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;
复制代码
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
复制代码
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>
复制代码
开启服务端配置：
server:
复制代码
开启客户端配置：
feign:
复制代码
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);
复制代码
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,
复制代码
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){
复制代码
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
复制代码
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
复制代码
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>
复制代码
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
复制代码
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();
复制代码
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() {
复制代码
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() {
复制代码
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：小姐姐味道
链接：https://juejin.cn/post/6997944097155579934
来源：掘金