cava 产生的背景,是由于ha3业务方对插件定制及版本兼容需求,要求我们基于llvm开发一种性能与c++相当的类java脚本语言。
经过我们的调查发现:
可备选项由例如sp上的lua,elasticsearch上的groovy等,但最终得出的结论是现有的脚本语言都不能很好的满足ha3的需求。
groovy是jvm语言,它和用java开发的elasticsearch比较配。ha3是用c++开发的,ha3上插件的内存管理模式很固定,插件中的内存分配可以和请求session的pool绑定,请求结束整个pool释放,不需引入gc;另外jni比较重和c++交互的效率不高,因jvm语言不满足要求。
公认和c++结合比较好的是lua,它在游戏领域被广泛使用,lua本身比较轻量,它通过lua栈和c++交互,lua有个非官方版的jit实现luajit,不考虑和c++交互的话,luajit的性能非常不错。但是在ha3算分过滤等场景,脚本和c++交互的次数能达到百万级别,c++交互上的开销是一个不能忽略的因素,lua在这种场景性能还是满足不了我们的要求。
最终,我们决定自己实现一门类java脚本语言——cava。
本文将分享下如何使用 LLVM 来实现一门语言,以cava作为例子来具体讲述编译器各个阶段的实现:
编译器通过词法分析 -> 语法分析 -> 语义分析 -> 中间代码优化 -> 目标代码生成,最终生成汇编指令,再由汇编语言根据不同的指令集生成对应的可执行程序
cava使用Bison和flex来实现词法语法分析,使用llvm来实现中间代码到编译执行
基于 Bison 和 flex 实现词法语法分析器
token定义
%token BOOLEAN // primitive_type
%token CHAR BYTE SHORT INT LONG UBYTE USHORT UINT ULONG // integral_type
%token DOUBLE FLOAT // floating_point_type
%token NULL_LITERAL
%token LBRACK RBRACK // array_type
%token DOT // qualified_name
%token SEMICOLON MULT COMMA LBRACE RBRACE EQ // separators
%token LPAREN RPAREN COLON // more separators
...
"(" { updateLocation(yylloc, YYLeng()); return token::LPAREN; }
")" { updateLocation(yylloc, YYLeng()); return token::RPAREN; }
"{" { updateLocation(yylloc, YYLeng()); return token::LBRACE; }
"}" { updateLocation(yylloc, YYLeng()); return token::RBRACE; }
"[" { updateLocation(yylloc, YYLeng()); return token::LBRACK; }
"]" { updateLocation(yylloc, YYLeng()); return token::RBRACK; }
token_type boolLiteral(semantic_type *yylval, location_type *yylloc, bool val) {
updateLocation(yylloc, YYLeng());
yylval->booleanLiteral = val;
return token::BOOLEAN_LITERAL;
}
token_type intLiteral(semantic_type *yylval, location_type *yylloc) {
yylval->integerLiteral = atoi(YYText());
updateLocation(yylloc, YYLeng());
return token::INTEGER_LITERAL;
}
...
cava在词法分析阶段就透出了位置信息,记录下了所有token所在文件的行列号,用于后续报错处理时能够准确的定位错误位置
void updateLocation(location_type *yylloc, int width) {
updateBegin(yylloc, 0);
updateEnd(yylloc, width);
}
利用Bison定义语法规则,维护token之间的排列关系
expression : assignment_expression {
@$ = @1;
$$ = $1;
}
assignment_expression : conditional_expression {
@$ = @1;
$$ = $1;
}
| assignment { $$ = $1; }
conditional_expression : conditional_or_expression {
@$ = @1;
$$ = $1;
}
| conditional_or_expression QUESTION expression COLON conditional_expression {
@$ = @1 + @2 + @3 + @4 + @5;
$$ = NodeFactory::createConditionalExpr(ctx, @$, $1, $3, $5);
}
conditional_or_expression : conditional_and_expression {
@$ = @1;
$$ = $1;
}
| conditional_or_expression OROR conditional_and_expression {
@$ = @1 + @2 + @3;
$$ = NodeFactory::createBinaryOpExpr(ctx, @$, $1, BinaryOpExpr::OT_COND_OR, $3);
}
conditional_and_expression : inclusive_or_expression {
@$ = @1;
$$ = $1;
}
| conditional_and_expression ANDAND inclusive_or_expression {
@$ = @1 + @2 + @3;
