23|Julia编译器（二）：如何利用LLVM的优化和后端功能？

你好，我是宫文学。

上一讲，我给你概要地介绍了一下 Julia 这门语言，带你一起解析了它的编译器的编译过程。另外我也讲到，Julia 创造性地使用了 LLVM，再加上它高效的分派机制，这就让一门脚本语言的运行速度，可以跟 C、Java 这种语言媲美。更重要的是，你用 Julia 本身，就可以编写需要高性能的数学函数包，而不用像 Python 那样，需要用另外的语言来编写（如 C 语言）高性能的代码。

那么今天这一讲，我就带你来了解一下 Julia 运用 LLVM 的一些细节。包括以下几个核心要点：

如何生成 LLVM IR？
如何基于 LLVM IR 做优化？
如何利用内建（Intrinsics）函数实现性能优化和语义个性化？

这样，在深入解读了这些问题和知识点以后，你对如何正确地利用 LLVM，就能建立一个直观的认识了，从而为自己使用 LLVM 打下很好的基础。

好，首先，我们来了解一下 Julia 做即时编译的过程。

即时编译的过程

我们用 LLDB 来跟踪一下生成 IR 的过程。

$ lldb #启动 lldb
(lldb)attach –name julia #附加到 julia 进程
c #让 julia 进程继续运行

首先，在 Julia 的 REPL 中，输入一个简单的 add 函数的定义：

julia> function add(a, b)
x = a+b
x
end

接着，在 LLDB 或 GDB 中设置一个断点“br emit_funciton”，这个断点是在 codegen.cpp 中。

(lldb) br emit_function #添加断点

然后在 Julia 里执行函数 add：

julia> add(2,3)

这会触发 Julia 的编译过程，并且程序会停在断点上。我整理了一下调用栈的信息，你可以看看，即时编译是如何被触发的。

通过跟踪执行和阅读源代码，你会发现 Julia 中最重要的几个源代码：

gf.c：Julia 以方法分派快速而著称。对于类似加法的这种运算，它会有上百个方法的实现，所以在运行时，就必须能迅速定位到准确的方法。分派就是在 gf.c 里。
interpreter.c：它是 Julia 的解释器。虽然 Julia 中的函数都是即时编译的，但在 REPL 中的简单的交互，靠解释执行就可以了。
codegen.cpp：生成 LLVM IR 的主要逻辑都在这里。

我希望你能自己动手跟踪执行一下，这样你就会彻底明白 Julia 的运行机制。

Julia 的 IR：采用 SSA 形式

在上一讲中，你已经通过 @code_lowered 和 @code_typed 宏，查看过了 Julia 的 IR。

Julia 的 IR也经历了一个发展演化过程，它的 IR 最早不是 SSA 的，而是后来才改成了SSA 形式。这一方面是因为，SSA 真的是有优势，它能简化优化算法的编写；另一方面也能看出，SSA 确实是趋势呀，我们目前接触到的 Graal、V8 和 LLVM 的 IR，都是 SSA 格式的。

Julia 的 IR 主要承担了两方面的任务。

第一是类型推断，推断出来的类型被保存到 IR 中，以便于生成正确版本的代码。

第二是基于这个 IR 做一些 优化，其实主要就是实现了内联优化。内联优化是可以发生在比较早的阶段，你在 Go 的编译器中就会看到类似的现象。

你可以在 Julia 中写两个短的函数，让其中一个来调用另一个，看看它所生成的 LLVM 代码和汇编代码是否会被自动内联。

另外，你还可以查看一下传给 emit_function 函数的 Julia IR 是什么样子的。在 LLDB 里，你可以用下面的命令来显示 src 参数的值（其中，jl_(obj)是 Julia 为了调试方便提供的一个函数，它能够更好地显示 Julia 对象的信息，注意显示是在 julia 窗口中）。src 参数里面包含了要编译的 Julia 代码的信息。

(lldb) expr jl_(src)

为了让你能更容易看懂，我稍微整理了一下输出的信息的格式：

你会发现，这跟用 @code_typed(add(2,3)) 命令打印出来的信息是一致的，只不过宏里显示的信息会更加简洁：

接下来，查看 emit_function 函数，你就能够看到生成 LLVM IR 的整个过程。

生成 LLVM IR

LLVM 的 IR 有几个特点：

第一，它是 SSA 格式的。
第二，LLVM IR 有一个类型系统。类型系统能帮助生成正确的机器码，因为不同的字长对应的机器码指令是不同的。
第三，LLVM 的 IR 不像其他 IR，一般只有内存格式，它还有文本格式和二进制格式。你完全可以用文本格式写一个程序，然后让 LLVM 读取，进行编译和执行。所以，LLVM 的 IR 也可以叫做 LLVM 汇编。
第四，LLVM 的指令有丰富的元数据，这些元数据能够被用于分析和优化工作中。

