一行降低 100000kg 碳排放量的代码

关注

原创最新推荐文章于 2026-09-02 13:57:41 发布 196 阅读 AI 写同款· GEO 优化 ›

Mythos：Anthropic新一代认知工作流引擎深度解析认知工作流引擎是AI从‘回答问题’迈向‘组织思考’的关键范式升级，其核心在于将推理过程结构化、可审计、可中断。区别于传统大语言模型依赖静态参数与固定上下文，Mythos通过分形推理引擎、动态知识图谱编织器和反事实验证沙盒三大技术突破，实现任务驱动的实时知识调度与自我质疑能力。这种架构显著提升高可信场景下的司法可追溯性、领域合规性与决策鲁棒性，广泛适用于法律科技、医疗健康、金融风控及科研教育等对输出可解释性与过程可控性要求严苛的领域。本文聚焦Mythos作为新一代认知工作流引擎的技术本质与落地实践。阅读详情

在这里插入图片描述

文｜张稀虹（花名：止语 )

蚂蚁集团技术专家

负责蚂蚁集团云原生架构下的高可用能力的建设
主要技术领域包括 ServiceMesh、Serverless 等

本文 3631 字阅读 8 分钟

PART. 1 故事背景

今年双十一大促后，按照惯例我们对大促期间的系统运行数据进行了详细的分析，对比去年同期的性能数据发现，MOSN 的 CPU 使用率有大约 1% 的上涨。

为什么增加了？

是合理的吗？

可以优化吗？

是不可避免的熵增，还是人为的浪费？

带着这一些列灵魂拷问我们对系统进行了分析

PART. 2 问题定位

我们从监控上发现，这部分额外的开销是在系统空闲时已有，并且不会随着压测流量增加而降低，CPU 总消耗增加 1.2%，其中 0.8% 是由 cpu_sys 带来。

通过 perf 分析发现新版本的 MOSN 相较于老版本， syscall 有明显的增加。

旧版本

新版本

经过层层分析，发现其中一部分原因是 MOSN 依赖的 sentinel-golang 中的一个StartTimeTicker 的 func 中的 Sleep 产生了大量的系统调用，这是个什么逻辑？

PART. 3 理论分析

查看源码发现有一个毫秒级别的时间戳缓存逻辑，设计的目的是为了降低高调用频率下的性能开销，但空闲状态下频繁的获取时间戳和 Sleep 会产生大量的系统调用，导致 cpu sys util 上涨。我们先从理论上分析一下为什么这部分优化在工程上通常是无效的，先来看看 Sentinel 的代码：

package util

import (
  "sync/atomic"
  "time"
)

var nowInMs = uint64(0)

// StartTimeTicker starts a background task that caches current timestamp per millisecond,
// which may provide better performance in high-concurrency scenarios.
func StartTimeTicker() {
  atomic.StoreUint64(&nowInMs, uint64(time.Now().UnixNano())/UnixTimeUnitOffset)
  go func() {
    for {
      now := uint64(time.Now().UnixNano()) / UnixTimeUnitOffset
      atomic.StoreUint64(&nowInMs, now)
      time.Sleep(time.Millisecond)
    }
  }()
}

func CurrentTimeMillsWithTicker() uint64 {
  return atomic.LoadUint64(&nowInMs)
}

从上面的代码可以看到，Sentinel 内部用了一个 goroutine 循环的获取时间戳存到 atomic 变量里，然后调用 Sleep 休眠 1ms，通过这种方式缓存了毫秒级别的时间戳。外部有一个开关控制这段逻辑是否要启用，默认情况下是启用的。从这段代码上看，性能开销最大的应该是 Sleep，因为 Sleep 会产生 syscall，众所周知 syscall 的代价是比较高的。

time.Sleep 和 time.Now 对比开销到底大多少呢？

查证资料（1）后我发现一个反直觉的事实，由于 Golang 特殊的调度机制，在 Golang 中一次 time.Sleep 可能会产生 7 次 syscall，而 time.Now 则是 vDSO 实现的，那么问题来了 vDSO 和 7 次系统调用相比提升应该是多少呢？

我找到了可以佐证的资料，恰好有一个 Golang 的优化（2），其中提到在老版本的 Golang 中（golang 1.9-)，Linux/386 下没有这个 vDSO 的优化，此时会有 2 次 syscall，新版本经过优化后理论性能提高 5～7x+，可以约等于一次 time.Now <= 0.3 次 syscall 的开销。

Cache 设计的目的是为了减少 time.Now 的调用，所以理论上这里调用量足够大的情况下可能会有收益，按照上面的分析，假设 time.Now 和 Sleep 系统调用的开销比是 0.3:7.3（7+0.3），Sleep 每秒会执行 1000 次（不考虑系统精度损失的情况下），这意味着一秒内 CurrentTimeMillsWithTicker 的调用总次数要超过 2.4W 才会有收益。

所以我们再分析一下 CurrentTimeMillsWithTicker 的调用次数，我在这个地方加了一个 counter 进行验证，然后模拟请求调用 Sentinel 的 Entry，经过测试发现：

