强强联合，性能提升数倍！Alibaba Dragonwell11+VectorAPI 助力 Java 高性能新时代-Toy模板网

这篇具有很好参考价值的文章主要介绍了强强联合，性能提升数倍！Alibaba Dragonwell11+VectorAPI 助力 Java 高性能新时代。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

01 背景

Alibaba Dragonwell 作为 OpenJDK 的下游版本，是阿里巴巴针对 10万+ 服务器上运行的在线电商、金融、物流应用优化的 OpenJDK 实现。阿里巴巴和 OpenJDK 社区紧密合作，将尽可能多的 Alibaba Dragonwell 定制功能带到上游。Dragonwell 是 OpenAnolis 的默认 JDK，Alibaba 的众多 Java 应用，正在逐步迁移到 Dragonwell 上。

Intel Java 团队长期致力于 OpenJDK 的发展，贡献了大量优化特性，这些工作使得 OpenJDK 可以更好利用现代 CPU 的强大特性。VectorAPI 是 Java 在特定领域进行高性能计算的利器，广大 Java 开发者通过 VectorAPI 可以精确地控制和利用现代 CPU 普遍存在的 SIMD (Single Instruction Multiple Data) 硬件单元，特定的应用可以获得数倍以上的性能提升。

02 Java 高性能计算现状

SIMD 计算单元在 X86 平台(非 X86 平台也普遍存在 SIMD)上从 MMX(Multi Media eXtension)时代，演进到当前的 AVX-512 (Advanced Vector Extensions)/AMX(Advanced Matrix Extensions)时代，SIMD 技术在多媒体处理，游戏娱乐，大数据处理和最近火热的 AI 领域都发挥了至关重要的作用。开发者可以利用 C/C++（intrinsic指令），汇编语言等语言工具显式的编写 SIMD 相关代码（称之为向量化编码）来利用 SIMD 单元；也可以利用编译器/解释器的自动向量化功能来进行。JVM(Java Virtual Machine)也具有自动向量化的能力。

在利用编译器/解释器的自动向量化功能的时候，虽然开发人员的负担较小，但由于这些工作都依赖于编译器/解释器的实现，很多时候无法达到预期的目的。而开发人员能做的却很有限，SIMD 硬件的性能往往不能充分发挥；而直接针对 SIMD 硬件编程，较老版本的 Java 却只能通过 JNI(Java Native Interface)，调用使用 C/C++ 或者汇编语言实现的库来实现。JNI 的引入，将带来不容忽视的额外性能开销；同时混合编程模式也会增加系统管理维护的复杂度。Java VectorAPI (向量 API)的出现，给了 Java 开发者直接面向 SIMD 硬件的编程能力。使用 SIMD 硬件的途径：

	自动向量化	调用本地语言库	直接针对 SIMD 单元编程
C/C++、汇编等本地语言	是	是	是 (Intrinsic/汇编)
Java	是	是(JNI)	是(VectorAPI)

03 VectorAPI 介绍

VectorAPI (Incubator, JEP 338, JEP：JDK Enhancement Proposals) 最初于 2018 年 4 月开始创建，在 OpenJDK16 作为孵化器项目(2020年10月)被引入。随着后续 OpenJDK 版本的升级，VectorAPI 也得到了同步升级：

OpenJDK 17 -> JEP 414，Second Incubator
OpenJDK 18 -> JEP 417，Third Incubator
OpenJDK 19 -> JEP 426，Fourth Incubator
OpenJDK 20 -> JEP 438，Fifth Incubator

每次 VectorAPI 的升级都会带来性能提升，更多功能和 Bugfix。VectorAPI 的编程使用的是纯 Java 代码，下面看一个简单例子：

// 传统写法实现2个数组相加
void add (float[] A, float[] B, float[] C) { 
    for (int i = 0; i < C.length; i++) { 
        C[i] = A[i] + B[i]; 
    } 
} 
 
// 使用VectorAPI的2个数组相加
public class AddClass<S extends Vector.Shape<Vector<?, ?>>> { 
    private final FloatVector.FloatSpecies<S> spec; 
    AddClass (FloatVector.FloatSpecies<S> v) {spec = v; } 
 
    // vector routine for add  
    void add (float[] A, float[] B, float[] C) { 
        int i=0; 
        for (; i + spec.length() < C.length; i += spec.length()) { 
            FloatVector<S> av = spec.fromArray(A, i); 
            FloatVector<S> bv = spec.fromArray(B, i); 
            av.add (bv).intoArray(C, i); 
        } 
        // clean up loop 
        for (; i < a.length; i++) C[i] = A[i] + B[i]; 
    } 
}

可以看出，在使用 VectorAPI 后，在支持 AVX-512 的硬件平台上，一次加法可以处理 (512/32=16) 16 个浮点数；而传统加法一次只能处理一个浮点数。下面是一些 VectorAPI 的实际例子：

高性能计算、AI、多媒体领域广泛使用的 BLAS (Basic Linear Algebra Subprograms，基本线性代数子程序)，可以得到 2.2X~4.5X 的提升。