基本上，生成 IR 的程序没那么复杂，就是用简单的语法制导的翻译即可，从 AST 或别的 IR 生成 LLVM 的 IR，属于那种比较幼稚的翻译方法。

采用这种方法，哪怕一开始生成的 IR 比较冗余，也没有关系，因为我们可以在后面的优化过程中继续做优化。

在生成的 IR 里，会用到 Julia 的内建函数（Intrinsics），它代表的是一些基础的功能。

在JavaScript 的编译器里，我们已经接触过内置函数（Built-in）的概念了。而在 Julia 的编译器中，内建函数和内置函数其实是不同的概念。

内置函数是标准的 Julia 函数，它可以有多个方法，根据不同的类型来分派。比如，取最大值、最小值的函数 max()、min() 这些，都是内置函数。

而内建函数只能针对特定的参数类型，没有多分派的能力。Julia 会把基础的操作，都变成对内建函数的调用。在上面示例的 IR 中，就有一个 add_in() 函数，也就是对整型做加法运算，它就是内建函数。内建函数的目的是生成 LLVM IR。Julia 中有近百个内置函数。在intrinsics.cpp中，有为这些内置函数生成 LLVM IR 的代码。

这就是 Julia 生成 LLVM IR 的过程：遍历 Julia 的 IR，并调用 LLVM 的 IRBuilder 类，生成合适的 IR。在此过程中，会遇到很多内建函数，并调用内建函数输出 LLVM IR 的逻辑。

运行 LLVM 的 Pass

我们之所以会使用 LLVM，很重要的一个原因就是利用它里面的丰富的优化算法。

LLVM 的优化过程被标准化成了一个个的 Pass，并由一个 PassManager 来管理。你可以查看 jitlayers.cpp 中的addOptimizationPasses() 函数，看看 Julia 都使用了哪些 Pass。

LoopRotate：官方文档 / SLPVectorizer：官方文档 /《编译原理之美》：第 31 讲

上面表格中的 Pass 都是 LLVM 中自带的 Pass。你要注意，运用好这些 Pass，会产生非常好的优化效果。比如，某个开源项目，由于对性能的要求比较高，所以即使在 Windows 平台上，仍然强烈建议使用 Clang 来编译，而 Clang 就是基于 LLVM 的。

除此之外，Julia 还针对自己语言的特点，写了几个个性化的 Pass。比如：

这些个性化的 Pass 是针对 Julia 本身的语言特点而编写的。比如对于垃圾收集，每种语言的实现策略都不太一样，因此就必须自己实现相应的 Pass，去插入与垃圾收集有关的代码。再比如，Julia 是面向科学计算的，比较在意数值计算的性能，所以自己写了两个 Pass 来更好地利用 CPU 的一些特殊指令集。

emit_function 函数最后返回的是一个模块（Module）对象，这个模块里只有一个函数。这个模块会被加入到一个JuliaOJIT对象中进行集中管理。Julia 可以从 JuliaOJIT 中，查找一个函数并执行，这就是 Julia 能够即时编译并运行的原因。

不过，我们刚才说的都是生成 LLVM IR 和基于 IR 做优化。那么，LLVM 的 IR 又是如何生成机器码的呢？对于垃圾收集功能，LLVM 是否能给予帮助呢？在使用 LLVM 方面还需要注意哪些方面的问题呢？

利用 LLVM 的正确姿势

在这里，我给你总结一下 LLVM 的功能，并带你探讨一下如何恰当地利用 LLVM 的功能。

通过这门课，你其实已经能够建立这种认识：编译器后端的工作量更大，某种意义上也更重要。如果我们去手工实现每个优化算法，为每种架构、每种 ABI 来生成代码，那不仅工作量会很大，而且还很容易遇到各种各样需要处理的 Bug。

使用 LLVM，就大大降低了优化算法和生成目标代码的工作量。LLVM 的一个成功的前端是 Clang，支持对 C、C++ 和 Objective-C 的编译，并且编译速度和优化效果都很优秀。既然它能做好这几种语言的优化和代码生成，那么用来支持你的语言，你也应该放心。

总体来说，LLVM 能给语言的设计者提供这样几种帮助：

程序的优化功能

你可以通过 LLVM 的 API，从你的编译器的前端生成 LLVM IR，然后再调用各种分析和优化的 Pass 进行处理，就能达到优化目标。

LLVM 还提供了一个框架，让你能够编写自己的 Pass，满足自己的一些个性化需求，就像 Julia 所做的那样。

LLVM IR 还有元数据功能，来辅助一些优化算法的实现。比如，在做基于类型的别名分析（TPAA）的时候，需要用到在前端解析中获得类型信息的功能。你在生成 LLVM IR 的时候，就可以把这些类型信息附加上，这样有助于优化算法的运行。

