第 242 章:综合调优实战

学习目标

综合应用前序调优方法
性能测试方法
容量规划
性能回归

一、综合调优方法论

二、性能测试

2.1 工具

工具	特点
JMeter	GUI + 分布式
wrk	轻量高并发
gatling	Scala DSL
Locust	Python,易扩展
k6	JS,云原生

2.2 WRK 示例

bash

# 12 线程, 400 连接, 30 秒
wrk -t12 -c400 -d30s \
    -H "Authorization: Bearer xxx" \
    --script=POST.lua \
    http://localhost:8080/api/orders

2.3 JMeter 测试计划

xml

<ThreadGroup>
    <numThreads>100</numThreads>
    <rampTime>30</rampTime>
    <duration>300</duration>

    <ConstantThroughputTimer>
        <throughput>1000</throughput>
    </ConstantThroughputTimer>

    <HTTPSampler>
        <domain>api.example.com</domain>
        <path>/api/orders</path>
        <method>GET</method>
    </HTTPSampler>
</ThreadGroup>

2.4 关键指标

Latency:
  - 平均(P50)
  - 90%
  - 95%
  - 99%
  - 最大

Throughput:
  - QPS
  - TPS

Error Rate:
  - 成功率 / 失败率

Resource:
  - CPU
  - Memory
  - GC 频率
  - DB 连接

2.5 全链路压测

yaml

思想: 在生产环境,用压测流量标记
  - 染色: header X-Test-Flag = 1
  - 测试数据入影子库
  - 不污染线上

工具:
  - 阿里云 PTS
  - 京东 ForceBot
  - 美团 Leak
  - 自建方案

三、性能瓶颈案例

3.1 案例 1:订单详情接口慢

阶段	优化
1	加缓存(JVM + Redis),命中率 95%
2	DB 索引优化(联合覆盖索引)
3	异步合并查询(订单 + 商品 + 用户)
4	DB 读写分离
5	ES 替代 DB 搜索

3.2 案例 2:整点秒杀雪崩

yaml

问题: 整点秒杀,大量缓存同时过期,DB 挂
方案:
  - 1: 缓存预热(启动时加载)
  - 2: 过期时间随机化(60-90 秒)
  - 3: Sentinel 限流保护 DB
  - 4: DB 读写分离
  - 5: 库存本地缓存 + 校验

3.3 案例 3:全链路 GC 频繁

yaml

症状: 1 分钟内 Full GC 5 次,停顿 1 秒
原因:
  - 查询返回 100 万数据(大对象)
  - 内存不够

解决:
  - 分页查,每次 1000
  - 升堆
  - 用游标
  - 流式消费(Stream)

四、性能优化清单

4.1 应用层

yaml

✅ JVM GC 调优
✅ 线程池参数合理
✅ 对象复用(StringBuilder / ThreadLocal)
✅ 避免大事务
✅ 锁粒度细化
✅ 异步处理耗时
✅ 缓存命中率 > 90%

4.2 数据层

yaml

✅ 索引覆盖所有热点查询
✅ 慢查询定期 review
✅ SQL 避免 SELECT *
✅ 读写分离
✅ 分库分表(数据量大)
✅ Connection Pool 合理

4.3 缓存层

yaml

✅ 多级缓存
✅ 热点数据预热
✅ 解决雪崩/穿透/击穿
✅ Redis 大 key 拆分
✅ Pipeline 批量操作
✅ 内存淘汰策略

4.4 网络层

yaml

✅ HTTP/2 多路复用
✅ Keep-Alive
✅ 启用压缩
✅ 启用 HTTP 缓存头
✅ CDN 加速
✅ 合理超时

4.5 架构层

yaml

✅ MQ 削峰
✅ 异步化
✅ 限流保护
✅ 熔断容错
✅ 灰度发布
✅ 多级容灾

五、性能优化效果评估

5.1 性能指标树

5.2 优化前后对比

指标	优化前	优化后	改善
QPS	1000	5000	5x
P99	800 ms	200 ms	-75%
CPU	80%	50%	-38%
错误率	0.5%	0.01%	-98%
GC 频率	30/min	5/min	-83%

5.3 指标统计

java

// 关键指标 Micrometer
public class PerfMetrics {

    @Autowired
    private MeterRegistry registry;

    public void record(String op, long startNs, boolean success) {
        Timer timer = Timer.builder("ops.duration")
            .tag("op", op)
            .tag("status", success ? "ok" : "fail")
            .register(registry);
        timer.record(Duration.ofNanos(System.nanoTime() - startNs));
    }
}

六、性能验收

6.1 验收场景

yaml

场景:
  - 正常工作: 1 倍峰值
  - 峰值压力: 历史峰值 1.5 倍
  - 极限压力: 5 倍正常
  - 持续运行: 24 小时 8 小时负载

6.2 验收标准

项目	目标
峰值 QPS	>= 目标 QPS
P99 延迟	< 业务要求(通常 200-500 ms)
错误率	< 0.1%
CPU	< 75%
内存	< 80%
GC 暂停	< 200 ms(单次)
持续运行	< 内存泄漏