当首次创建资源点时，Entry 和 CurrentTimeMillsWithTicker 的放大比为 20，这主要是因为创建底层滑动窗口时需要大量的时间戳计算
当相同的 resource 调用 Entry 时，调用的放大比⁰为 5:1

｜注 0: 内部使用的 MOSN 版本基于原版 Sentinel 做了一些定制化，社区版本放大比理论上低于该比值。

考虑到创建资源点是低频的，我们可以近似认为此处调用放大比为 5。所以理论上当单机 QPS 至少超过 4800 以上才可能会取得收益…我们动辄听说什么 C10K、C100K、C1000K 问题，这个值看上去似乎并不很高？但在实际业务系统中，这实际上是一个很高的量。

我随机抽取了多个日常请求量相对大的应用查看 QPS（这里的 QPS 包含所有类型的资源点，入口/出口调用以及子资源点等，总之就是所有会经过 Sentinel Entry 调用的请求量），日常峰值也未超过 4800QPS，可见实际的业务系统中，单机请求量超过这个值的场景是非常罕见的。¹

｜注 1: 此处监控为分钟级的数据监控，可能与秒级监控存在一定的出入，仅用于指导日常请求量评估。

考虑到这个优化还有一个好处，是可以降低同步请求时间戳时的耗时，所以我们可以再对比一下直接从 atomic 变量读取缓存值和通过 time.Now() 读取时间戳的速度。

可以看到单次直接获取时间戳确实比从内存读取开销大很多，但是仍然是 ns 级别的，这种级别的耗时增长对于一笔请求而言是可以忽略不计的。

大概是 0.06 微秒，即使乘以 5，也就是 0.3 微秒的增加。在 4000QPS 这个流量档位下我们也可以看一下 MOSN 实际 RT。

两台机器的 MOSN RT 也没有明显的差异，毕竟只有 0.3 微秒…

PART. 4 测试结论

同时我们也找了两台机器，分别禁用/启用这个 Cache 进行测试，测试结果佐证了上述分析的结论。

从上图的数据可以看出来，启用 Cache 的情况下 cpu sys util 始终比不启用 Cache 的版本要大，随着请求量增加，性能差距在逐步缩小，但是直至 4000QPS 仍然没有正向的收益。

经过测试和理论分析可得知，在常规的场景下，Sentinel 的这个 Cache 特性是没有收益的，反而对性能造成了损耗，尤其是在低负载的情况下。即使在高负载的情况下，也可以推论出：没有这个 Cache 不会对系统造成太大的影响。

这次性能分析也让我们意识到了几个问题：

不要过早优化，正所谓过早优化是万恶之源；
一定要用客观数据证明优化结果是正向的，而不是凭借直觉；
要结合实际场景进行分析，而不应该优先考虑一些小概率场景；
不同语言间底层实现可能存在区别，移植时应该仔细评估。

PART. 5 有必要吗？

你上面不是说了，不要过早优化，那这个算不算过早优化呢，你是不是双标？

“过早优化是万恶之源”实际上被误用了，它是有上下文的。

We should forget about small efficiencies, say about 97% of the time: premature optimization is the root of all evil. Yet we should not pass up our opportunities in that critical 3%. —— Donald Knuth

Donald Knuth 认为许多优化是没必要的，我们可能花费了大量的时间去做了投入产出比不高的事情，但他同时强调了一些关键性优化的必要性。简而言之就是要考虑性价比，不能盲目地、没有数据支撑地去做性能优化，premature 似乎翻译成“不成熟、盲目的”更为贴切，因此这句话的本意是“盲目的优化是万恶之源”。这里只需要一行代码的改动，即可省下这部分不必要的开销，性价比极高，何乐而不为呢？

从数据上看，这个优化只是降低了 0.7% 的 cpu sys util，我们缺这 0.7% 吗？

从系统水位的角度思考或许还好，毕竟我们为了保险起见预备了比实际需求更多的资源，这 0.7% 并不会成为压垮我们系统的最后一颗稻草。但从环保的角度，很有必要！今年我们强调的是绿色环保，提效降本。这区区一行代码，作为 Sidecar 跑在数十万的业务 Pod 中，背后对应的是上万台的服务器。

用不太严谨的一种方式进行粗略的估算，以常规的服务器 CPU Xeon E5 为例，TDP² 为 120W，0.7% * 120W * 24 * 365 / 1000 = 73584 度电，每一万台机器一年 7 万度电，这还不包括为了保持机房温度而带来的更大的热交换能耗损失（简单说就是空调费，常规机房 PUE 大概 1.5），按照不知道靠谱不靠谱的专家估算，节约 1 度电=减排 0.997 千克二氧化碳，这四舍五入算下来大概减少了 100000kg 的二氧化碳吧。

同时这也是一行开源社区的代码，社区已经采纳我们的建议（3）将该特性默认设置为关闭，或许有上千家公司数以万计的服务器也将得到收益。