临时对象池应该是对可读性影响最小且优化效果显著的手段。基本上，业内以高性能著称的开源库，都会使用到。
最典型的就是fasthttp（网址：https://github.com/valyala/fasthttp/）了，它几乎把所有的对象都用sync.Pool维护。
但这样的复用不一定全是合理的。比如在fasthttp中，传递上下文相关信息的RequestCtx就是用sync.Pool维护的，这就导致了你不能把它传递给其他的goroutine。
如果要在fasthttp中实现类似接受请求->异步处理的逻辑,必须得拷贝一份RequestCtx再传递。这对不熟悉fasthttp原理的使用者来讲，很容易就踩坑了。
还有一种利用sync.Pool特性，来减少锁竞争的优化手段，也非常巧妙。另外，在优化前要善用go逃逸检查分析对象是否逃逸到堆上，防止负优化。
（二）string2bytes & bytes2string这也是两个比较常规的优化手段，核心还是复用对象，减少内存分配。
在go标准库中也有类似的用法gostringnocopy。
要注意string2bytes后，不能对其修改。
unsafe.Pointer经常出现在各种优化方案中，使用时要非常小心。这类操作引发的异常，通常是不能recover的。
（三）协程池绝大部分应用场景，go是不需要协程池的。当然，协程池还是有一些自己的优势：
可以限制goroutine数量，避免无限制的增长。
减少栈扩容的次数。
频繁创建goroutine的场景下，资源复用，节省内存。（需要一定规模。一般场景下，效果不太明显。）
go对goroutine有一定的复用能力。所以要根据场景选择是否使用协程池，不恰当的场景不仅得不到收益，反而增加系统复杂性。
（四）反射go里面的反射代码可读性本来就差，常见的优化手段进一步牺牲可读性。而且后续马上就有泛型的支持，所以若非必要，建议不要优化反射部分的代码。
比较常见的优化手段有：
缓存反射结果，减少不必要的反射次数。例如json-iterator
（网址：https://github.com/json-iterator/go）。
直接使用unsafe.Pointer根据各个字段偏移赋值。
消除一般的struct反射内存消耗go-reflect。
（网址：https://github.com/goccy/go-reflect）
避免一些类型转换，如interface->[]byte。
（五）减小锁消耗并发场景下，对临界区加锁比较常见。带来的性能隐患也必须重视。常见的优化手段有：
减小锁粒度:go标准库当中，math.rand就有这么一处隐患。当我们直接使用rand库生成随机数时，实际上由全局的globalRand对象负责生成。globalRand加锁后生成随机数，会导致我们在高频使用随机数的场景下效率低下。
atomic:适当场景下，用原子操作代替互斥锁也是一种经典的lock-free技巧。标准库中sync.map针对读操作的优化消除了rwlock，是一个标准的案例。对它的介绍文章也比较多，不在赘述。
prometheus里的组件histograms直方图也是一个非常巧妙的设计。一般的开源库，比如go-metrics（网址：https://github.com/rcrowley/go-metrics）是直接在这里使用了互斥锁。指标上报作为一个高频操作，在这里加锁，对系统性能影响可想而知。
参考sync.map里冗余map的做法，prometheus把原来histograms的计数器也分为两个：cold和hot，还有一个hotIdx用来表示哪个计数器是hot。prometheus里的组件histograms直方图也是一个非常巧妙的设计。一般的开源库，比如go-metrics（网址：https://github.com/rcrowley/go-metrics）是直接在这里使用了互斥锁。指标上报作为一个高频操作，在这里加锁，对系统性能影响可想而知。
业务代码上报指标时，用atomic原子操作对hot计数器累加向prometheus服务上报数据时，更改hotIdx，把原来的热数据变为冷数据，作为上报的数据。然后把现在冷数据里的值，累加到热数据里，完成一次冷热数据的更新替换。
还有一些状态等待，结构体内存布局的介绍，不再赘述。
二、另类手段 （一）golinkgolink（网址：https://golang.org/cmd/compile/）在官方的文档里有介绍，使用格式：
//go:linkname FastRand runtime.fastrand
func FastRand() uint32