6.3 持续压测

yaml

用 Jenkins + JMeter 集成:
  - nightly 跑全链路压测
  - 数据入库报告
  - 异常告警

七、容量规划

7.1 维度

yaml

数据量:
  - 当前数据
  - 年增长率
  - 表拆分阈值

流量:
  - 当前 QPS
  - 峰值 QPS
  - 业务预期增长

计算资源:
  - CPU 核
  - 内存
  - 磁盘 IO

存储:
  - 数据库
  - 文件 / OSS
  - 备份

7.2 计算示例

业务目标:
  - DAU 100 万
  - 每用户 10 请求/天
  - 峰值占 5% 流量

QPS = 100万 × 10 / (86400) / 0.05 ≈ 232

业务通常按 3x 考虑峰值:QPS 700

单机性能(QPS): 200(普通 8 核)
冗余: 1.5 倍

应用机器数 = 700 / 200 / 0.6 ≈ 6 台

7.3 资源规划

yaml

CPU:  8 核 * 6 台 = 48 核
内存: 16G * 6 = 96 GB (堆 60% = 9.6G / JVM)
DB:  32 核 + 64G + SSD
Redis: 32G 主从
消息: 6 个分区,Kafka 3 节点

八、性能文化

8.1 性能预算

yaml

每个页面:
  - JS: < 200 KB(压缩)
  - 首屏: < 1.5 秒
  - 可交互: < 3 秒

每个接口:
  - P99: < 200ms
  - 网络往返: < 5 次

8.2 性能卡(Lighthouse)

yaml

综合分:
  - Performance
  - Accessibility
  - Best Practices
  - SEO
  - PWA

集成到 CI,得分低于 80 不通过。

8.3 性能 Deck 评审

yaml

每次大改,做:
  - 数据库变更评审
  - 缓存策略评估
  - 性能影响评估
  - 容量评估

九、典型场景的最佳实践

9.1 读多写少(商品、详情页)

yaml

✅ 多级缓存(JVM + Redis)
✅ CDN 加速静态资源
✅ 动静分离
✅ 长连接 keep-alive
✅ 接口合并(订单 + 商品列表)

9.2 写多读少(日志、埋点)

yaml

✅ Kafka 削峰
✅ 批量写入
✅ 异步落库
✅ 分区策略
✅ 压缩传输

9.3 OLAP 分析(BI、报表)

yaml

✅ ClickHouse / Doris / StarRocks
✅ 物化视图
✅ 分区 + 排序键
✅ 列式存储
✅ 异步刷新

9.4 实时(推荐、监控)

yaml

✅ Flink
✅ Redis Cluster
✅ 状态后端: RocksDB
✅ 背压机制
✅ Checkpoint 配置

十、读后感(回到原点)

yaml

1. 不要过早优化
   - 八二原则
   - 找到瓶颈再改

2. 先测后改
   - 基线对比
   - 量化收益

3. 全面思考
   - 应用层 + 数据层 + 架构层
   - 兼顾一致性与可用性

4. 持续监控
   - 优化方案要在监控下工作
   - 异常及时止损

5. 性能是工程
   - 测量、分析、修改、验证
   - 反复迭代

十一、本章小结

主题	关键
方法	测 + 找 + 改 + 验
场景	读多 / 写多 / OLAP / 实时
验收	P99 / 错误率 / GC
容量	业务增长 + 冗余

动手练习

用 JMeter 跑完整场景压测,记录基线
用火焰图找 3 个最大热点,优化后再测
写一个完整的容量规划报告
持续运行 24 小时压测,观察资源泄漏

下一章:第 243 章:架构总结与面试

第 242 章:综合调优实战 ​

一、综合调优方法论 ​

二、性能测试 ​

2.1 工具 ​

2.2 WRK 示例 ​

2.3 JMeter 测试计划 ​

2.4 关键指标 ​

2.5 全链路压测 ​

三、性能瓶颈案例 ​

3.1 案例 1:订单详情接口慢 ​

3.2 案例 2:整点秒杀雪崩 ​

3.3 案例 3:全链路 GC 频繁 ​

四、性能优化清单 ​

4.1 应用层 ​

4.2 数据层 ​

4.3 缓存层 ​

4.4 网络层 ​

4.5 架构层 ​

五、性能优化效果评估 ​

5.1 性能指标树 ​

5.2 优化前后对比 ​

5.3 指标统计 ​

六、性能验收 ​

6.1 验收场景 ​

6.2 验收标准 ​

6.3 持续压测 ​

七、容量规划 ​

7.1 维度 ​

7.2 计算示例 ​

7.3 资源规划 ​

八、性能文化 ​

8.1 性能预算 ​

8.2 性能卡(Lighthouse) ​

8.3 性能 Deck 评审 ​

九、典型场景的最佳实践 ​

9.1 读多写少(商品、详情页) ​

9.2 写多读少(日志、埋点) ​

9.3 OLAP 分析(BI、报表) ​

9.4 实时(推荐、监控) ​

十、读后感(回到原点) ​

十一、本章小结 ​

动手练习 ​

第 242 章:综合调优实战

一、综合调优方法论

二、性能测试

2.1 工具

2.2 WRK 示例

2.3 JMeter 测试计划

2.4 关键指标

2.5 全链路压测

三、性能瓶颈案例

3.1 案例 1:订单详情接口慢

3.2 案例 2:整点秒杀雪崩

3.3 案例 3:全链路 GC 频繁

四、性能优化清单

4.1 应用层

4.2 数据层

4.3 缓存层

4.4 网络层

4.5 架构层

五、性能优化效果评估

5.1 性能指标树

5.2 优化前后对比

5.3 指标统计

六、性能验收

6.1 验收场景

6.2 验收标准

6.3 持续压测

七、容量规划

7.1 维度

7.2 计算示例

7.3 资源规划

八、性能文化

8.1 性能预算

8.2 性能卡(Lighthouse)

8.3 性能 Deck 评审

九、典型场景的最佳实践

9.1 读多写少(商品、详情页)

9.2 写多读少(日志、埋点)

9.3 OLAP 分析(BI、报表)

9.4 实时(推荐、监控)

十、读后感(回到原点)

十一、本章小结

动手练习