MJDK如何实现压缩速率的5倍提升？

见贤思齐

总第573篇2023年 第025篇MJDK 是基于 OpenJDK 构建的美团 JDK 发行版。本文主要介绍? MJDK 是如何在保障 java.util.zip.* API 及压缩格式兼容性的前提下，实现压缩/解压缩速率提升 5-10 倍的效果。希望相关的经验能够帮助到更多的技术同学。1 前言2 数据压缩技术3 压缩技术在 Java 中的应用及优化思路3.1 Java 语言中压缩/解压缩 API 实现原理3.2 MJDK 优化方案1 前言数据压缩技术[1]因可有效降低数据存储及传输成本，在计算机领域有非常广泛的应用（包括网络传输、文件传输、数据库、操作系统等场景）。主流压缩技术按其原理可划分为无损压缩[2]、有损压缩[3]两类，工作中我们最常用的压缩工具 zip 和 gzip ，压缩函数库 zlib，都是无损压缩技术的应用。Java 应用中对压缩库的使用包括：处理 HTTP 请求时对 body 的压缩/解压缩操作、使用消息队列服务时对大消息体（如>1M）的压缩/解压缩、数据库写入前及读取后对大字段的压缩/解压缩操作等。常见于监控、广告等涉及大数据传输/存储的业务场景。美团基础研发平台曾经开发过一种基于 Intel 的 isa-l 库优化的 gzip 压缩工具及 zlib[4] 压缩库（又称：mzlib[5] 库），优化后的压缩速度可提升 10 倍，解压缩速度能提升 2 倍，并已在镜像分发、图片处理等场景长期稳定使用。遗憾的是，受限于 JDK[6] 对压缩库调用的底层设计，公司 Java8 服务一直无法使用优化后的 mzlib 库，也无法享受压缩/解压缩速率提升带来的收益。为了充分发挥 mzlib 的性能优势为业务赋能，在 MJDK 的最新版本中，我们改造并集成了 mzlib 库，完成了JDK中 java.util.zip.* 原生类库的优化，可实现在保障 API 及压缩格式兼容性的前提下，将内存数据压缩速率提升 5-10 倍的效果。本文主要介绍该特性的技术原理，希望相关的经验给大家带来一些启发或者帮助。2 数据压缩技术计算机领域的数据压缩技术的发展大致可分为以下三个阶段：详细时间节点如下：20世纪50～80年代，香农创立信息论，为数据压缩技术奠定了理论基础。期间出现多种经典算法，如 Huffman 编码、LZ 系列编码等。1989年，Phil Katz推出文件归档软件 PKZIP（zip 前身），并公开文件归档格式 zip 及其使用的数据压缩算法 deflate（Huffman 与 LZ77 的组合算法）的所有技术参数。1990年，Info-ZIP 小组基于公开的 deflate 算法编写了可移植的、免费的、开源实现 zip 和 unzip，极大地扩展了 .zip 格式的使用。1992年，Info-ZIP 小组基于 zip 的 deflate 算法代码，推出了文件压缩工具 gzip（GUN zip），用于替代 Unix 下的 compress（有专利纠纷）。通常 gzip 会与归档工具 tar 结合使用来生成压缩的归档格式，文件扩展名为 .tar.gz。1995年，Info-ZIP 小组成员Jean-loup Gailly 和 Mark Adler 基于 gzip 源码中的 deflate 算法实现，推出了压缩库：zlib 。通过库函数调用的方式，为其他场景（如PNG压缩）提供通用的压缩/解压缩能力。同年，在 RFC 中发布了 DEFLATE、ZLIB、GZIP 三种数据压缩格式。其中 DEFLATE 是原始压缩数据流格式，ZLIB、GZIP 则是在前者的基础上包装数据头及校验逻辑等。此后随着 zip、gzip 工具及 zlib 库的广泛应用，deflate 成为互联网时代数据压缩格式的事实标准。2010年后，各大型互联网公司陆续开源了新的压缩算法及实现，如：LZFSE（Apple）、Brotli（Google）、Zstandard（Facebook）等，在压缩速度和压缩比方面均有不同程度的提升。常见的压缩库如下（需要注意的是：由于压缩算法协议的差异，这些函数库不能交叉使用，数据压缩/解压缩必须使用同一种算法操作）：3 压缩技术在 Java 中的应用及优化思路前面我们介绍了压缩技术的基础知识，本章节主要介绍 MJDK8_mzlib 版本实现压缩速率 5 倍提升的技术原理。分两部分进行阐述：第一部分，介绍原生 JDK 中压缩/解压缩 API 的底层原理；第二部分，分享 MJDK 的优化思路。| 3.1 Java 语言中压缩/解压缩 API 实现原理Java 语言中，我们可以使用 JDK 原生压缩类库（java.util.zip.*）或第三方 Jar 包提供的压缩类库两种方式来实现数据压缩/解压缩，其底层原理是通过 JNI (Java Native Interface) 机制，调用 JDK 源码或第三方 Jar 包中提供的共享库函数。详细对比如下：其中在使用方式上，两者区别可参考如下代码。（1）JDK 原生压缩类库（zlib 压缩库）zip 文件压缩/解压缩代码 demo（Java）public?class?ZipUtil?{???//压缩????public?void?compress(File?file,?File?zipFile)?{????????byte[]?buffer?=?new?byte[1024];????????try?{????????????InputStream?????input??=?new?FileInputStream(file);????????????ZipOutputStream?zipOut?=?new?ZipOutputStream(new?FileOutputStream(zipFile));????????????zipOut.putNextEntry(new?ZipEntry(file.getName()));????????????int?length?=?0;????????????while?((length?=?input.read(buffer))?!=?-1)?{????????????????zipOut.write(buffer,?0,?length);????????????