如何用Go实现一个异步网络库？

导语 | 在需要高性能、节省资源的场景下，比如海量的连接、很高的并发，我们发现Go开始变得吃力，不但内存开销大，而且还会有频繁的goroutine调度。GC时间也变得越来越长，甚至还会把系统搞挂。这时，我们就可以考虑用Go构建经典的Reactor网络模型，来应对这种场景。

一、常见的服务端网络编程模型

在具体讲Reactor网络库的实现前，我们先快速回顾下常见的服务端网络编程模型。

服务端网络编程主要解决两个问题，一个是服务端如何管理连接，特别是海量连接、高并发连接（经典的c10k/c100k问题），二是服务端如何处理请求（高并发时正常响应）。

针对这两个问题，有三种解决方案，分别对应三种模型：

• 传统IO阻塞模型。
• Reactor模型。
• Proactor模型。

下面两图分别是传统IO阻塞模型和Reactor模型，传统IO阻塞模型的特点是每条连接都是由单独的线/进程管理，业务逻辑（crud）跟数据处理（网络连接上的read和write）都在该线/进程完成。缺点很明显，并发大时，需要创建大量的线/进程，系统资源开销大；连接建立后，如果当前线/进程暂时还没数据可读，会阻塞在Read调用上，浪费系统资源。

Reactor模型就是传统IO阻塞模型的改进，Reactor会起单独的线/进程去监听和分发事件，分发给其他EventHandlers处理数据读写和业务逻辑。这样，与传统IO阻塞模型不同的是，Reactor的连接都先到一个EventDispatcher上，一个核心的事件分发器，同时Reactor会使用IO多路复用在事件分发器上非阻塞地处理多个连接。

这个EventDispatcher跟后面的EventHandlers可以都在一个线/进程，也可以分开，下文会有区分。整体来看，Reactor就是一种事件分发机制，所以Reactor也被称为事件驱动模型。简而言之，Reactor=IO多路复用（I/O multiplexing）+非阻塞IO（non-blocking I/O）。

（一）Reactor模型的三种实现

根据Reactor的数量和业务线程的工作安排有3种典型实现：

• 单Reactor多线程
• 单Reactor多线程带线程池
• 主从Reactor多线程（带线程池）

先看两个单Reactor：

一个Reactor接管所有的事件安排，如果是建立连接事件，就交给Acceptor处理，接着创建对应的Handler处理该连接后续的读写事件。如果不是建立连接事件，就调用连接对应的Event Handler来响应。单Reator1和2的区别是2带了个线程池，一定程度上解放Event Handler线程，让Handler专注数据读写处理，特别是在遇到一些笨重、高耗时的业务逻辑时。

再来看多Reactor，这个是本文的主角，第三节内容就是怎么实现它。多Reactor就是主从多Reactor，它的特点是多个Reactor在多个单独的线/进程中运行，MainReactor负责处理建立连接事件，交给它的Acceptor处理，处理完了，它再分配连接给SubReactor；SubReactor则处理这个连接后续的读写事件，SubReactor自己调用EventHandlers做事情。

这种实现看起来职责就很明确，可以方便通过增加SubReactor数量来充分利用CPU资源，也是当前主流的服务端网络编程模型。

（二）Proactor模型自带主角光环

尽管本文的主角是主从多Reactor，但如果Proactor要当主角，就没Reactor什么事。

Proactor模型跟Reactor模型的本质区别是异步I/O和同步I/O的区别，即底层I/O实现。

从上面两张图可以看出，Reactor模型依赖的同步I/O需要不断检查事件发生，然后拷贝数据处理，而Proactor模型使用的异步I/O只需等待系统通知，直接处理内核拷贝过来的数据，孰优孰劣，一言便知。

基于异步I/O的Proactor模型实现如下图：

那为什么主角光环如此明显的Proactor不是当前主流的服务端网络编程模型呢？

原因是在Linux下的AIO API--io_uring还没有像同步I/O那样能够覆盖和支持很多场景，即还没成熟到被广泛使用。

二、Go原生网络模型简介

关于Go原生网络模型的实现，网上已经有很多文章，这里就不过多展开，读者可以结合下图追踪整个代码流程：

总结来说，Go所有的网络操作围绕网络描述符netFD展开，netFD与底层pollDesc结构绑定，当在一个netFD上读写遇到EAGAIN错误时，就将当前goroutine存储到绑定的pollDesc中，同时将goroutine给park住，直到这个netFD上的数据准备好，再唤醒goroutine完成数据读写。

