一次假期故障引发的性能优化思考-技术圈

在假期某个夜黑风高的晚上，商家正在直播间如火如荼的做着直播，突然间屏幕卡顿，随后屏幕上出现大大的“404”，紧接着大量的客诉、告警扑面而来。好在有赞教育的技术团队响应及时，再经过很短时间的问题分析后，迅速的恢复了系统，保障了商家直播顺利进行。这故障到底是怎么产生的呢？经排查是因为在流量高峰时，系统在性能、可用性方面存在不足导致的。那当时你们是怎么处理的呢？接下来，我会重点从性能优化这块出发，先普及下性能优化的基本概念，然后再简述下常用的性能优化手段，最后给出这个故障我们当时的应对之道。

一、什么是性能优化

正如熵增定律描述的那样，在一个孤立的系统里，如果没有外力做工，其总混乱度（即熵）会不断增大，直至系统彻底变得无序。在软件服务领域亦是如此：从应用系统上线那一刻开始，随着用户量的增加、业务功能的持续迭代，系统会面临各种不同程度的挑战，如果不及时采取优化措施，我们会发现诸多问题，比如：系统怎么越来越慢了，流量一高系统就卡顿、甚至宕机等等。可以说，性能优化是贯穿在整个软件生命周期之中的。

1.1 性能衡量指标

在衡量系统性能基线时，一般会从接口“响应时间”和“并发能力”两个维度考虑。

（1）响应时间(RT)

所谓响应时间，是指完成某一功能所需要的时间，一般可以通过“平均响应时间”、“百分位数”等指标来考量。

平均响应时间(AVG)

该指标反映的是接口的平均处理能力，计算方式是：将接口请求所有的响应时间叠加起来，然后除以总的请求次数。举个例子：接口A总共发起了8次请求，其中，有1次3ms，3次5ms，4次6ms，那么此接口的平均响应时间就是 (1 * 3 + 3 * 5 + 4 * 6) / 8 = 5.25ms 。

百分位数(Top Percentile)

一种统计学术语，反映的是超过n%的请求都在m时间内返回，一般用TPn=m来描述，比如：TP99=5，表示超过99%的请求都能在5ms内返回。它的计算方式是：将接口的响应时间按从小到大的顺序进行排列，取特定百分位的耗时，即为该接口的百分位数。举个例子：接口A总共发起了100次请求，响应时间依次是1、2、3、...、100，那么，TP95就是95ms。

一般而言，百分位数更能反映接口的整体响应情况，因为在高并发场景中，常常会出现一些长尾请求，如果采用平均响应时间去衡量，由于长尾请求会被大量低RT平均掉（此时很多用户的请求已经很慢了），进而无法及时感知真实业务状况。举个例子：接口A有100次请求，其中97次1ms，3次100ms，平均响应时间为 (1 * 97 + 3 * 100) / 100 = 3.97ms，此时3.97ms并不能真实反映接口的整体性能，因为其中97次请求RT才1ms。

（2）并发能力

并发能力一般用QPS或TPS来衡量。QPS指的是每秒请求数，TPS是指每秒事务数。一般在做性能评估时，TPS用的比较多。

1.2 性能优化本质

在算法领域，评价一个算法的效率如何，主要会看它的时间复杂度和空间复杂度情况。同理，如果将“响应时间”比作时间维度的话，“并发能力”可类比为空间维度。那么，在做性能优化时，本质上也是从“优化时间”、“优化空间”、“时空互换（用时间换空间或用空间换时间）”三个方向去思考，然后在空间、时间上不停地做取舍。

举一个生活中的例子来说明下。图1-1是一条长度为5km的道路，道路的限速是50km/h，同时，规定在任何时刻，车道上有且仅有一辆汽车。那么，在1h内，从A点出发到达B点的汽车最多只有10辆。假设上级部门想提升这块路段的车流量，我们该怎么办？

图1-1 单车道限速50km/h

第一种方式，可以增加车道数（空间维度）：将道路从单车道变为多车道，比如增加到6车道，那么，在1h内，从A点出发到达B点的汽车数可提量到60辆，见图1-2。

图1-2 六车道限速50km/h

第二种方式，道路提速（时间维度）：将道路限速从50km/h提升到100km/h，那么，在1h内，从A点出发到达B点的汽车数可提量到20辆，见图1-3。

图1-3 单车道限速100km/h

二、怎么做性能优化

2.1 系统性思考性能优化点

我们先来看下性能优化的落地过程，性能优化是由人来执行，然后服务于产品的，人和产品共同参与性能优化的落地，见图2-1。

图2-1 性能优化落地过程

从人维度出发，性能优化是属于技术团队的，技术团队包括开发、测试和运维，其中，运维负责提供一些监控数据，测试负责提供一些压测数据，开发基于压测、监控数据，明确具体的优化点以及优化手段；从产品维度出发，性能优化是业务功能的一部分，是为了满足某些业务场景。于是，在做性能优化时，一般会考虑以下几点：