$$ = NodeFactory::createBinaryOpExpr(ctx, @$, $1, BinaryOpExpr::OT_COND_AND, $3);
}
在语法分析的时候,cava利用NodeFactory类生成对应的AST,把token连接成语法树
AST设计参考
以上文中 BinaryOpExpr 为例, binaryOpExpr 表示二元表达式。先创建对应的BinaryOpExpr 类,继承Expr类,里面包含成员左表达式 _left,右表达式 _right, 以及 表达式类型 _op。
class BinaryOpExpr : public Expr
{
public:
enum OpType {
// logic
OT_COND_OR, // ||
OT_COND_AND, // &&
// bit
OT_BIT_OR, // |
OT_BIT_XOR, // ^
OT_BIT_AND, // &
// relational
OT_EQ, // ==
OT_NE, // !=
OT_LT, // <
OT_GT, // >
OT_LE, // <=
OT_GE, // >=
// shift
OT_SHL, // <<
OT_SHR, // >>
// arithmetic
OT_ADD, // +
OT_SUB, // -
OT_MUL, // *
OT_DIV, // /
OT_MOD, // %
OP_NONE
};
private:
Expr *_left;
Expr *_right;
OpType _op;
// CGClassInfo *_promotionClassInfo; // set by typeinfer
CAVA_LOG_DECLARE();
};
创建节点并将左右子表达式及Op类型填入后,填充对应的位置信息,维护ASTContext(用于记录所有的AST信息)
// createBinaryOpExpr
CREATE_NODE_IMPL_ARG3(BinaryOpExpr,
Expr *,
BinaryOpExpr::OpType,
Expr *);
#define CREATE_NODE_IMPL_ARG3(T, T1, T2, T3) \
T *NodeFactory::create##T(ASTContext &astCtx, Location &location, \
T1 arg1, T2 arg2, T3 arg3) \
CREATE_NODE_IMPL_BODY(T, arg1, arg2, arg3)
#define CREATE_NODE_IMPL_BODY(T, ...) \
{ \
T *val = new T(__VA_ARGS__); \
val->setLocation(location); \
astCtx.addNode(val); \
astCtx.addNode(val); \
astCtx.addNode(val); \
val->beParent(__VA_ARGS__); \
return val; \
}
类成员(ClassMemberDecl): is a
字段(FieldDecl): has TypeNode and VarDecl
cava支持多种用户自定义的插件,其中重要的一类是自定义AST改写插件,由于在AST层面上,能够拿到整颗语法树的信息,可以很方便的进行一些改写语法树的操作,使得脚本语言更加灵活,可以在用户代码无感知的情况下做一些改写工作,比如可以更好的做到版本兼容问题,帮助用户完成一些代码逻辑。AST插件的执行位置在生成AST之后。以下介绍几种插件:
用于检测用户在函数的函数中未实现return语句,插件自动填充return语句,该功能仅限返回值为void使用,其余类型无法确定返回值,因此加入了检测分支为实现return即报错。
用于对为实现构造函数的类自动生成的默认构造函数
bool AddDefaultCtor::process(ASTContext &astCtx) {
for (auto classDecl : astCtx.getClassDecls()) { // for all class
if (!classDecl->getCtors().empty() ||
ASTUtil::hasNativeFunc(classDecl)) // check has ctor func
{
continue;
}
// use NodeFactory build Ctor
auto modifier = NodeFactory::allocModifier(astCtx);
auto name = &classDecl->getClassName();
auto formals = astCtx.allocFormalVec();
Location loc;
auto type = NodeFactory::createCanonicalTypeNode(astCtx,
loc, CanonicalTypeNode::CT_VOID); //create return type
auto stmtVec = astCtx.allocStmtVec();
auto returnStmt = NodeFactory::createReturnStmt(astCtx, loc, NULL);
stmtVec->push_back(returnStmt);
auto body = NodeFactory::createCompoundStmt(astCtx, loc, stmtVec);
auto ctor = NodeFactory::createConstructorDecl(astCtx,
loc, modifier, name, formals, type, body);
classDecl->addCtor(ctor);
}
return true;
}
报错信息中定义了错误类型,报错的位置信息,以及具体的错误内容,错误信息需要分布在编译的各个阶段产生,如词法语法错误,插件报错,类型系统的错误,类型推导阶段错误,codegen报错,jit报错等。也需要思考如何才能报错精准,能够让用户清晰的知道自己的错误在哪里,cava的报错会向java靠近,目前的实现还不尽如人意,后续版本中会逐渐完善报错内容的精准度,以及覆盖所有错误分支的测试。
类型分为基础类型,数组类型和class类型三个大类。
我们引入了类型系统来管理所有的基础类型,数组类型以及class类型,提供了注册类型,管理类型的功能。
