【学到一个新名词】String interning(字符串驻留/字符串内部化)

2023-11-23 15:46 由 ahfuzhang 发表于 #后端开发

作者:张富春(ahfuzhang)，转载时请注明作者和引用链接，谢谢！

cnblogs博客
zhihu
Github
公众号:一本正经的瞎扯

在阅读 VictoriaMetrics v1.95.1 的命令行手册的时候，发现这样一段：

  -internStringCacheExpireDuration duration
     The expiry duration for caches for interned strings. See https://en.wikipedia.org/wiki/String_interning . See also -internStringMaxLen and -internStringDisableCache (default 6m0s)

什么是 String interning 呢？我通过了 wiki 链接学习了一下。
并且，我还找到了一个使用 String interning 技术的 golang 项目：https://github.com/josharian/intern . 作者还写了 blog: Interning strings in Go 来进一步介绍细节。

String interning 可以翻译为 字符串驻留 或者 字符串内部化。这个技巧用于节约频繁出现的字符串的空间占用，还可以用于频繁出现的字符串的比较的加速。
它的处理思路如下：

首先有一个全局的线程安全的键值对的字符串池；

类似于： map[string]string

然后把出现频率超级高的字符串存储在其中。

当出现新的字符串的时候，要先去字符串池中匹配。
匹配到以后，程序就可以引用字符串池中的对象，而把当前引用的对象释放掉。
当存在大量的这样内容相同的字符串的时候，这样做无疑是可以节省空间的。
在这样的场景下，相当于时间换空间。
当字符串都来自字符串池，且需要频繁比较的时候，直接比较指针就可以确定是否是同一个字符串，而无需逐个字符比较。
在这样的场景下，相当于空间换时间。

让我们再看看那个简单的 golang 实现的字符串内部化的源码：
see: https://github.com/josharian/intern/blob/master/intern.go

package intern

import "sync"

var (
	pool sync.Pool = sync.Pool{   // 作者想用 sync.Pool 来解决不引用时候的释放问题。但是并发环境下可能导致分配了多个键值对的字符串池。
		New: func() interface{} {    // sync.Pool 能够在并发环境下工作，不管怎么说，并发情况下使用不会出错。
			return make(map[string]string)
		},
	}
)

// String returns s, interned.
func String(s string) string {
	m := pool.Get().(map[string]string)
	c, ok := m[s]  // 这里要经过  1.计算字符串 hashcode; 2.hash 查找; 3.字符串内容比较。时间换空间的成本还是挺高的。
	if ok {
		pool.Put(m)
		return c  // 如果字符串池中存在，就置换为字符串池中的对象
	}
	m[s] = s  // 这里不会发生并发问题
	pool.Put(m)
	return s
}

// Bytes returns b converted to a string, interned.
func Bytes(b []byte) string {
	m := pool.Get().(map[string]string)
	c, ok := m[string(b)]  // string(b) 这里有个隐含的知识点：这种情况下编译器不会分配新的字符串对象。
	if ok {
		pool.Put(m)
		return c
	}
	s := string(b)
	m[s] = s
	pool.Put(m)
	return s
}

// todo: 这里还缺乏一个内容：当字符串都来自字符串池的时候，可以提供按照指针比较的方法
// 类似于:
//  isSmae := &str1==&str2 || str1==str2

看完了源码，这个字符串内部化似乎也没有很复杂很高深。或许某个存在大量重复字符串的场景中，我们很能用上这个技术。

最后，ChatGPT 还给了我一段 VictoriaMetrics 中使用 String interning 技术的讲解：

// 以下内容由  ChatGPT 4.0 产生：
VictoriaMetrics采用了字符串内部化技术来优化其时间序列数据库的性能，尤其在处理度量指标的元数据时。这些元数据通常由标签-值对组成，并且在VictoriaMetrics中以字符串的形式表示。下面是VictoriaMetrics中字符串内部化实现的详细信息：

1. 字符串内部化的目的和效果：在VictoriaMetrics中，由于元数据字符串在实践中变化不大，因此在数据收集过程中会产生大量重复。例如，`go_info` 度量指标的元数据包含Go版本的标签-值对。这些版本并不经常变化，但每次从应用程序中收集此度量时，都需要解析其元数据并在内存中分配，直到它被垃圾回收。为了避免多次存储相同的字符串，VictoriaMetrics通过内部化每个独特字符串一次，并在需要时引用它，从而显著节省内存。

2. 实现方法：在单线程应用中，字符串内部化的一种简单实现方式是使用Go的map类型。但在vmagent这样的多线程应用中，这种方法由于多核系统上访问此映射时可能产生大量争用，因此不太适合。为了在多线程环境下实现内部化，VictoriaMetrics使用了Go标准库中的sync.Map，这是一个线程安全的实现。

3. sync.Map的优化用途：sync.Map特别适用于以下两种情况：
  * 当一个给定的键只被写入一次但多次使用时，即缓存命中率高的情况。
  * 当多个goroutine为不同的键集合读取、写入和覆盖条目时，即每个goroutine使用不同的键集。

4. 内部化的注意事项：
  * 内存增长问题：随着时间的推移，map会逐渐增长，无限制的内存增长是危险的。为了防止map无限增长，需要定期旋转map，通过删除并重建它，或为键实现某种形式的生存时间（TTL）逻辑。
  * 参数检查：intern函数在处理常规字符串时表现良好，但除非锁定接口，否则可能会有人尝试传递可能破坏函数的内容。例如，在Go中，字节切片是可变的，不适合作为映射中的键使用。

5. 内部化的通用建议：在实现字符串内部化时，克隆传递给函数的字符串是一个好主意。这可以帮助消除一些微妙的错误。VictoriaMetrics使用字符串内部化来减少解析度量元数据时的内存使用。这是一种对于读取密集型工作负载效果最佳的强大技术，尤其适用于潜在字符串变体较少的情况。

总的来说，VictoriaMetrics通过字符串内部化有效地优化了内存使用和性能，特别是在处理大量重复且不经常变化的度量元数据时。这一技术不仅提高了性能，还降低了对垃圾收集器的负担，是处理大规模时间序列数据的有效方法。

Have fun. 😃