https://github.com/xiazemin/Benchmark/blob/master/READEME.md
https://github.com/brendangregg/FlameGraph
https://github.com/uber-archive/go-torch

Benchmark
Go做Benchmar只要在目录下创建一个_test.go后缀的文件，然后添加下面函数：

func BenchmarkStringJoin1(b *testing.B) {
b.ReportAllocs()
input := []string{“Hello”, “World”}
for i := 0; i < b.N; i++ {
result := strings.Join(input, “ “)
if result != “Hello World” {
b.Error(“Unexpected result: “ + result)
}
}
}

调用以下命令:

go test -run=xxx -bench=. -benchtime=”3s” -cpuprofile profile_cpu.out

该命令会跳过单元测试，执行所有benchmark,同时生成一个cpu性能描述文件.

这里有两个注意点:

-benchtime 可以控制benchmark的运行时间
b.ReportAllocs() ，在report中包含内存分配信息，例如结果是:
BenchmarkStringJoin1-4 300000 4351 ns/op 32 B/op 2 allocs/op

-4表示4个CPU线程执行；300000表示总共执行了30万次；4531ns/op，表示每次执行耗时4531纳秒；32B/op表示每次执行分配了32字节内存；2 allocs/op表示每次执行分配了2次对象。

根据上面的信息，我们就能对热点路径进行内存对象分配的优化,例如针对上面的程序我们可以进行小小的优化:

func BenchmarkStringJoin2(b *testing.B) {
b.ReportAllocs()
input := []string{“Hello”, “World”}
join := func(strs []string, delim string) string {
if len(strs) == 2 {
return strs[0] + delim + strs[1];
}
return “”;
};
for i := 0; i < b.N; i++ {
result := join(input, “ “)
if result != “Hello World” {
b.Error(“Unexpected result: “ + result)
}
}
}

新的Benchmark结果是：

BenchmarkStringJoin2-4 500000 2440 ns/op 16 B/op 1 allocs/op

可以看出来，在减少了内存分配后，性能提升了60%以上！

Cpu Profile
上一节的benchmark结果，我们只能看到函数的整体性能，但是如果该函数较为复杂呢？然后我们又想知道函数内部的耗时，这时就该Cpu Profile登场了。

Cpu profile是Go语言工具链中最闪耀的部分之一，掌握了它以及memory、block profile,那基本上就没有你发现不了的性能瓶颈了。

之前的benchmark同时还生成了一个profile_cpu.out文件，这里我们执行下面的命令:

go tool pprof app.test profile_cpu.out

Entering interactive mode (type “help” for commands)
(pprof) top10
8220ms of 10360ms total (79.34%)
Dropped 63 nodes (cum <= 51.80ms)
Showing top 10 nodes out of 54 (cum >= 160ms)
flat flat% sum% cum cum%
2410ms 23.26% 23.26% 4960ms 47.88% runtime.concatstrings
2180ms 21.04% 44.31% 2680ms 25.87% runtime.mallocgc
1200ms 11.58% 55.89% 1200ms 11.58% runtime.memmove
530ms 5.12% 61.00% 530ms 5.12% runtime.memeqbody
530ms 5.12% 66.12% 2540ms 24.52% runtime.rawstringtmp
470ms 4.54% 70.66% 2420ms 23.36% strings.Join
390ms 3.76% 74.42% 2330ms 22.49% app.BenchmarkStringJoin3B
180ms 1.74% 76.16% 1970ms 19.02% runtime.rawstring
170ms 1.64% 77.80% 5130ms 49.52% runtime.concatstring3
160ms 1.54% 79.34% 160ms 1.54% runtime.eqstring

上面仅仅展示部分函数的信息，并没有调用链路的性能分析，因此如果需要完整信息，我们要生成svg或者pdf图。

go tool pprof -svg profile_cpu.out > profile_cpu.svg

go tool pprof -pdf profile_cpu.out > profile_cpu.pdf

下面是profile_cpu.pdf的图:

可以看到图里包含了多个benchmark的合集(之前的两段benmark函数都在同一个文件中)，但是我们只关心性能最差的那个benchmark,因此需要过滤：

go test -run=xxx -bench=BenchmarkStringJoin2B$ -cpuprofile profile_2b.out
go test -run=xxx -bench=BenchmarkStringJoin2$ -cpuprofile profile_2.out
go tool pprof -svg profile_2b.out > profile_2b.svg
go tool pprof -svg profile_2.out > profile_2.svg

根据图片展示，benchmark自身的函数(循环之外的函数)runtime.concatstrings触发了内存对象的分配，造成了耗时，但是跟踪到这里，我们已经无法继续下去了，因此下面就需要flame graphs 了。

“A flame graph is a good way to drill down your benchmarks, finding your bottlenecks #golang” via @TitPetric
如果想详细查看，你只要点击这些矩形块就好。
生成这些图，我们需要 uber/go-torch这个库https://github.com/uber-archive/go-torch，这个库使用了https://github.com/brendangregg/FlameGraph,下面是一个自动下载依赖，然后生成frame graph的脚本，读者可以根据需要，自己实现。

#!/bin/bash

install flamegraph scripts

if [ ! -d “/opt/flamegraph” ]; then
echo “Installing flamegraph (git clone)”
git clone –depth=1 https://github.com/brendangregg/FlameGraph.git /opt/flamegraph
fi

install go-torch using docker

if [ ! -f “bin/go-torch” ]; then
echo “Installing go-torch via docker”
docker run –net=party –rm=true -it -v $(pwd)/bin:/go/bin golang go get github.com/uber/go-torch
# or if you have go installed locally: go get github.com/uber/go-torch
fi

PATH=”$PATH:/opt/flamegraph”
bin/go-torch -b profile_cpu.out -f profile_cpu.torch.svg

至此，我们的benchmark之路就告一段落，但是上面所述的cpu profile不仅仅能用在benchmark中，还能直接在线debug生产环境的应用性能

独立安装
git clone –depth=1 https://github.com/brendangregg/FlameGraph.git /Users/didi/goLang/FlameGraph
go get github.com/uber/go-torch

PATH=”$PATH:/Users/didi/goLang/FlameGraph”
cd src/github.com/xiazemin/Benchmark/
~/goLang/bin/go-torch -b profile_cpu.out -f profile_cpu.torch.svg