基础类型是cava原生的一些类型,如void,boolean,byte,int,double等,与java不同的一点是,我们引入了unsigned类型,方便与c++做交互,基础类型间允许相互之间的自动转换以及强制转换,如int类型的a,可以转成(long)a。cava通过TypePromotion定义转换规则,参考java promotion实现。
由class 定义的类型均称为cava的class类型,class类型中包含每个类型所属的module,package等信息,能够记录类型的生命周期,作用域,类型间的关系等功能。
与java一致,我们引入了package概念,每个class类型都有对应的package,用以区分不同的类。
cava是以module形式管理代码的,类型的注册和生命周期都是基于module产生的,module分为external和internal两类,external允许外部module调用本module中的类型,用于做跨模块的链接,而internal设计为不允许外部module使用,属于私有module。
数组类型由数组的维数和其基类型(class类型或基础类型)共同组成,cava定义数组类型,数组可以显示的调用length:
template
class CavaArrayType
{
public:
int64_t length;
T *getData() { return _data; }
void setData(T *data) { _data = data; }
private:
T *_data;
}
可以看出,不同维数的数组是不一样的类型,因此,当生成n维数组的时候,我们会递归的生成n-1维到1维数组类型。
类型推导和检测是在codegen前做的一步重要工作,由于cava是一门强类型语言。在生成IR前,cava会遍历AST确定所有变量表达式的类型。因此,在所有的表达式中所包含的参数类型都有严格的要求,比如boolean类型不能做加减等运算,int + long 返回的类型经过向上转型原则为long等。
因此,cava会遍历整颗语法树中的所有变量常量等做类型的推导检测,以保证符合语法。
在经历完以上步骤后的语法树,我们正式用到了llvm,接下来我们将使用llvm生成语法树对应的LLVM IR(LLVM 自带的中间码)。
llvm IR 从Module -> Function -> Basic Block -> Instruction,分为不同的层次,囊括了一门语言基本结构。llvm Module是llvm的基本编译单元。
llvm Module构造,传入llvm::Context,llvm Context初始构造可以为空
llvm::Module(moduleName, llvmContext); // string name, llvm::Context *context
llvm Function构造,需要在对应的llvm Module中插入,传入function Name以及llvm::FunctionType
llvm::FunctionType 构造需要传入返回值类型和参数列表和是否变参
llvm::FunctionType::get(retLLVMType, params, false); // Type *Result, ArrayRef Params, bool isVarArg
llvm::cast(_module->getOrInsertFunction(funcName, funcType)); // string name, llvm::FunctionType *funcType
llvm BasicBlock 构造需要llvm Context,BasicBlock name,所属function等信息,代码块相当于{}
llvm::BasicBlock *createBasicBlock(const llvm::Twine &name = "",
llvm::Function *parent = nullptr,
llvm::BasicBlock *before = nullptr)
{
return llvm::BasicBlock::Create(_context, name, parent, before);
}
Stmt和Expr 对应到llvm中均为llvm::Instructions
引入llvm::IRBuilder 用于辅助生成llvm Instructions,插入到对应的 Basic Block 中。
irBuilder(context); // llvm::Context *context
irBuilder.SetInsertPoint(entryBB); // llvm::BasicBlock *entryBB
分支语句的生成,以if语句为例:
bool CodeGenFunction::handleIfStmt(IfStmt *ifStmt) {
llvm::BasicBlock *thenBlock = createBasicBlock("if.then");
llvm::BasicBlock *contBlock = createBasicBlock("if.end");
llvm::BasicBlock *elseBlock = contBlock;
if (ifStmt->getElse()) {
elseBlock = createBasicBlock("if.else");
}
emitBranchOnBoolExpr(ifStmt->getCond(), thenBlock, elseBlock);
if (_error) {
emitBlock(thenBlock, true);
emitBlock(contBlock, true);
if (ifStmt->getElse()) {
emitBlock(elseBlock, true);
}
return false;
}
// if.then
emitBlock(thenBlock);
handleStmt(ifStmt->getThen());
emitBranch(contBlock);
// else
if (ifStmt->getElse()) {
emitBlock(elseBlock);
handleStmt(ifStmt->getElse());
emitBranch(contBlock);
}
// Handle the continuation block for code after the if.