}????????????input.close();????????????zipOut.close();????????}?catch?(Exception?e)?{????????????e.printStackTrace();????????}????}??//解压缩????public?void?uncompress(File?file,?File?outFile)?{????????byte[]?buffer?=?new?byte[1024];????????try?{????????????ZipInputStream?input??=?new?ZipInputStream(new?FileInputStream(file));????????????OutputStream???output?=?new?FileOutputStream(outFile);????????????if?(!outFile.getParentFile().exists())?{????????????????outFile.getParentFile().mkdir();????????????}????????????if?(!outFile.exists())?{????????????????outFile.createNewFile();????????????}????????????int?length?=?0;????????????while?((length?=?input.read(buffer))?!=?-1)?{????????????????output.write(buffer,?0,?length);????????????}????????????input.close();????????????output.close();????????}?catch?(Exception?e)?{????????????e.printStackTrace();????????}????}}gzip 文件压缩/解压缩代码 demo（Java）public?class?GZipUtil?{????public?void?compress(File?file,?File?outFile)?{????????byte[]?buffer?=?new?byte[1024];????????try?{????????????InputStream??????input??=?new?FileInputStream(file);????????????GZIPOutputStream?gzip???=?new?GZIPOutputStream(new?FileOutputStream(outFile));????????????int??????????????length?=?0;????????????while?((length?=?input.read(buffer))?!=?-1)?{????????????????gzip.write(buffer,?0,?length);????????????}????????????input.close();????????????gzip.finish();????????????gzip.close();????????}?catch?(Exception?e)?{????????????e.printStackTrace();????????}????}????public?void?uncompress(File?file,?File?outFile)?{????????try?{????????????FileOutputStream?out????=?new?FileOutputStream(outFile);????????????GZIPInputStream??ungzip?=?new?GZIPInputStream(new?FileInputStream(file));????????????byte[]???????????buffer?=?new?byte[1024];????????????int??????????????n;????????????while?((n?=?ungzip.read(buffer))?>?0)?{????????????????out.write(buffer,?0,?n);????????????}????????????ungzip.close();????????????out.close();????????}?catch?(Exception?e)?{????????????e.printStackTrace();????????}????}}（2）第三方压缩类库（此处以 Google 推出的?snappy?压缩库举例，其他第三方类库原理基本类似）分成两步。第一步：pom 文件中添加依赖 Jar 包???????????????????org.xerial.snappy????????????snappy-java????????????1.1.8.4????????第二步：第二步，调用接口进行压缩/解压缩操作public?class?SnappyDemo?{????public?static?void?main(String[]?args)?{????????String?input?=?"Hello?snappy-java!?Snappy-java?is?a?JNI-based?wrapper?of?"????????????????+?"Snappy,?a?fast?compresser/decompresser.";????????byte[]?compressed?=?new?byte[0];????????try?{????????????compressed?=?Snappy.compress(input.getBytes("UTF-8"));????????????byte[]?uncompressed?=?Snappy.uncompress(compressed);????????????String?result?