성능 최적화 가이드

Vais 컴파일러는 다양한 최적화 기법을 제공하여 실행 속도와 컴파일 시간을 모두 개선할 수 있습니다. 이 가이드는 Vais 프로그램의 성능을 극대화하는 방법을 다룹니다.

최적화 레벨

Vais 컴파일러는 4가지 최적화 레벨을 제공합니다.

-O0 (기본값)

최적화 없음. 디버깅에 최적화되어 있습니다.

vaisc build main.vais
vaisc build main.vais -O0

장점: 빠른 컴파일, 디버깅 용이
단점: 느린 실행 속도
사용 시점: 개발 단계, 버그 추적

-O1

기본 최적화. 컴파일 시간과 실행 속도의 균형.

vaisc build main.vais -O1

최적화: dead code elimination, constant folding, basic inlining
사용 시점: 일반 개발, CI 빌드

-O2

적극적 최적화. 프로덕션 권장 레벨.

vaisc build main.vais -O2

최적화: loop unrolling, vectorization, function inlining, tail call optimization
컴파일 시간: -O1 대비 20-30% 증가
실행 속도: -O1 대비 30-50% 개선
사용 시점: 프로덕션 릴리스, 벤치마크

-O3

최대 최적화. 컴파일 시간 희생.

vaisc build main.vais -O3

최적화: aggressive inlining, loop transformations, interprocedural optimization
컴파일 시간: -O2 대비 50-100% 증가
실행 속도: -O2 대비 5-15% 추가 개선
사용 시점: CPU-bound 애플리케이션, 고성능 라이브러리

PGO (Profile-Guided Optimization)

PGO는 실제 실행 프로파일을 기반으로 최적화합니다. 2단계 프로세스입니다.

1단계: 프로파일 수집

# 프로파일링 빌드 생성
vaisc build main.vais --pgo-gen -O2

# 실행하여 프로파일 데이터 수집 (.profraw 생성)
./main

# 프로파일 병합 (여러 실행 결과 통합)
llvm-profdata merge -o default.profdata default_*.profraw

2단계: 프로파일 사용

# 프로파일 기반 최적화 빌드
vaisc build main.vais --pgo-use=default.profdata -O2

PGO 성능 향상

브랜치 예측: 자주 실행되는 경로를 최적화
함수 인라이닝: 호출 빈도 기반 인라이닝 결정
코드 레이아웃: 핫 경로를 연속된 메모리에 배치

예상 성능 개선: 5-20% (워크로드 의존적)

모범 사례

대표적인 워크로드 사용: 프로파일링 실행은 실제 사용 패턴을 반영해야 함
여러 시나리오 수집: 다양한 입력으로 여러 번 실행 후 병합
정기적 갱신: 코드 변경 시 프로파일 재수집

# 예: 여러 워크로드 프로파일링
vaisc build server.vais --pgo-gen -O2
./server < workload1.txt
./server < workload2.txt
./server < workload3.txt
llvm-profdata merge -o server.profdata default_*.profraw
vaisc build server.vais --pgo-use=server.profdata -O2

인크리멘탈 컴파일

대규모 프로젝트에서 컴파일 시간을 단축합니다.

기본 사용법

# 모듈별 컴파일 활성화
vaisc build main.vais --per-module

동작 방식

각 모듈을 개별 LLVM IR로 컴파일
변경되지 않은 모듈은 캐시 재사용
변경된 모듈만 재컴파일
링크 단계에서 통합

성능 수치

프로젝트 크기	초기 빌드	1파일 변경	개선율
5K lines	380ms	78ms	4.9x
30K lines	571ms	96ms	5.9x
50K lines	900ms	140ms	6.4x

캐시 관리

# 캐시 크기 제한 (기본값: 512MB)
vaisc build main.vais --per-module --cache-limit=256

# 캐시 위치: ~/.vais-cache/ir_cache/
# 수동 정리:
rm -rf ~/.vais-cache/ir_cache/

주의사항

초기 빌드는 더 느릴 수 있음 (캐시 생성 오버헤드)
디스크 공간 사용: 대규모 프로젝트는 수백 MB 캐시
최적화 레벨: -O2/-O3와 함께 사용 가능

벤치마크 작성

Vais는 Criterion 기반 벤치마크를 지원합니다.

기본 벤치마크

# benches/my_bench.vais
U std/bench

F fibonacci(n: i64) -> i64 {
  I n <= 1 { R n }
  R fibonacci(n - 1) + fibonacci(n - 2)
}

F bench_fib() {
  benchmark("fibonacci_20", || {
    fibonacci(20)
  })
}

F main() {
  bench_fib()
  bench_report()
}

실행

vaisc bench benches/my_bench.vais

비교 벤치마크

F bench_sorting() {
  v1 := vec_new<i64>()
  L i := 0; i < 1000; i := i + 1 {
    vec_push(v1, 1000 - i)
  }

  benchmark("quicksort_1000", || {
    vec_sort(v1)
  })

  benchmark("merge_sort_1000", || {
    vec_merge_sort(v1)
  })
}

벤치마크 모범 사례

워밍업: 첫 실행은 캐시 미스로 느릴 수 있음
반복 횟수: 충분히 반복하여 통계적 유의성 확보
일관된 환경: CPU 거버너 설정, 백그라운드 프로세스 최소화
프로파일링과 병행: --profile 플래그로 상세 분석

메모리 최적화

Arena Allocator

빈번한 할당/해제 시 성능 향상.