emitBlock(contBlock, true);
return true;
}
同理,使用 llvm::IRBuilder 工具生成Expr对应的指令集。
目前cava的异常检测还比较弱小,不支持用户try,catch逻辑
现有的异常检测实现方法是在所有的数组下标调用前,除法前以及对象下标访问前,进行判定是否合法,将if语句IR植入到代码中,使用if语句判断实现,遇到异常进行标记,并逐层返回。目前支持的异常检测包括:
cava不提供类似JVM的GC机制,作为一门脚步语言,采用允许用户自定义的内存分配方式。目前默认的简单内存实现是使用mem pool,作为脚步语言内存的持有一直到cava生命周期结束。
void *_cava_alloc_(CavaCtx *ctx, size_t size, int flag) {
if (size == 0) {
++size;
}
CavaAlloc *cavaAlloc = (CavaAlloc *)ctx->userCtx;
void *ret = cavaAlloc->alloc(size);
if (flag && ret) {
memset(ret, 0, size);
}
return ret;
}
void *alloc(size_t size) {
return _pool.allocate(size);
}
autil::mem_pool::Pool _pool;
在CavaCtx 类中包含了可自定义的内存管理工具userCtx,所有的cava函数的第一项非this指针参数,均为 *CavaCtx,用于在每个方法中管理内存和异常信息。
以ha3调用cava举例,ha3使用mem pool自定义了Ha3CavaAllocator用于cava内存管理,在每个线程开始时创建cavaCtx的Ha3CavaAllocator,在调用插件的接口处传入cavaCtx,用于执行cava脚本
score = _scorerModuleInfo->scoreFunc(_scorerObj, _cavaCtx, doc);在线程结束前析构Ha3CavaAllocator,释放资源。
截止到目前,已经生成了未经过Pass优化前的llvm IR代码,通过llvm::errs() << module; 打印出llvm Module 对应的IR代码:
cava代码
class Example {
static int add(int a, int b) {
return a + b;
}
static int main() {
int a = 3;
int b = 4;
if (a == 0)
return 0;
return add(a, b);
}
}
对应的未经过pass优化的IR,由于cava有一些内置的异常检测,以及未经过任何pass优化,所以会显得复杂点,后续会将异常检测重新设计,不再程序中内置检测,能够减少指令数,
define i32 @_ZN7Example3addEP7CavaCtxii(%class.CavaCtx* %"@cavaCtx@", i32 %a, i32 %b) {
entry:
%"@cavaCtx@1" = alloca %class.CavaCtx*
store %class.CavaCtx* %"@cavaCtx@", %class.CavaCtx** %"@cavaCtx@1"
%a2 = alloca i32
store i32 %a, i32* %a2
%b3 = alloca i32
store i32 %b, i32* %b3
%0 = load i32, i32* %a2
%1 = load i32, i32* %b3
%add = add i32 %0, %1
ret i32 %add
}
define i32 @_ZN7Example4mainEP7CavaCtx(%class.CavaCtx* %"@cavaCtx@") {
entry:
%"@cavaCtx@1" = alloca %class.CavaCtx*
store %class.CavaCtx* %"@cavaCtx@", %class.CavaCtx** %"@cavaCtx@1"
%a = alloca i32
store i32 3, i32* %a
%b = alloca i32
store i32 4, i32* %b
%0 = load i32, i32* %a
%eq = icmp eq i32 %0, 0
%1 = zext i1 %eq to i8
%tobool = icmp ne i8 %1, 0
br i1 %tobool, label %if.then, label %if.end
if.then: ; preds = %entry
ret i32 0
if.end: ; preds = %entry
%2 = load %class.CavaCtx*, %class.CavaCtx** %"@cavaCtx@1"
%3 = load i32, i32* %a
%4 = load i32, i32* %b
%5 = call i32 @_ZN7Example3addEP7CavaCtxii(%class.CavaCtx* %2, i32 %3, i32 %4)
%6 = load %class.CavaCtx*, %class.CavaCtx** %"@cavaCtx@1"
%exception = getelementptr inbounds %class.CavaCtx, %class.CavaCtx* %6, i32 0, i32 1
%7 = load i32, i32* %exception
%ne = icmp ne i32 %7, 0
br i1 %ne, label %if.then2, label %if.end4
if.then2: ; preds = %if.end
%8 = load %class.CavaCtx*, %class.CavaCtx** %"@cavaCtx@1"
%exception3 = getelementptr inbounds %class.CavaCtx, %class.CavaCtx* %8, i32 0, i32 1