主要功能就是让编译器编译的时候，把当前符号指向到目标符号。上面的函数FastRand被指向到runtime.fastrand,runtime包生成的也是伪随机数，和math包不同的是，它的随机数生成使用的上下文是来自当前goroutine的，所以它不用加锁。正因如此，一些开源库选择直接使用runtime的随机数生成函数。性能对比如下：
Benchmark_MathRand-12 84419976 13.98 ns/op
Benchmark_Runtime-12 505765551 2.158 ns/op
还有很多这样的例子，比如我们要拿时间戳的话，可以标准库中的time.Now()，这个库在会有两次系统调用runtime.walltime1和runtime.nanotime，分别获取时间戳和程序运行时间。大部分场景下，我们只需要时间戳，这时候就可以直接使用runtime.walltime1。性能对比如下：
Benchmark_Time-12 16323418 73.30 ns/op Benchmark_Runtime-12 29912856 38.10 ns/op
同理，如果我们需要统计某个函数的耗时，也可以直接调用两次runtime.nanotime然后相减，不用再调用两次time.Now。
//go:linkname nanotime1 runtime.nanotime1
func nanotime1() int64
func main() {
defer func( begin int64) {
cost := (nanotime1() - begin)/1000/1000
fmt.Printf("cost = %dms \n" ,cost)
}(nanotime1())
time.Sleep(time.Second)
}
运行结果：cost = 1000ms
系统调用在go里面相对来讲是比较重的。runtime会切换到g0栈中去执行这部分代码，time.Now方法在gor= arg->p1 + arg->p2; return 100; } */ import "C" import ( "fmt" "unsafe" ) //go:linkname asmcgocall runtime.asmcgocall func asmcgocall(unsafe.Pointer, uintptr) int32 func main() { arg := C.struct_args{} arg.p1 = 100 arg.p2 = 200 //C.add(&arg) asmcgocall(C.add,uintptr(unsafe.Pointer(&arg))) fmt.Println(arg.r) }
压测数据如下：
BenchmarkCgo-12 16143393 73.01 ns/op 16 B/op 1 allocs/op
BenchmarkAsmCgoCall-12 119081407 9.505 ns/op 0 B/op 0 allocs/op
runtime对网络io，以及定时器的管理，会放到自己维护的一个epoll里，具体可以参考runtime/netpool。在一些高并发的网络io中，有以下几个问题：
需要维护大量的协程去处理读写事件。
对连接的状态无感知，必须要等待read或者write返回错误才能知道对端状态，其余时间只能等待。
原生的netpool只维护一个epoll，没有充分发挥多核优势。
基于此，有很多项目用x/unix扩展包实现了自己的基于epoll的网络库，比如潘神的gnet（网址：https://github.com/panjf2000/gnet），还有字节跳动的netpoll。
在我们的项目中，也有尝试过使用。最终我们还是觉得基于标准库的实现已经足够。理由如下：
用户态的goroutine优先级没有gonetpool的调度优先级高。带来的问题就是毛刺多了。近期字节跳动也开源了自己的netpool，并且通过优化扩展包内epoll的使用方式来优化这个问题，具体效果未知。
效果不明显，我们绝大部分业务的QPS主要受限于其他的RPC调用，或者CPU计算。收发包的优化效果很难体现。
增加了系统复杂性，虽然标准库慢一点点，但是足够稳定和简单。
（五）包大小优化我们CI是用蓝盾流水线实现的，有一次业务反馈说蓝盾编译的二进制会比自己开发机编译的体积大50%左右。对比了操作系统和go版本都是一样的,tlinux2.2 golang1.15。我们在用linux命令size—A对两个文件各个section做对比时，发现了debug相关的section size明显不一致，而且section的名称也不一样:
size -A test-30MB
section size addr
.interp 28 4194928
.note.ABI-tag 32 4194956
... ... ... ...
