5秒到1秒，记一次效果“非常”显著的性能优化

本文为掘金社区首发签约文章，未获授权禁止转载

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。

《parallelStream的坑，不踩不知道，一踩吓一跳》

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：

1. 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
2. 业务数据对它们的一致性要求，可以控制在秒级别以内
3. 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=/opt/logs/ -verbose:gc -XX:+PrintGCDetails -XX:+PrintGCDateStamps -XX:+PrintGCApplicationStoppedTime -XX:+PrintTenuringDistribution -Xloggc:/opt/logs/gc_%p.log -XX:ErrorFile=/opt/logs/hs_error_pid%p.log

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。

⚠️本文为掘金社区首发签约文章，未获授权禁止转载