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。