.zdebug_aranges 1565 0
.zdebug_pubnames 56185 0
.zdebug_info 2506085 0
.zdebug_abbrev 13448 0
.zdebug_line 1250753 0
.zdebug_frame 298110 0
.zdebug_str 40806 0
.zdebug_loc 1199790 0
.zdebug_pubtypes 151567 0
.zdebug_ranges 371590 0
.debug_gdb_scripts 42 0
Total 93653020
size -A test-50MB
section size addr
.interp 28 4194928
.note.ABI-tag 32 4194956
.note.go.buildid 100 4194988
... ... ...
.debug_aranges 6272 0
.debug_pubnames 289151 0
.debug_info 8527395 0
.debug_abbrev 73457 0
.debug_line 4329334 0
.debug_frame 1235304 0
.debug_str 336499 0
.debug_loc 8018952 0
.debug_pubtypes 1072157 0
.debug_ranges 2256576 0
.debug_gdb_scripts 62 0
Total 113920274
通过查找debug和zdebug的区别了解到，zdebug是对debug段做了zip压缩，所以压缩后包体积会更小。查看go的源码（网址：https://github.com/golang/go/blob/master/src/cmd/link/internal/ld/dwarf.go#L2210），发现链接器默认已经对debug段做了zip压缩。
看来，未压缩的debug段不是go自己干的。我们很容易就猜到，由于代码中引入了cgo，可能是c++的链接器没有压缩导致的。
代码引入cgo后，go代码由go编译器编译，c代码由g++编译。 后续由ld链接成可执行文件
所以包含cgo的代码在跨平台编译时，需要更改对应平台的c代码编译器，链接器。 具体过程可以翻阅go编译过程相关资料，不再赘述
再次寻找原因，我们猜测可能跟tlinux2.2支持go 1.16有关，之前我们发现升级go版本之后，在开发机上无法编译。最后发现是因为go1.16优化了一部分编译指令，导致我们的ld版本太低不支持。所以我们用yum install -y binutils升级了ld的版本。果然，在翻阅了ld的文档之后，我们确认了tlinux2.2自带的ld不支持–compress-debug-sections=zlib-gnu这个指令，升级后ld才支持。
总结：在包含cgo的代码编译时，将ld升级到2.27版本，编译后的体积可以减少约50%。
（六）simd首先，go链接器支持simd指令，但go编译器不支持simd指令的生成。
所以在go中使用simd一般来说有三种方式：
手写汇编。
llvm。
cgo（如果用cgo的方式来调用，会受限于cgo的性能，达不到加速的目的）。
目前比较流行的做法是llvm：
用c来写simd相关的函数，然后用llvm编译成c汇编。
用工具把c汇编转换成go的汇编格式，保存为.s文件。
在go中调用.s里的方法，最后用go编译器编译。
以下开源库用到了simd，可以参考：
simdjson-go
（网址：https://github.com/minio/simdjson-go）
soni
（网址：https://github.com/bytedance/sonic）
sha256-simd
（网址：https://github.com/minio/sha256-simd）
合理的使用simd可以充分发挥cpu特性，但是存在以下弊端：
难以维护，要么需要懂汇编的大神，要么需要引入第三方语言。
跨平台支持不够，需要对不同平台汇编指令做适配。
汇编代码很难调试，作为使用方来讲，完全黑盒。
（七）jitgo中使用jit的方式可以参考Writing a JIT compiler in Golang，
目前只有在字节跳动刚开源的json解析库中发现了使用场景sonic。
（网址：https://github.com/bytedance/sonic）
这种使用方式个人感觉在go中意义不大，仅供参考。
三、总结过早的优化是万恶之源，千万不要为了优化而优化：
pprof分析，竞态分析，逃逸分析，这些基础的手段是必须要学会的。
常规的优化技巧是比较实用的，他们往往能解决大部分的性能问题并且足够安全。
在一些着重性能的基础库中，使用一些非常规的优化手段也是可以的，但必须要权衡利弊，不要过早放弃可读性，兼容性和稳定性。