再总结来说，Go原生网络模型就是个单Reactor多协程模型。

三、如何从0到1实现异步网络库

我们现在回顾了常见的服务端网络编程模型，也知道Go处理连接的方式是一个连接给分配一个协程处理，即goroutine-per-conn模式。

那本节就到了我们的重点，怎么去实现一个异步网络库（因为Reactor模型的实现，一般是主线程accept一个连接后，分给其他的线/进程异步处理后续的业务逻辑和数据读写，所以一般Reactor模型的网络库被称为异步网络库，并不是使用异步I/O的API）。

在具体实现之前，笔者先介绍下需求背景。

（一）需求背景

Go的协程非常轻量，大部分场景下，基于Go原生网络库构建的应用都不会有什么性能瓶颈，资源占用也很可观。

我们现在使用的网关是基于C++自研的一款网关，我们想统一技术栈，换成Go的，我们现在峰值会在百万连接上下，大概用了几十台机器，单机能稳定支撑几十万的连接。如果换成Go的话，我们一直疑惑，基于Go实现的网关单机能撑多少，内存跟CPU怎么样？能不能省点机器？

于是，笔者开始针对这种有大量连接的场景对Go做了一波压测，得出的结论也显而易见：随着连接数上升，Go的协程数也随之线性上升，内存开销增大，GC时间占比增加。当连接数到达一定数值时，Go的强制GC还会把进程搞挂，服务不可用。（下文会有网络库的对比压测数据）

接着，笔者翻阅内外网有同样场景的解决方案，基本都是往经典Reactor模型实现上做文章。比如最早的A Million WebSockets and Go，作者Sergey Kamardin使用epoll的方式代替goroutine-per-conn模式，百万连接场景下用少量的goroutine去代替一百万的goroutine。

A Million WebSockets and Go：

https://www.freecodecamp.org/news/million-websockets-and-go-cc58418460bb/

Sergey Kamardin的方案总结：

Let’s structure the optimizations I told you about.

• A read goroutine with a buffer inside is expensive. Solution: netpoll (epoll, kqueue); reuse the buffers.
• A write goroutine with a buffer inside is expensive. Solution: start the goroutine when necessary; reuse the buffers.
• With a storm of connections, netpoll won’t work. Solution: reuse the goroutines with the limit on their number.
• net/http is not the fastest way to handle Upgrade to WebSocket. Solution: use the zero-copy upgrade on bare TCP connection.

又比如字节基于Reactor网络库netpoll开发了RPC框架Kitex来应对高并发场景。

笔者简单用Go实现了一个网关，使用这些Reactor网络库再进行了一波压测，结果符合预期：连接数上去后的Go网关确实比之前的稳定，内存占用也很可观。但最终都没有选用这些开源Reactor库，原因是这些开源库都不是开箱即用，都没有实现HTTP/1.x、TLS等常见协议；API设计不够灵活且专注的场景并不适合网关，比如netpoll目前主要专注于RPC场景（字节上周才正式对外开源HTTP框架Hertz）；整体改造成本高，难以适配运用到Go网关中。

Netpoll的场景说明：

另一方面，开源社区目前缺少专注于RPC方案的Go网络库。类似的项目如：evio，gnet等，均面向Redis，HAProxy这样的场景。

（二）总体分层设计

终于到了实现部分，我们先看一个Reactor库的总体分层设计，总体分为三层：应用层、连接层和基础层。

应用层就是常见的EchoServer、HTTPServer、TLSServer和GRPCServer等等，主要负责协议解析、执行业务逻辑，对应Reactor模型里边的EventHandler。

在Reactor模型中，应用层会实现事件处理的接口，等待连接层调用。

// Handler Core 注册接口type Handler interface {  OnOpen(c *Conn)              // happen on accept conn  OnClose(c *Conn, err error)  // happen ob delete conn  OnData(c *Conn, data []byte) // happen on epoll wait  OnStop()}

比如当连接建立后，可以调用OnOpen函数做些初始化逻辑，当连接上有新数据到来，可以调用OnData函数完成具体的协议解析和业务逻辑。

（三）连接层设计

连接层就是整个Reactor模型的核心，根据上文的主从Reactor多线程模型，连接层主要有两种Reactor，一主（Main Reactor）多从（Sub Reactor），也可以多主多从。

Main Reactor主要负责监听和接收连接，接着分配连接，它里边有个for循环，不断去accept新连接，这里的方法可以叫做acceptorLoop；Sub Reactor拿到Main Reactor分配的连接，它也是个for循环，一直等待着读写事件到来，然后干活，即回调应用层执行具体业务逻辑，它的方法可以叫做readWriteLoop。