目标代码生成功能

LLVM 支持对 x86、ARM、PowerPC 等各种 CPU 架构生成代码的功能。同时，你应该还记得，在第 8 讲中，我说过 ABI 也会影响代码的生成。而 LLVM，也支持 Windows、Linux 和 macOS 的不同的 ABI。

另外，你已经知道，在目标代码生成的过程中，一般会需要三大优化算法：指令选择、寄存器分配和指令排序算法。LLVM 对此同样也给予了很好的支持，你直接使用这些算法就行了。

最后，LLVM 的代码生成功能对 CPU 厂家也很友好，因为这些算法都是目标独立（Target-independent）的。如果硬件厂家推出了一个新的 CPU，那它可以用 LLVM 提供的 TableGen 工具，来描述这款新 CPU 的架构，这样我们就能使用 LLVM 来为它生成目标代码了。

对垃圾收集的支持

LLVM 还支持垃圾收集的特性，比如会提供安全点、读屏障、写屏障功能等。这些知识点我会在第 32 讲“垃圾收集”的时候带你做详细的了解。

对 Debug 的支持

我们知道，代码的跟踪调试对于程序开发是很重要的。如果一门语言是生成机器码的，那么要实现跟踪调试，我们必须往代码里插入一些调试信息，比如目标代码对应的源代码的位置、符号表等。这些调试信息是符合 DWARF（Debugging With Attributed Record Formats，使用有属性的记录格式进行调试）标准的，这样 GDB、LLDB 等各种调试工具，就可以使用这些调试信息进行调试了。

对 JIT 的支持

LLVM 内置了对 JIT 的支持。你可以在运行时编译一个模块，生成的目标代码放在内存里，然后运行该模块。实际上，Julia 的编译器能够像普通的解释型语言那样运行，就是运用了 LLVM 的 JIT 机制。

其他功能

LLVM 还在不断提供新的支持，比如支持在程序链接的时候进行过程间的优化，等等。

总而言之，研究 Julia 的编译器，就为我们使用 LLVM 提供了一个很好的样本。你在有需要的时候，也可以作为参考。

课程小结

今天这一讲，我们主要研究了 Julia 如何实现中后端功能的，特别是在这个过程中，它是如何使用 LLVM 的，你要记住以下要点：

Julia 自己的 IR 也是采用 SSA 格式的。这个 IR 的主要用途是类型推断和内联优化。
Julia 的 IR 会被转化成 LLVM 的 IR，从而进一步利用 LLVM 的功能。在转换过程中，会用到 Julia 的内建函数，这些内建函数代表了 Julia 语言中，抽象度比较高的运算功能，你可以拿它们跟 V8 的 IR 中，代表 JavaScript 运算的高级节点作类比，比如加法计算节点。这些内建函数会生成体现 Julia 语言语义的 LLVM IR。
你可以使用 LLVM 的 Pass 来实现代码优化。不过使用哪些 Pass、调用的顺序如何，是由你自己安排的，并且你还可以编写自己个性化的 Pass。
LLVM 为程序优化和生成目标代码提供了可靠的支持，值得重视。而 Julia 为使用 LLVM，就提供了一个很好的参考。

本讲的思维导图我也给你整理出来了，供你参考和复习回顾知识点：

一课一思

LLVM 强调全生命周期优化的概念。那么我们来思考一个有趣的问题：能否让 Julia 也像 Java 的 JIT 功能一样，在运行时基于推理来做一些激进的优化？如何来实现呢？欢迎在留言区发表你的观点。

参考资料

LLVM 的官网：llvm.org。如果你想像 Julia、Rust、Swift 等语言一样充分利用 LLVM，那么应该会经常到这里来查阅相关资料。
LLVM 的源代码。像 LLVM 这样的开源项目，不可能通过文档或者书籍来获得所有的信息。最后，你还是必须去阅读源代码，甚至要根据 Clang 等其他前端使用 LLVM 的输出做反向工程，才能掌握各种细节。LLVM 的核心作者也推荐开发者源代码当作文档。
Working with LLVM：Julia 的开发者文档中，有对如何使用 LLVM 的介绍。
LLVM’s Analysis and Transform Passes：对 LLVM 中的各种 Pass 的介绍。要想使用好 LLVM，你就要熟悉这些 Pass 和它们的使用场景。
在《编译原理之美》的第 25 讲和第 26 讲，我对 LLVM 后端及其命令行工具做了介绍，并且还手工调用 LLVM 的 API，示范了针对不同的语法结构（比如 if 结构）应该如何生成 LLVM IR，最后即时编译并运行。你可以去参考看看。

文章目录