store i32 1, i32* %exception3
ret i32 0
if.end4: ; preds = %if.end
ret i32 %5
}
Pass 优化及编写,这也是编译语言的精髓之处,不幸的是,笔者还未深入这一领域,cava参考了clang -O2 的优化pass,执行了FunctionPasses, ModulePasses, CodeGenPasses等优化,使得性能接近c++,不过c++ 的pass有些过于复杂,不适合JIT阶段使用,以及JIT独有的PGO,根据线上真实场景做codegen等优化尚未实现,这里面的性能提升空间还是很有潜力的,希望与大家一同探究。(题外话,随着对pass的了解,可以说未涉及pass的编译器还只是初级阶段。)
下文中会提到,处于性能考虑,我们也仿照llvm 的Clone Module,类似的实现了一个可以跨Module 的clone function Pass,用于将加载的bc module inline 到其他module中,减少函数调用。
bool CavaModule::cloneGlobals() {
auto module = _bitCodeManager.getModule(); // 取出bc 中的moduke
if (!module) {
return true;
}
if (!createDsoHandle(module)) { // clone __dso_handle
return false;
}
if (!createCxaAtExit(module)) { // clone __cxa_atexit
return false;
}
if (!createGlobalVariables(module)) { // clone GV, 全局变量
return false;
}
if (!createCxaGlobalCtors(module)) { // clone cxaGlobalCtor
return false;
}
return true;
}
__dso_handle,__cxa_atexit,用于c++链接
llvm 同时支持 AOT编译和JIT编译,JIT编译依赖于llvm TargetMachine,targetMachine 作为llvm 针对不同机器指令集的后端接口,可以根据不同的指令集产出不同的机器码,同时,也可以根据不同指令集进行pass优化。targetMachine详细的针对不同指令集的配置信息可以参考clang,cava只支持了x86-64机型。
cava JIT通过llvm ORC来生成jit编译, ORC编译需要定义一个llvm::orc::IRCompileLayer。
// 需要定义一个Compiler类,用于执行各类pass优化
_compileLayer.reset(new CompileLayerT(_objectLayer,
CavaCompiler(_targetMachine.get(), _config.debugIR)));
auto resolver = llvm::orc::createLambdaResolver(
[cavaModule, this](const std::string &name) {
if (auto sym = findMangledSymbol(name, cavaModule))
return sym;
return llvm::JITSymbol(nullptr);
},
[](const std::string &S) { return nullptr; });
auto handle = _compileLayer->addModuleSet(
singletonSet(cavaModule->getLLVMModule()),
llvm::make_unique(),
std::move(resolver));
执行代码通过找到函数符号对应的地址,直接调用function即可
typedef int (*MainProtoType)(CavaCtx *);
llvm::JITSymbol jitSymbol = cavaJit->findSymbol(cavaModule->getMangleMainName()); // mangle后的name,下一章会详细介绍
MainProtoType mainFunc = (MainProtoType) jitSymbol.getAddress();
if (!mainFunc) {
cout << "no main found" << endl;
return 0;
}
int ret = mainFunc(&cavaCtx);
cava 的设计之初就是追求高性能,尤其是与c++的交互
cava通过生成与clang/gcc/intel编译c++标准一致的函数符号,来直接调用c++的函数。具体实现参考clang 的mangle逻辑,详情可以查看 “llvm-src/lib/AST/ItaniumMangle.cpp”,将cava的函数名生成与c++ mangle规则一致的函数名,如
static int add(int a, int b) 转换成 define i32 @_ZN7Example3addEP7CavaCtxii(%class.CavaCtx* %"@cavaCtx@", i32 %a, i32 %b),CavaCtx是上文提到的cava自带的参数
cava 与c++的高性能交互,来源于两者均基于llvm实现编译器,拥有一致的中间代码,既可以采用mangle后调用符号名一致的函数。也可以有更高性能的交互,那就是把c++代码或者cava代码提前编译成bc文件,再通过llvm IRReader 加载整个module,实现进一步的联合编译,pass优化。c++如何生成bc参考下文的常用命令。
有了加载bc后,可以将cava原生代码和c++代码联合在一起编译,但是仍未解决cava调用c++函数这一层函数调用的开销,于是就有了跨模块inline的pass设计。我们利用IR定制了一个跨模块clone function的Pass,将不同module的函数及全局变量等通过递归的形式clone到本module中,再进行inline 优化,从而减少了函数调用。