性能优化，有时候看起来是一个比较虚的技术需求。除非代码慢的已经让人无法忍受，否则，很少有公司会有觉悟投入资源去做这些工作。即使你有了性能指标数据，也很难说服领导做一个由耗时300ms降低到150ms的改进，因为它没有业务价值。
这很让人伤心，但这是悲催的现实。
性能优化，通常由有技术追求的人发起，根据观测指标进行的正向优化。他们通常具有工匠精神，对每一毫秒的耗时都吹毛求疵，力求完美。当然，前提是你得有时间。
1. 优化背景和目标
我们本次的性能优化，就是由于达到了无法忍受的程度，才进行的优化工作，属于事后补救，问题驱动的方式。这通常没什么问题，毕竟业务第一嘛，迭代在填坑中进行。
先说背景。本次要优化的服务，请求响应时间十分的不稳定。随着数据量的增加，大部分请求，要耗时5-6秒左右!超出了常人能忍受的范围。
当然需要优化。
为了说明要优化的目标，我大体画了一下它的拓扑结构。如图所示，这是一套微服务架构的服务。
其中，我们优化的目标，就处于一个比较靠上游的服务。它需要通过Feign接口，调用下游非常多的服务提供者，获取数据后进行聚合拼接，最终通过zuul网关和nginx，来发送到浏览器客户端。
为了观测服务之间的调用关系和监控数据，我们接入了Skywalking调用链平台和Prometheus监控平台，收集重要的数据以便能够进行优化决策。要进行优化之前，我们需要首先看一下优化需要参考的两个技术指标。
吞吐量：单位时间内发生的次数。比如QPS、TPS、HPS等。
平均响应时间：每个请求的平均耗时。
平均响应时间自然是越小越好，它越小，吞吐量越高。吞吐量的增加还可以合理利用多核，通过并行度增加单位时间内的发生次数。
我们本次优化的目标，就是减少某些接口的平均响应时间，降低到1秒以内;增加吞吐量，也就是提高QPS，让单实例系统能够承接更多的并发请求。
2. 通过压缩让耗时急剧减少
我想要先介绍让系统飞起来最重要的一个优化手段：压缩。
通过在chrome的inspect中查看请求的数据，我们发现一个关键的请求接口，每次要传输大约10MB的数据。这得塞了多少东西。
这么大的数据，光下载就需要耗费大量时间。如下图所示，是我请求juejin主页的某一个请求，其中的content download，就代表了数据在网络上的传输时间。如果用户的带宽非常慢，那么这个请求的耗时，将会是非常长的。
为了减少数据在网络上的传输时间，可以启用gzip压缩。gzip压缩是属于时间换空间的做法。对于大多数服务来说，最后一环是nginx，大多数人都会在nginx这一层去做压缩。它的主要配置如下：
gzip on; gzip_vary on; gzip_min_length 10240; gzip_proxied expired no-cache no-store private auth; gzip_types text/plain text/css text/xml text/javascript application/x-javascript application/xml; gzip_disable "MSIE [1-6]\.";
压缩率有多惊人呢?我们可以看一下这张截图。可以看到，数据压缩后，由8.95MB缩减到了368KB!瞬间就能够被浏览器下载下来。
但是等等，nginx只是最外面的一环，还没完，我们还可以让请求更快一些。
请看下面的请求路径，由于采用了微服务，请求的流转就变得复杂起来：nginx并不是直接调用了相关得服务，它调用的是zuul网关，zuul网关才真正调用的目标服务，目标服务又另外调用了其他服务。内网带宽也是带宽，网络延迟也会影响调用速度，同样也要压缩起来。
nginx->zuul->服务A->服务E
要想Feign之间的调用全部都走压缩通道，还需要额外的配置。我们是springboot服务，可以通过okhttp的透明压缩进行处理。
加入它的依赖：
<dependency> <groupId>io.github.openfeign</groupId> <artifactId>feign-okhttp</artifactId> </dependency>
开启服务端配置：
server: port:8888 compression: enabled:true min-response-size:1024 mime-types:["text/html","text/xml","application/xml","application/json","application/octet-stream"]
开启客户端配置：
feign: httpclient: enabled:false okhttp: enabled:true
经过这些压缩之后，我们的接口平均响应时间，直接从5-6秒降低到了2-3秒，优化效果非常显著。
当然，我们也在结果集上做了文章，在返回给前端的数据中，不被使用的对象和字段，都进行了精简。但一般情况下，这些改动都是伤筋动骨的，需要调整大量代码，所以我们在这上面用的精力有限，效果自然也有限。
3. 并行获取数据，响应飞快
接下来，就要深入到代码逻辑内部进行分析了。上面我们提到，面向用户的接口，其实是一个数据聚合接口。它的每次请求，通过Feign，调用了几十个其他服务的接口，进行数据获取，然后拼接结果集合。
为什么慢?因为这些请求全部是串行的!Feign调用属于远程调用，也就是网络I/O密集型调用，多数时间都在等待，如果数据满足的话，是非常适合并行调用的。
首先，我们需要分析这几十个子接口的依赖关系，看一下它们是否具有严格的顺序性要求。如果大多数没有，那就再好不过了。
