Stack项目CI构建性能优化:解决Linux环境下链接速度慢的问题
2025-06-16 17:32:55作者:昌雅子Ethen
背景介绍
在Stack项目的持续集成(CI)流程中,开发团队发现了一个显著的性能差异问题:在GitHub Actions的不同运行环境中,ubuntu-latest运行器的执行时间(120分钟)比macos-13运行器(42分钟)和windows-latest运行器(39分钟)要长3倍左右。这种性能差异严重影响了开发效率,特别是在Linux环境下的构建和测试过程。
问题分析
通过详细的日志分析和性能对比,团队发现性能瓶颈主要集中在链接(link)阶段。具体表现为:
- 在集成测试4783中,链接操作在macOS上仅需4秒,而在Linux容器中却需要4分钟
- 四个关键链接点的性能差异尤为明显:
- Stack的Setup shim
- ghc-paths包的setup
- doctest工具
- foo测试套件
进一步调查发现,不同平台使用了不同的链接器:
- Linux容器默认使用GNU ld(ld.bfd)
- macOS使用Apple的专用链接器
- Windows使用LLVM的lld链接器
技术解决方案
针对Linux环境下链接速度慢的问题,团队采取了以下优化措施:
- 链接器替换:在Linux环境中安装并配置LLVM的lld链接器替代默认的GNU ld
- 构建流程调整:修改stack-integration-test可执行文件,使其在Linux环境下明确使用lld链接器
- CI流程优化:调整release.hs check脚本,让stack-integration-test在目标Stack环境下运行,但不再使用Alpine Linux Docker容器
优化效果
优化措施实施后,性能提升效果显著:
- 整体CI时间:从120分钟降至26分钟,减少了78%
- 集成测试时间:从6269秒降至683秒,性能提升近9倍
- 其他平台:macOS和Windows环境的性能保持稳定,没有明显变化
技术原理深入
为什么链接器选择对性能有如此大的影响?这主要涉及不同链接器的设计理念和实现方式:
- GNU ld(ld.bfd):传统的GNU链接器,稳定性高但速度较慢
- lld:LLVM项目开发的链接器,专为速度优化,特别适合大型项目
- Apple ld:macOS专用链接器,针对Apple平台进行了深度优化
在Haskell项目中,链接阶段通常需要处理大量符号和依赖关系,高效的链接器可以显著减少构建时间。特别是在CI环境中,频繁的构建和测试使得链接性能的影响被放大。
最佳实践建议
基于这次优化经验,可以总结出以下Haskell项目CI优化的建议:
- 链接器选择:在Linux环境下优先考虑使用lld或gold链接器
- 环境一致性:确保CI环境与开发环境使用相同的工具链配置
- 性能监控:建立CI性能基准,及时发现并解决性能退化问题
- 工具链定制:根据项目特点定制构建环境,移除不必要的组件
总结
Stack项目通过分析CI性能瓶颈,识别出链接器选择对构建时间的关键影响,并成功通过切换到更高效的lld链接器解决了问题。这一优化不仅大幅提升了Linux环境下的构建速度,也为其他Haskell项目提供了宝贵的性能优化经验。在持续集成环境中,工具链的合理配置往往能带来意想不到的性能提升,值得开发者关注和投入。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
194
212
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
650
271
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
296
111
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
384
3.7 K
仓颉编译器源码及 cjdb 调试工具。
C++
128
857
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
React Native鸿蒙化仓库
JavaScript
243
316
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,提供Transformer定制化场景的高性能融合算子。
C++
66
96
暂无简介
Dart
633
143