encrypt      ✅ measure
 ├─ get_msg_dst_peer_ipv4         ✅ measure
 ├─ run_nic_packet_process_pipeline ✅ measure
 ├─ send_msg_internal             ✅ measure
 │   ├─ PeerMap::send_msg_directly  ✅ measure_all
 │   ├─ PeerMap::get_peer_by_id     ✅ measure_all
 │   ├─ PeerMap::get_gateway_peer_id ✅ measure_all
 │   ├─ PeerMap::has_peer           ✅ measure_all
 │   ├─ record_tx_fast             ❌ (sync fn, 无 measure)
 │   └─ Peer::send_msg             ✅ measure
 │       └─ PeerConn::send_msg     ✅ measure
 │           └─ MpscTunnelSender::send ✅ measure
 ├─ MpscTunnel::forward_one_round ✅ measure
 │   ├─ RingSink::poll_ready       ✅ measure_all
 │   ├─ RingSink::start_send       ✅ measure_all
 │   └─ RingSink::poll_flush       ✅ measure_all
 └─ CidrSet::*                    ✅ measure_all

布点排除项（避免与已有 PR 冲突）

文件	排除原因
stats_manager.rs	PR #2385 重写中
traffic_metrics.rs	依赖 stats_manager
peer_manager.rs (部分)	advisor/001-002 改动
peer_conn.rs (部分)	advisor/001-002 改动
tunnel/mpsc.rs (部分)	perf/001 改动
packet_def.rs	perf/001-003 改动
peer_ospf_route.rs	advisor/003-004 改动

---

运行方式

Ring tunnel bench

cargo build --profile hotpath --features hotpath --example cpu_hotspot_ring
HOTPATH_BENCH_SECS=15 ./target/hotpath/examples/cpu_hotspot_ring

TCP/UDP bench（需要 Docker 隔离）

docker run --rm \
  -v "$(pwd)/target/hotpath/examples/cpu_hotspot_ring:/bench:ro" \
  -e HOTPATH_TUNNEL=tcp \
  -e HOTPATH_BENCH_SECS=10 \
  fedora:latest \
  /bench

带 samply CPU profiling

export PATH=$HOME/.cargo/bin:$PATH
cargo run --profile hotpath --features hotpath,hotpath-cpu --example cpu_hotspot_ring

# 另一终端查看 CPU top
hotpath console

环境变量

变量	默认	说明
HOTPATH_BENCH_SECS	30	打流持续秒数
HOTPATH_PKT_SIZE	1400	包大小
HOTPATH_TUNNEL	ring	ring / udp / tcp
HOTPATH_PIPELINE	1	pipeline 深度
HOTPATH_SAMPLY_WRAPPER_BIN	—	hotpath-samply 完整路径
HOTPATH_SAMPLY_BIN	—	samply 本体完整路径