根据连接层的工作安排，可以发现我们需要以下三个数据结构：

• EventLoop：事件循环，即Reactor，用isMain区分主从，如果是Sub Reactor，每个SubReactor上挂着很多Conn。
• Poller：Sub Reactor的里的readWriteLoop需要不断处理读写事件，这些事件在不同系统下由不同的I/O API监听和通知，在Linux系统下就是经典的Epoll三组函数，在Unix系统下（比如Mac）就是Kqueue。
• Conn：Main Reactor的listener accept之后建立的连接，与一个文件描述符fd绑定。

• 值得注意的fd竞态

每个连接都会与一个fd绑定，当某个连接关闭后，它会释放掉fd，供新连接绑定，这也叫fd的复用。

通常我们的应用层会在一个协程池中执行它的业务逻辑，在连接层有个Sub Reactor在处理这个连接上的读写事件。

如果在应用层那边关闭了连接，而在Sub Reactor那边刚好在准备读这个连接上的数据，即操作这个fd。

当Sub Reactor还没来得及读，但被应用层关闭释放掉的fd，已经给到了一个新连接，这时Sub Reactor继续读这个fd上的数据，就会把新连接的数据读走。

因此，我们需要针对fd的操作前后加个锁，即在关闭连接跟在连接上读写前先上锁，关闭后才释放掉锁，并且在连接上读写前判断连接是否关闭，这样才会避免脏数据。

• 不可忽略的负载均衡

除了注意fd复用带来的竞态，还有一个不可忽略的负载均衡，在Main Reactor分配连接到Sub Reactor这个环节。

未来避免某个Sub Reactor过载，我们可以参考Nginx的负载均衡策略，大概有以下三种方式：

• 轮询调度（Round-Robin Scheduling）：轮询Sub Reactors，逐个分配。
• Fd哈希：c.fd%len(s.workLoops)，以fd值哈希整个Sub Reactors数量。
• 最小连接数（Least Connections）：优先分配给连接数最小的sub reactor。

（四）基础层设计

Reactor的核心的活都在连接层干完了，基础层的作用是提供底层系统调用支持及做好内存管理。

系统调用就是常见的listen/accept/read/write/epoll_create/epoll_ctl/epoll_wait等，这里不展开。但内存管理的方式会极大地影响网络库的性能。

笔者曾经在处理连接上读事件的时候，先是用动态内存池的方式提供临时Buffer承接，对比使用固定Buffer去承接，前者需要一借一还，在某个简单Echo场景下压测，后者较前者提升了12wQPS，恐怖如斯。

以下是常见的内存管理方案，针对连接上读写处理时的内存使用优劣对比：

• 固定数组
• 每次读都申请固定大小的buffer。
• 好处是实现简单，坏处是会积累临时对象。
• RingBuffer

读写分离，节省内存，但频繁扩容有性能损耗（扩容时需要搬迁老数据到新RingBuffer上）

• LinkBuffer
• 读写分离，节省内存
• 池化Block节点，方便扩容缩容且无性能损耗
• 可以实现NoCopy API，进一步提高性能。

这里最理想的是第三种内存管理方案，字节的netpoll有实现。

这里引用某个项目的实现说明，NoCopy体现在连接层读到的数据，可以不用拷贝给应用层使用，而是让应用层引用LinkBuffer使用。

首先来讲零拷贝读取接口，我们将读取操作分成了「引用读」「释放」两个步骤，「引用读」会把 Linked Buffer 中一定长度的字节数组以指针的形式取出，用户使用完这些数据后，主动执行「释放」告知 Linked Buffer 刚刚「引用读」的数据空间不会再被使用，可以释放掉，被「释放」了的数据不能再被读取和修改。

零拷贝写入接口则是将用户传入的字节数组构造成一个个节点，每个节点里包含了字节数组的指针，再将这些节点添加到Linked Buffer中，自始至终都是对字节数组的指针进行操作，没有任何的拷贝行为。

（五）性能测试

以上3小节就是一个Reactor网络库的框架和实现设计，流程并不复杂，笔者认为真正考验的是基于Reactor库去实现常见的HTTP/1.x协议、TLS协议甚至HTTP/2.0协议等等，笔者在实现HTTP/1.x的时候就试了很多开源解析器，很多性能都不尽人意；在尝试直接使用Go官方自带的TLS协议解析器，发现TLS四次握手并不是连续的包，第三次握手时，客户端发送的信息可以等一会...大部分问题都比较棘手，这估计也是很多开源库没有实现这些协议的原因吧~