分析结果喜忧参半，这堆接口，按照调用逻辑，大体上可以分为A，B类。首先，需要请求A类接口，拼接数据后，这些数据再供B类使用。但在A，B类内部，是没有顺序性要求的。
也就是说，我们可以把这个接口，拆分成顺序执行的两部分，在某个部分都可以并行的获取数据。
那就按照这种分析结果改造试试吧，使用concurrent包里的CountDownLatch，很容易的就实现了并取功能。
CountDownLatch latch = new CountDownLatch(jobSize); //submit job executor.execute(() -> { //job code latch.countDown(); }); executor.execute(() -> { latch.countDown(); }); ... //end submit latch.await(timeout, TimeUnit.MILLISECONDS);结果非常让人满意，我们的接口耗时，又减少了接近一半!此时，接口耗时已经降低到2秒以下。
你可能会问，为什么不用Java的并行流呢?关于并行流的坑，可以参考这篇文章。非常不建议你使用它。
并发编程一定要小心，尤其是在业务代码中的并发编程。我们构造了专用的线程池，来支撑这个并发获取的功能。
final ThreadPoolExecutor executor = new ThreadPoolExecutor(100, 200, 1, TimeUnit.HOURS, new ArrayBlockingQueue<>(100));
压缩和并行化，是我们本次优化中，最有效的手段。它们直接砍掉了请求大半部分的耗时，非常的有效。但我们还是不满足，因为每次请求，依然有1秒钟以上呢。
4. 缓存分类，进一步加速
我们发现，有些数据的获取，是放在循环中的，有很多无效请求，这不能忍。
for(List){ client.getData(); }如果将这些常用的结果缓存起来，那么就可以大大减少网络IO请求的次数，增加程序的运行效率。
缓存在大多数应用程序的优化中，作用非常大。但由于压缩和并行效果的对比，缓存在我们这个场景中，效果不是非常的明显，但依然减少了大约三四十毫秒的请求时间。
我们是这么做的。
首先，我们将一部分代码逻辑简单，适合Cache Aside Pattern模式的数据，放在了分布式缓存Redis中。具体来说，就是读取的时候，先读缓存，缓存读不到的时候，再读数据库;更新的时候，先更新数据库，再删除缓存(延时双删)。使用这种方式，能够解决大部分业务逻辑简单的缓存场景，并能解决数据的一致性问题。
但是，仅仅这么做是不够的，因为有些业务逻辑非常的复杂，更新的代码发非常的分散，不适合使用Cache Aside Pattern进行改造。我们了解到，有部分数据，具有以下特点：
这些数据，通过耗时的获取之后，在极端的时间内，会被再次用到
业务数据对它们的一致性要求，可以控制在秒级别以内
对于这些数据的使用，跨代码、跨线程，使用方式多样
针对于这种情况，我们设计了存在时间极短的堆内内存缓存，数据在1秒之后，就会失效，然后重新从数据库中读取。加入某个节点调用服务端接口是1秒钟1k次，我们直接给降低到了1次。
在这里，使用了Guava的LoadingCache，减少的Feign接口调用，是数量级的。
LoadingCache<String, String> lc = CacheBuilder .newBuilder() .expireAfterWrite(1,TimeUnit.SECONDS) .build(new CacheLoader<String, String>() { @Override public String load(String key) throws Exception { return slowMethod(key); }});5. MySQL索引的优化
我们的业务系统，使用的是MySQL数据库，由于没有专业DBA介入，而且数据表是使用JPA生成的。在优化的时候，发现了大量不合理的索引，当然是要优化掉。
由于SQL具有很强的敏感性，我这里只谈一些在优化过程中碰到的索引优化规则问题，相信你一样能够在自己的业务系统中进行类比。
索引非常有用，但是要注意，如果你对字段做了函数运算，那索引就用不上了。常见的索引失效，还有下面两种情况：
查询的索引字段类型，与用户传递的数据类型不同，要做一层隐式转换。比如varchar类型的字段上，传入了int参数
查询的两张表之间，使用的字符集不同，也就无法使用关联字段作为索引
MySQL的索引优化，最基本的是遵循最左前缀原则，当有a、b、c三个字段的时候，如果查询条件用到了a，或者a、b，或者a、b、c，那么我们就可以创建(a，b，c)一个索引即可，它包含了a和ab。当然，字符串也是可以加前缀索引的，但在平常应用中较少。
有时候，MySQL的优化器，会选择了错误的索引，我们需要使用force index指定所使用的索引。在JPA中，就要使用nativeQuery，来书写绑定到MySQL数据库的SQL语句，我们尽量的去避免这种情况。
另外一个优化是减少回表。由于InnoDB采用了B+树，但是如果不使用非主键索引，会通过二级索引(secondary index)先查到聚簇索引(clustered index)，然后再定位到数据。多了一步，产生回表。使用覆盖索引，可以一定程度上避免回表，是常用的优化手段。具体做法，就是把要查询的字段，与索引放在一起做联合索引，是一种空间换时间的做法。
