Java 自動裝箱效能

Java 的基本資料型別（int、double、 char）都不是物件。但由於很多Java程式碼需要處理的是物件（Object），Java給所有基本型別提供了包裝類（Integer、Double、Character）。有了自動裝箱，你可以寫如下的程式碼

Character boxed = 'a';
char unboxed = boxed;

編譯器自動將它轉換為

Character boxed = Character.valueOf('a');
char unboxed = boxed.charValue();

然而，Java虛擬機器不是每次都能理解這類過程，因此要想得到好的系統效能，避免不必要的裝箱很關鍵。這也是 OptionalInt 和 IntStream 等特殊型別存在的原因。在這篇文章中，我將概述JVM很難消除自動裝箱的一個原因。

例項

例如，我們想要計算任意一類資料的編輯距離（Levenshtein距離），只要這些資料可以被看作一個序列：

public class Levenshtein{
private final Function> asList;

public Levenshtein(Function> asList) {
this.asList = asList;
}

public int distance(T a, T b) {
// Wagner-Fischer algorithm, with two active rows

List aList = asList.apply(a);
List bList = asList.apply(b);

int bSize = bList.size();
int[] row0 = new int[bSize + 1];
int[] row1 = new int[bSize + 1];

for (int i = 0; i row0[i] = i;
}

for (int i = 0; i < bSize; ++i) {
U ua = aList.get(i);
row1[0] = row0[0] + 1;

for (int j = 0; j < bSize; ++j) {
U ub = bList.get(j);
int subCost = row0[j] + (ua.equals(ub) ? 0 : 1);
int delCost = row0[j + 1] + 1;
int insCost = row1[j] + 1;
row1[j + 1] = Math.min(subCost, Math.min(delCost, insCost));
}

int[] temp = row0;
row0 = row1;
row1 = temp;
}

return row0[bSize];
}
}

只要兩個物件可以被看作List，這個類就可以計算它們的編輯距離。如果想計算String型別的距離，那麼就需要把String轉變為List型別：

public class StringAsList extends AbstractList{
private final String str;

public StringAsList(String str) {
this.str = str;
}

@Override
public Character get(int index) {
return str.charAt(index); // Autoboxing! }

@Override
public int size() {
return str.length();
}
}

...

Levenshteinlev = new Levenshtein<>(StringAsList::new);
lev.distance("autoboxing is fast", "autoboxing is slow"); // 4

由於Java泛型的實現方式，不能有List型別，所以要提供List和裝箱操作。（注：Java10中，這個限制也許會被取消。）

基準測試

為了測試 distance() 方法的效能，需要做基準測試。Java中微基準測試很難保證準確，但幸好OpenJDK提供了JMH（Java Microbenchmark Harness），它可以幫我們解決大部分難題。如果感興趣的話，推薦大家閱讀文件和例項；它會很吸引你。以下是基準測試：

@State(Scope.Benchmark)
public class MyBenchmark {
private Levenshtein lev = new Levenshtein<>(StringAsList::new);

@Benchmark
@BenchmarkMode(Mode.AverageTime)
@OutputTimeUnit(TimeUnit.NANOSECONDS)
public int timeLevenshtein() {
return lev.distance("autoboxing is fast", "autoboxing is slow");
}
}

（返回方法的結果，這樣JMH就可以做一些操作讓系統認為返回值會被使用到，防止冗餘程式碼消除影響了結果。）

以下是結果：

$ java -jar target/benchmarks.jar -f 1 -wi 8 -i 8
# JMH 1.10.2 (released 3 days ago)
# VM invoker: /usr/lib/jvm/java-8-openjdk/jre/bin/java
# VM options:
# Warmup: 8 iterations, 1 s each
# Measurement: 8 iterations, 1 s each
# Timeout: 10 min per iteration
# Threads: 1 thread, will synchronize iterations
# Benchmark mode: Average time, time/op
# Benchmark: com.tavianator.boxperf.MyBenchmark.timeLevenshtein

# Run progress: 0.00% complete, ETA 00:00:16
# Fork: 1 of 1
# Warmup Iteration 1: 1517.495 ns/op
# Warmup Iteration 2: 1503.096 ns/op
# Warmup Iteration 3: 1402.069 ns/op
# Warmup Iteration 4: 1480.584 ns/op
# Warmup Iteration 5: 1385.345 ns/op
# Warmup Iteration 6: 1474.657 ns/op
# Warmup Iteration 7: 1436.749 ns/op
# Warmup Iteration 8: 1463.526 ns/op
Iteration 1: 1446.033 ns/op
Iteration 2: 1420.199 ns/op
Iteration 3: 1383.017 ns/op
Iteration 4: 1443.775 ns/op
Iteration 5: 1393.142 ns/op
Iteration 6: 1393.313 ns/op
Iteration 7: 1459.974 ns/op
Iteration 8: 1456.233 ns/op