• 压测结果

在开发完Reactor网络库及在这个库的基础上实现常见的应用层协议后，我们需要一波压测检验网络库的性能。

区别于网上大部分开源库只做简单的Echo压测，笔者这里构建了两种场景压测：

• Echo场景：EchoServer不需要做协议解析，也不需要做什么业务逻辑，目的是跟同类型的Reactor库做横向对比。
• HTTP场景：HTTPServer需要解析HTTP/1.x协议，加上10w循环计数模拟业务逻辑，目的是跑到10w连接上跟Go net对比。

sum := 0for i := 0; i < 100000; i++ {    sum += i}

最终的结果如下4张图，可以忽略字节netpoll的数据，大概是因为这两种场景并不是netpoll的目标场景，即RPC场景，所以压测的姿势大概率不对。

Echo场景下是4核机器跑的EchoServer，HTTP场景下是8核跑的HTTPServer。

图1：Echo场景下，固定1KB数据包，不断增加连接数。

图2：Echo场景下，固定1K连接数，不断增加数据包大小。

图3和图4：HTTP场景下，固定1KB数据包，不断增加连接数，QPS和内存占用情况。

• 总结

通过压测结果，可以看出大部分压测，Go原生网络库都没有什么拉胯表现，只有在连接数上去了之后，或者需要处理的数据包越来越大的情况下，Go原生网络库才逐渐显示出颓势。尤其是当连接上到30w到50w之后，Go原生网络库的内存开销增大的同时，伴随的GC时间也变长，到50w连接的时候，一波强制GC服务就down了。

这是Go原生网络库在50w连接时，强制GC后Down掉时的详情：

GC forcedgc 13 @146.006s 0%: 0.12+105+0.004 ms clock, 0.99+0/207/620+0.033 ms cpu, 5877->5877->4197 MB, 7006 MB goal, 8 Pgc 14 @197.643s 1%: 0.084+1084+0.061 ms clock, 0.67+5299/2139/1.8+0.49 ms cpu, 8187->8218->4825 MB, 8394 MB goal, 8 Pgc 15 @220.972s 1%: 4.1+1057+0.039 ms clock, 33+5215/2087/0+0.31 ms cpu, 9412->9442->4794 MB, 9651 MB goal, 8 PGC forced

这是Reactor网络库(wnet) 100w连接时，依然坚挺的GC详情：

gc 23 @208.600s 1%: 0.20+374+0.090 ms clock, 1.6+233/723/0+0.72 ms cpu, 873->891->450MB, 896 MB goal, 8 Pgc 24 @213.872s 1%: 0.18+419+0.051 ms clock, 1.5+4.8/830/0+0.41 ms cpu, 878->899->453MB, 900 MB goal, 8 Pgc 25 @219.270s 1%: 1.2+403+0.071 ms clock, 10+160/790/0+0.57 ms cpu, 884->907->454 MB,907 MB goal, 8 Pgc 26 @224.601s 1%: 0.12+425+0.056 ms clock, 1.0+112/849/0+0.44 ms cpu, 885->906->452MB, 908 MB goal, 8 Pgc 27 @229.851s 1%: 0.20+424+0.079 ms clock, 1.6+107/836/0+0.63 ms cpu, 881->903->453MB, 904 MB goal, 8 Pgc 28 @235.256s 1%: 0.17+431+0.038 ms clock, 1.4+77/863/0+0.30 ms cpu, 884->907->454MB, 907 MB goal, 8 Pgc 29 @240.622s 1%: 0.15+402+0.039 ms clock, 1.2+117/804/0+0.31 ms cpu, 885->907->452MB, 908 MB goal, 8 PGC forced

因此，综合来看，大部分应用场景，Go原生网络库就可以满足。相比Reactor网络库而言，Go原生网络库可以看作是以空间（内存、runtime）来换取时间（高吞吐量和低延时）。当空间紧张时，也就是连接数上来后，巨大的内存开销和相应的GC会导致服务不可用，而这种海量连接场景才是Reactor网络库的优势所在。比如电商大促等活动型场景，有预期的流量高峰，在高峰期会有海量的连接，海量的请求；还有一种直播弹幕、消息推送等长连接场景，也是有大量的长连接。

四、后记

本文的最终实现项目并未开源，读者朋友可以结合上述流程翻阅类似的开源实现，比如gnet、gev等项目理解Reactor网络库的设计，并基于第三部分的设计内容重构这些开源项目，相信读者朋友会做出更好的网络库。

 作者简介

刘祥裕

腾讯后台开发工程师

腾讯后台工程师，目前主要负责电竞赛事相关服务开发。

 推荐阅读

如何优雅地实现C++编译期多态？

C++异步：libunifex的scheduler实现！

5G正当时，无人驾驶未来将驶向何方？

超干货！彻底搞懂Golang内存管理和垃圾回收

温馨提示：因公众号平台更改了推送规则，公众号推送的文章文末需要点一下“赞”和“在看”，新的文章才会第一时间出现在你的订阅列表里噢~