Go / 系统课时
编写可信的 Go Benchmark
编写可信的 Go Benchmark
可信的 Benchmark 不是“能跑出 ns/op”就够了,而是要让计时范围、输入、分配和编译器优化都可控。本篇使用 Go 1.24 及以上的 testing.B.Loop 写一个可重复的主示例,并说明如何用子基准和多次采样避免把噪声当成优化收益。
学习目标
- 使用
testing.B.Loop划清 setup、被测操作与 cleanup 的计时边界。 - 用
ReportAllocs、SetBytes和子基准同时观察延迟、分配与吞吐。 - 识别编译器优化、环境噪声和错误并发模型造成的 Benchmark 失真。
先定义什么叫可信
一个 Benchmark 至少要回答三个问题:测的到底是哪段工作、每次迭代输入是否等价、结果差异是否大于环境噪声。数据库、网络、日志和随机数据生成如果不是被测目标,就不应偷偷混进计时区;反过来,如果生产请求每次都必须解析或分配,也不能为了数字漂亮把这些成本移出去。
Go 1.24 及以上优先使用 b.Loop()。它在第一次进入循环时重置计时,在循环结束时停止计时,因此循环外的 setup 和结果校验不会计入核心测量;同时编译器会对这种循环做专门处理,降低被测调用因“结果未使用”而被整体优化掉的风险。
写一个覆盖核心指标的主基准
下面的基准比较同一函数处理 64 B 与 4 KiB 输入时的成本。测试数据只创建一次,正确性在计时区外检查,真正的每次扫描留在 b.Loop() 中。
package benchdemo
import (
"bytes"
"fmt"
"testing"
)
func countByte(data []byte, target byte) int {
count := 0
for _, v := range data {
if v == target {
count++
}
}
return count
}
func BenchmarkCountByte(b *testing.B) {
for _, size := range []int{64, 4096} {
b.Run(fmt.Sprintf("%dB", size), func(b *testing.B) {
// 输入构造属于 setup,不应混入每次扫描的成本。
data := bytes.Repeat([]byte{'x'}, size)
if got := countByte(data, 'x'); got != size {
b.Fatalf("precheck: got %d, want %d", got, size)
}
b.ReportAllocs()
b.SetBytes(int64(size))
var got int
for b.Loop() {
got = countByte(data, 'x')
}
// B.Loop 结束后计时已停止,这里只做结果校验。
if got != size {
b.Fatalf("got %d, want %d", got, size)
}
})
}
}将文件保存为 count_test.go,执行一次基准并输出分配统计:
go test -run '^$' -bench BenchmarkCountByte -benchmem -count=1预期输出形态如下,<VALUE>、<PATH> 与 <TIME> 会随机器和 Go 版本变化:
goos: <VALUE>
goarch: <VALUE>
pkg: <PATH>
cpu: <VALUE>
BenchmarkCountByte/64B-<VALUE> <VALUE> <VALUE> ns/op <VALUE> MB/s 0 B/op 0 allocs/op
BenchmarkCountByte/4096B-<VALUE> <VALUE> <VALUE> ns/op <VALUE> MB/s 0 B/op 0 allocs/op
PASS
ok <PATH> <TIME>sns/op 表示平均每次操作的墙钟时间,B/op 与 allocs/op 来自 ReportAllocs,MB/s 则由 SetBytes 根据每次处理的字节数计算。这里预期为零分配,因为输入切片在计时循环开始前已经创建。
把计时和分配边界放对位置
b.Loop() 的关键价值是让“循环外 setup、循环内操作、循环后校验”形成清晰边界。若你把 bytes.Repeat 移入循环,Benchmark 测到的就不再只是扫描,还会包含每次构造切片的分配与复制成本;如果生产路径确实每次都要构造数据,那就应该保留在循环内。
ReportAllocs 不是越低越好,而是用来检查你是否测到了预期工作。优化前后如果 ns/op 变化不大,但 allocs/op 从 2 降到 0,这往往仍是有价值的改进;反之,若为了得到 0 分配把生产中必做的对象构造挪出计时区,结果就失去意义。
用子基准控制变量
主示例中的 b.Run 把输入大小作为唯一变化维度,因此输出会得到独立的 64B 和 4096B 结果。这样比在一个循环里混合多种大小更容易判断“输入规模变化”对延迟和吞吐的影响,也便于后续只筛选某个子基准。
子基准最重要的不是名字,而是只改变一个变量。比较算法实现时固定输入;比较输入规模时固定算法;比较并发度时固定请求内容和数据集。否则看到的差异无法归因,Benchmark 即使重复很多次也不可信。
如果被测目标本身是并发共享结构,才考虑 RunParallel。它会让多个 goroutine 分担总迭代次数,报告的是基准整体的墙钟时间口径;对本来是串行的函数强行并发,只会把调度和竞争引入结果。
防止编译器和环境把结果带偏
B.Loop 会保护循环体内函数调用的参数、结果和赋值变量,减少死代码消除造成的“快得不真实”。主示例仍把最终结果保存在 got 并在循环外校验,这是为了同时保证语义正确,而不是依赖一个全局 sink 制造副作用。
正式比较两个版本时,不要只看一次输出。保持 Go 版本、GOMAXPROCS、CPU 电源策略和后台负载一致,把 -count 提高到 5 或更多,再比较多次样本的分布。若差异与运行间波动同一量级,就不能据此宣称优化成功。
可信 Benchmark 的验收标准是:被测边界与生产成本一致,输入与环境可复现,分配统计符合预期,子基准只改变一个因素,并且性能差异能在多次运行中稳定复现。做到这些,ns/op 才是工程证据,而不是一次偶然的漂亮数字。