6. JVM优化
我通常将JVM的优化放在最后一环。而且，除非系统发生了严重的卡顿，或者OOM问题，都不会主动对其进行过度优化。
很不幸的是，我们的应用，由于开启了大内存(8GB+)，在JDK1.8默认的并行收集器下，经常发生卡顿。虽然不是很频繁，但动辄几秒钟，已经严重影响到部分请求的平滑性。
程序刚开始，是光秃秃跑在JVM下的，GC信息，还有OOM，什么都没留下。为了记录GC信息，我们做了如下的改造。
第一步，加入GC问题排查的各种参数。
-XX:+HeapDumpOnOutOfMemoryError -XX:HeapDumpPath=/opt/xxx.hprof -DlogPath=/
这样，我们就可以拿着生成的GC文件，上传到gceasy等平台进行分析。可以查看JVM的吞吐量和每个阶段的延时等。
第二步，开启SpringBoot的GC信息，接入Promethus监控。
在pom中加入依赖。
<dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-actuator</artifactId> </dependency>
然后配置暴露点就可以了。这样，我们就拥有了实时的分析数据，有了优化的依据。
management.endpoints.web.exposure.include=health,info,prometheus
在观测了JVM的表现之后，我们切换成了G1垃圾回收器。G1有最大停顿目标，可以让我们的GC时间更加的平滑。它主要有以下几个调优参数：
-XX:MaxGCPauseMillis 设置目标停顿时间，G1会尽力达成。
-XX:G1HeapRegionSize 设置小堆区大小。这个值为2的次幂，不要太大，也不要太小。如果是在不知道如何设置，保持默认。
-XX:InitiatingHeapOccupancyPercent 当整个堆内存使用达到一定比例(默认是45%)，并发标记阶段就会被启动。
-XX:ConcGCThreads 并发垃圾收集器使用的线程数量。默认值随JVM运行的平台不同而不同。不建议修改。
切换成G1之后，这种不间断的停顿，竟然神奇的消失了!期间，还发生过很多次内存溢出的问题，不过有MAT这种神器的加持，最终都很easy的被解决了。
7. 其他优化
在工程结构和架构方面，如果有硬伤的话，那么代码优化方面，起到的作用其实是有限的，就比如我们这种情况。
但主要代码还是要整一下容得。有些处于高耗时逻辑中的关键的代码，我们对其进行了格外的关照。按照开发规范，对代码进行了一次统一的清理。其中，有几个印象比较深深刻的点。
有同学为了能够复用map集合，每次用完之后，都使用clear方法进行清理。
map1.clear(); map2.clear(); map3.clear(); map4.clear();
这些map中的数据，特别的多，而clear方法有点特殊，它的时间复杂度事O(n)的，造成了较高的耗时。
public void clear() { Node<K,V>[] tab; modCount++; if ((tab = table) != null && size > 0) { size = 0; for (int i = 0; i < tab.length; ++i) tab[i] = null; } }同样的线程安全的队列，有ConcurrentLinkedQueue，它的size()方法，时间复杂度非常高，不知怎么就被同事给用上了，这都是些性能杀手。
public int size() { restartFromHead: for (;;) { int count = 0; for (Node<E> p = first(); p != null;) { if (p.item != null) if (++count == Integer.MAX_VALUE) break; // @see Collection.size() if (p == (p = p.next)) continue restartFromHead; } return count; } }另外，有些服务的web页面，本身响应就非常的慢，这是由于业务逻辑复杂，前端JavaScript本身就执行缓慢。这部分代码优化，就需要前端的同事去处理了，如图，使用chrome或者firefox的performance选项卡，可以很容易发现耗时的前端 代码。
8. 总结
性能优化，其实也是有套路的，但一般团队都是等发生了问题才去优化，鲜有未雨绸缪的。但有了监控和APM就不一样，我们能够随时拿到数据，反向推动优化过程。
有些性能问题，能够在业务需求层面，或者架构层面去解决。凡是已经带到代码层，需要程序员介入的优化，都已经到了需求方和架构方不能再乱动，或者不想再动的境地。
性能优化首先要收集信息，找出瓶颈点，权衡CPU、内存、网络、、IO等资源，然后尽量的减少平均响应时间，提高吞吐量。
缓存、缓冲、池化、减少锁冲突、异步、并行、压缩，都是常见的优化方式。在我们的这个场景中，起到最大作用的，就是数据压缩和并行请求。当然，加上其他优化方法的协助，我们的业务接口，由5-6秒的耗时，直接降低到了1秒之内，这个优化效果还是非常可观的。估计在未来很长一段时间内，都不会再对它进行优化了。
作者简介：小姐姐味道 (xjjdog)，一个不允许程序员走弯路的公众号。聚焦基础架构和Linux。十年架构，日百亿流量，与你探讨高并发世界，给你不一样的味道。