U std/alloc

F main() {
  arena := arena_new(1024 * 1024)  # 1MB arena

  L i := 0; i < 10000; i := i + 1 {
    ptr := arena_alloc(arena, 64)
    # 개별 free 불필요
  }

  arena_free(arena)  # 한 번에 전체 해제
}

성능: 일반 malloc 대비 10-50배 빠름 (할당 패턴 의존)

Object Pool

재사용 가능한 객체 풀.

U std/pool

S Connection { fd: i64 }

F main() {
  pool := pool_new<Connection>(10)  # 10개 미리 할당

  L i := 0; i < 100; i := i + 1 {
    conn := pool_acquire(pool)
    # 연결 사용
    pool_release(pool, conn)
  }
}

Box (힙 할당)

큰 구조체는 Box로 감싸서 스택 오버플로 방지.

S LargeData {
  buffer: [i64; 10000]
}

F main() {
  data := box(LargeData { buffer: [0; 10000] })
  # 스택 대신 힙에 할당
}

SIMD 활용

Vais는 SIMD (Single Instruction Multiple Data)를 지원합니다.

기본 SIMD 연산

U std/simd

F dot_product_simd(a: Vec<f32>, b: Vec<f32>) -> f32 {
  result := 0.0
  len := vec_len(a)

  # SIMD 레지스터 크기 (4 floats for SSE, 8 for AVX)
  simd_width := 8

  L i := 0; i + simd_width < len; i := i + simd_width {
    va := simd_load_f32(vec_ptr(a), i)
    vb := simd_load_f32(vec_ptr(b), i)
    vc := simd_mul_f32(va, vb)
    result := result + simd_sum_f32(vc)
  }

  # 나머지 처리
  L i >= len - simd_width; i < len; i := i + 1 {
    result := result + vec_get(a, i) * vec_get(b, i)
  }

  R result
}

SIMD 성능 향상

AVX2 (256-bit): 4-8배 속도 향상 (f32 기준)
NEON (ARM): 3-4배 속도 향상
자동 벡터화: -O2/-O3는 일부 루프를 자동 SIMD화

컴파일러 힌트

# AVX2 활성화
vaisc build main.vais -O3 --target-cpu=native

# 특정 CPU 타겟
vaisc build main.vais -O3 --target-cpu=skylake

프로파일링

--profile 플래그

컴파일러 내부 프로파일링.

vaisc build main.vais --profile

출력 예:

=== Vais Compiler Profile ===
Lexing:        12ms
Parsing:       45ms
Type Checking: 78ms
Codegen:       234ms
Linking:       91ms
Total:         460ms

런타임 프로파일링

# Linux: perf
perf record ./main
perf report

# macOS: Instruments
instruments -t "Time Profiler" ./main

# 범용: flamegraph
vaisc build main.vais -O2 --debug-info
perf record -g ./main
perf script | stackcollapse-perf.pl | flamegraph.pl > flame.svg

컴파일 시간 최적화

1. 인크리멘탈 컴파일 사용

vaisc build main.vais --per-module

2. 병렬 컴파일

# 4개 스레드로 병렬 컴파일 (기본값: CPU 코어 수)
vaisc build main.vais --per-module --jobs=4

3. IR 캐싱

# IR 파일 보존 (재컴파일 시 재사용)
vaisc build main.vais --emit-ir --per-module

4. 타입 체커 최적화

모듈 분할: 대형 파일을 여러 모듈로 분리
제네릭 사용 최소화: 과도한 monomorphization 방지
타입 명시: 타입 추론 부담 감소

# 나쁨: 과도한 타입 추론
F process(data) {
  result := transform(data)
  R finalize(result)
}

# 좋음: 명시적 타입
F process(data: Vec<i64>) -> i64 {
  result: Vec<i64> = transform(data)
  R finalize(result)
}

5. 의존성 최소화

# 나쁨: 전체 라이브러리 임포트
U std/collections

# 좋음: 필요한 함수만 선택적 임포트
U std/collections { vec_new, vec_push, vec_len }

성능 체크리스트

개발 단계

-O0 또는 -O1 사용
--per-module 활성화 (빠른 재컴파일)
디버그 심볼 유지

프로덕션 릴리스

-O2 또는 -O3 사용
PGO 적용 고려 (CPU-bound 앱)
--strip (디버그 심볼 제거, 바이너리 크기 50% 감소)
SIMD 최적화 활성화 (--target-cpu=native)

성능 크리티컬 애플리케이션

PGO 필수 적용
벤치마크 작성 및 정기 실행
프로파일링으로 핫스팟 식별
Arena/Pool 할당자 고려
SIMD 수동 최적화

실전 예제

고성능 HTTP 서버 빌드

# 1. PGO 프로파일 수집
vaisc build server.vais --pgo-gen -O2 --per-module
./server &
SERVER_PID=$!
wrk -t4 -c100 -d30s http://localhost:8000/
kill $SERVER_PID
llvm-profdata merge -o server.profdata default_*.profraw

# 2. 최적화 빌드
vaisc build server.vais \
  --pgo-use=server.profdata \
  -O3 \
  --target-cpu=native \
  --strip

# 3. 검증
wrk -t4 -c100 -d60s http://localhost:8000/

수치 계산 라이브러리 빌드

vaisc build matrix.vais \
  -O3 \
  --target-cpu=native \
  --emit-ir \
  --per-module

# SIMD 벡터화 확인
grep "vectorize" matrix.ll

추가 리소스

성능 최적화는 측정에서 시작합니다. 벤치마크 → 프로파일 → 최적화 → 검증 사이클을 반복하세요.

Vais Programming Language