=?new?String(uncompressed,?"UTF-8");????????????System.out.println(result);????????}?catch?(IOException?e)?{????????????e.printStackTrace();????????}????}综上所述，JDK 中默认使用的压缩库是 zlib，虽然业务可以通过第三方 Jar 包的方式使用其他的压缩库算法，但是因为 Snappy 等算法的压缩数据格式与 zlib 支持的 DEFLATE、ZLIB、GZIP 不同，混合使用会有兼容性问题。除此之外， zlib 库（1995年推出）本身的迭代速度非常缓慢（原因：应用范围广且稳定、无商业组织维护），这里使用测试集 Silesia corpus 测试了 OpenJDK 7u76（2014 年发行）、8u45（2015 年发行）、8u312（2022 年发行）中内置压缩类库的性能，从图表中可看出，三者在压缩耗时、压缩比两方面均未有明显的优化效果，难以满足业务日益增长的压缩性能需求场景。因此，我们选择在 MJDK 中集成 zlib 优化，实现既兼容原生接口实现，又能提升压缩性能的效果。Silesia corpus是压缩方法性能基准测试集，提供一套涵盖现时使用的典型资料类别的档案资料。文件的大小在6 MB 到51 MB 之间，文件格式包括 text、exe、html、picture、database、bin data 等。测试数据类别如下：Silesia corpus 测试集说明| 3.2 MJDK 优化方案通过 3.1 章节，我们知道 Java 原生的 java.util.zip.* 类库中的数据压缩/解压缩能力最终是调用 zlib 库实现的，因此 JDK 的压缩性能提升问题就可转换为对 JDK 使用的 zlib 库的优化。3.2.1 优化思路除原生 zlib 外，同样使用 deflate 算法的压缩库有Intel ISA-L、Intel IPP、Zopfli，直接基于 zlib 源码优化的项目有 zlib-cloudflare，它们与 zlib 间的对比如下：综上，我们选择基于 Intel 开源的 ISA-L（原理是使用 intel sse/avx/avx2/avx256 的扩展指令，并行运算多个流来提升底层函数的执行性能） 来完成 zlib 的改造优化。1. zlib 改造流程（重点在 API 的兼容性改造）优化后的 mzlib 库在线上稳定运行 3 年以上，压缩速率提升在 5 倍以上，有效解决了上文提到基础研发平台曾在镜像构建、图片处理等场景面临过压缩/解压缩耗时较高的问题。2. JDK 层面变更3.2.2 优化效果测试说明测试集：Silesia corpus测试内容：GZip 压缩/解压缩文件、Zip 压缩/解压缩文件测试结论兼容性测试（通过）：改造后的 Java 类库的 Zip、Gzip 压缩/解压缩接口可正常使用，与原生 JDK 中的接口交叉进行压缩/解压缩操作验证通过。性能测试（通过）：在同一基准 update 版本下，MJDK8_mzlib 数据压缩耗时比 OpenJDK8 降低 5-10 倍，压缩比无较大波动（增加 3% 左右）。目前，美团内部的文档协同服务已使用该 MJDK 版本，进行用户协同编辑记录数据（> 6M）的压缩存储，验证了该功能在线上的稳定运行，压缩性能提升在 5 倍以上。4 本文作者艳梅，来自美团/基础研发平台。5 参考文献[1] Comparison of Brotli, Deflate, Zopfli, LZMA, LZHAM and Bzip2 Compression Algorithms[2] zip、gzip、zlib的区别注释[1] 数据压缩技术：在不丢失有用信息的前提下，通过相应的算法缩减信源数据冗余，从而提高数据存储、传输和处理效率的技术。[2] 无损压缩：利用数据的统计冗余进行压缩，常见的无损压缩编码方法有 Huffman 编码，算术编码，LZ编码（字典压缩）等。数据统计冗余度的理论限制为2:1到5:1，所以无损压缩的压缩比一般比较低。这类方法广泛应用于文本数据、程序等需要精确存储数据的压缩，[3] 有损压缩：利用了人类视觉、听觉对图像、声音中的某些频率成分不敏感的特性，允许压缩的过程中损失一定的信息，以此换来更大的压缩比。广泛应用于语音、图像和视频数据的压缩。?[4] zlib：zlib 是基于 deflate 算法实现的，一套完全开源、通用的无损数据压缩库。也是目前应用最广泛的压缩库。在网络传输、操作系统、图像处理等领域均有大量使用。比如：Linux kernel：使用 zlib 以实作网路协定的压缩、档案系统的压缩以及开机时解压缩自身的核心。Libpng：用于?PNG?图形格式的一个实现，对?bitmap?数据规定了 DEFLATE 作为流压缩方法。HTTP协议：使用 zlib 对 HTTP 响应头数据进行压缩/解压缩。OpenSSH、OpenSSL：以 zlib 达到最佳化加密网路传输。Subversion、Git?和?CVS?等版本控制系统，使用 zlib 来压缩和远端仓库的通讯流量。dpkg?和?RPM?等包管理软件：以 zlib 解压缩 RPM 或者其他封包。[5] mzlib：美团基于 Intel 的 isa-l 库优化的 zlib 压缩库。[6] JDK：Java Development Kit，是 Sun 公司针对Java开发人员发布的免费软件开发工具包，是 Java 开发的核心组件之一，包含了Java 编译器、Java 虚拟机、Java 类库等开发工具和资源。[7] JNI （Java Native Interface）：JNI是一个本地编程接口。它允许在 Java 虚拟机中运行的 Java 代码与用其他编程语言（如C、C++和汇编）编写的应用程序和库进行互操作。----------? END? ----------?推荐阅读?? 速度与压缩比如何兼得？压缩算法在构建部署中的优化? Java系列 | 远程热部署在美团的落地实践? Java中9种常见的CMS GC问题分析与解决