Result "timeLevenshtein":
1424.461 ±(99.9%) 59.574 ns/op [Average]
(min, avg, max) = (1383.017, 1424.461, 1459.974), stdev = 31.158
CI (99.9%): [1364.887, 1484.034] (assumes normal distribution)

# Run complete. Total time: 00:00:16

Benchmark Mode Cnt Score Error Units
MyBenchmark.timeLevenshtein avgt 8 1424.461 ± 59.574 ns/op

分析

為了檢視程式碼熱路徑（hot path）上的結果，JMH整合了Linux工具perf，可以檢視最熱程式碼塊的JIT編譯結果。（要想檢視彙編程式碼，需要安裝hsdis外掛。我在AUR上提供了下載，Arch使用者可以直接獲取。）在JMH命令列新增 -prof perfasm 命令，就可以看到結果：

$ java -jar target/benchmarks.jar -f 1 -wi 8 -i 8 -prof perfasm
...
cmp $0x7f,%eax
jg 0x00007fde989a6148 ;*if_icmpgt
; - java.lang.Character::valueOf@3 (line 4570)
; - com.tavianator.boxperf.StringAsList::get@8 (line 14)
; - com.tavianator.boxperf.StringAsList::get@2; (line 5)
; - com.tavianator.boxperf.Levenshtein::distance@121 (line 32)
cmp $0x80,%eax
jae 0x00007fde989a6103 ;*aaload
; - java.lang.Character::valueOf @ 10 (line 4571)
; - com.tavianator.boxperf.StringAsList::get@8 (line 14)
; - com.tavianator.boxperf.StringAsList::get @ 2 (line 5)
; - com.tavianator.boxperf.Levenshtein::distance@121 (line 32)
...

輸出內容很多，但上面的一點內容就說明裝箱沒有被優化。為什麼要和0x7f/0×80的內容做比較呢？原因在於Character.valueOf()的取值來源：

private static class CharacterCache {
private CharacterCache(){}

static final Character cache[] = new Character[127 + 1];

static {
for (int i = 0; i < cache.length; i++)
cache[i] = new Character((char)i);
}
}

public static Character valueOf(char c) {
if (c return CharacterCache.cache[(int)c];
}
return new Character(c);
}

可以看出，Java語法標準規定前127個char的Character物件放在緩衝池中，Character.valueOf()的結果在其中時，直接返回緩衝池的物件。這樣做的目的是減少記憶體分配和垃圾回收，但在我看來這是過早的優化。而且它妨礙了其他優化。JVM無法確定 Character.valueOf(c).charValue() == c，因為它不知道緩衝池的內容。所以JVM從緩衝池中取了一個Character物件並讀取它的值，結果得到的就是和 c 一樣的內容。

解決方法

解決方法很簡單：

@ @ -11,7 +11,7 @ @ public class StringAsList extends AbstractList {

@Override
public Character get(int index) {
- return str.charAt(index); // Autoboxing!
+ return new Character(str.charAt(index));
}

@Override

用顯式的裝箱代替自動裝箱，就避免了呼叫Character.valueOf()，這樣JVM就很容易理解程式碼：

private final char value;

public Character(char value) {
this.value = value;
}

public char charValue() {
return value;
}

雖然程式碼中加了一個記憶體分配，但JVM能理解程式碼的意義，會直接從String中獲取char字元。效能提升很明顯：

$ java -jar target/benchmarks.jar -f 1 -wi 8 -i 8
...
# Run complete. Total time: 00:00:16

Benchmark Mode Cnt Score Error Units
MyBenchmark.timeLevenshtein avgt 8 1221.151 ± 58.878 ns/op

速度提升了14%。用 -prof perfasm 命令可以顯示，改進以後是直接從String中拿到char值並在暫存器中比較的：

movzwl 0x10(%rsi,%rdx,2),%r11d ;*caload
; - java.lang.String::charAt@27 (line 648)
; - com.tavianator.boxperf.StringAsList::get@9 (line 14)
; - com.tavianator.boxperf.StringAsList::get @ 2 (line 5)
; - com.tavianator.boxperf.Levenshtein::distance@121 (line 32)
cmp %r11d,%r10d
je 0x00007faa8d404792 ;*if_icmpne
; - java.lang.Character::equals@18 (line 4621)
; - com.tavianator.boxperf.Levenshtein::distance@137 (line 33)

總結

裝箱是HotSpot的一個弱項，希望它能做到越來越好。它應該多利用裝箱型別的語義，消除裝箱操作，這樣以上的解決辦法就沒有必要了。

以上的基準測試程式碼都可以在GitHub上訪問。