（1）本次性能优化的业务场景是什么，有哪些场景需要优化；

（2）这些场景的运维监控数据、测试压测数据是什么，要优化哪里；

（3）这些数据里面反映的系统瓶颈在哪里，如何去优化；

（4）重复(2)、(3)过程，直至满足优化目标。

结合性能优化的本质，整个优化过程其实就是：先从业务需求角度出发，思考待优化场景是否值得投入，比如：一个任务每次需要跑半小时，从技术层面，可以做下优化，但结合业务情况却发现，此任务的执行频次是每周一次，如果优化此场景需要耗费较大人力，那么，这个投入就是不值得的；然后再从技术实现角度出发，不停地去思考怎么优化时间、怎么优化空间、怎么牺牲空间换时间、怎么牺牲时间换空间等问题。总之，我们在做性能优化时，需要以一个更全面的视角去看待它，避免进入头痛医头脚痛医脚的误区。

2.2 常见性能优化方式

在实际业务场景中，一个外部请求进入系统后，会先后经历多个软硬件节点，所有节点的处理时间加起来才是用户请求的处理时间，如果其中任意一个节点性能有问题，系统整体的性能就会上不去。而且，由于节点自身差异性，其性能提升的方法也会不一样，但总体概括起来，可以分为两大类：提升单个请求处理效率；并行处理多个请求。

2.2.1 提升单个请求处理效率

这种方式，简单来说，就是一个外部请求进来后，让其在尽可能短的时间内处理完成。常见的方法有以下几种：

（1）提升调用链上各节点的处理速度

从技术角度考虑：在数据库层面，可以考虑加索引、读写分离、分库分表等；在应用层层面，可以考虑加缓存（本地缓存，分布式缓存，或两者叠加）、复杂查询走ES索引；在代码编写时，可以考虑更高效的算法和数据结构，比如：读多写少用数组、写多读少用链表、取余采用位运算等。

从业务角度考虑：尽量避免重复查询；对于一些查询类操作，尽可能采用批量查询；上游调用方尽可能使用更合适的下游接口，比如：下游服务方有分别返回A、B、AB的三类接口，如果上游使用方仅需要A信息，应使用A接口；如果同时需要AB信息，应使用AB接口，而不是依次调用A、B接口，再在内存中做聚合。

（2）请求内部做并行化处理

这种思想，就是将单个请求拆分为多个子请求，各子请求并行处理，最后对子请求结果合并后返回。在实践中，我们基于 CompletableFuture 实现了一套并行处理框架，并成功运用到了商品详情页加载场景中。

（3）请求处理异步化

此思想，最典型的方法是采用消息队列，比如：下单操作时，除了扣减库存、生成订单外，还会给用户发送支付成功消息、赠送积分等后置操作。对于这些非核心的后置流程，可以采用消息队列做异步化处理，以此提升下单接口的性能。其他一些方法还有：在进程内，另开一个线程执行这些非核心流程；或者先将非核心操作数据暂存在某种介质（DB表、redis等）中，然后采用定时任务定期扫描并执行这些操作。

2.2.2 并行处理多个请求

字面意思来看，就是当有多个外部请求进来时，可以让系统内部多个节点分别处理这些请求，或者节点内部做并行处理。比如：节点采用集群部署，并通过负载均衡策略，将用户请求分摊到不同的节点进行处理；节点内部采用线程池，通过另开线程来实现。

三、我们是怎么做的

在具体讲述之前，先带大家一起熟悉下当时的业务场景：用户首先访问直播商品详情页，然后购买此商品，紧接着再次访问详情页面时，会出现直播间入口，在进入直播间之前，会做一次权限校验，校验通过后，方才可以进入直播间与讲师进行互动。详细的流程可见图3-1 。

图3-1 直播间进入流程

从上述流程中，可清晰看出，主要涉及到三种外部请求：查询直播商品详情；商品下单；进入直播间前做用户权限校验。当时通过流量监控数据以及日志分析发现，性能瓶颈主要在“直播商品详情加载”这一环节。

直播商详这块，主要是因为上游服务的请求量超过了下游服务能承受的吞吐量，导致大量RPC调用超时。具体反应的问题点有：

（1）依赖的部分非核心接口没有加缓存、做降级，导致整个请求失败；

（2）依赖的部分核心接口性能较差，导致后续请求一直被阻塞，直至超时异常返回；

（3）下游服务提供的查询接口比较重量级，但上游服务仅需要返参中的部分字段，导致单次查询RT一直下不去；

（4）上游调用方使用了错误的下游接口，比如上游调用方本来可以调用一次详细信息查询接口，便能获取所有需要的信息，可实际中，却先后调用了两种查信息的接口，才拿到完整的信息；

（5）无状态查询接口没有加缓存，导致了频繁的RPC调用。

针对上述这些问题点，我们当时主要从以下几点去做了优化：

优化前，我们重新梳理了整个调用链上，接口的强弱依赖关系，以及每个接口的RT情况

（1）针对弱依赖接口，从超时时间、缓存策略、降级策略三个层面进行了优化

RPC调用超时时间设置策略

统计出弱依赖接口 TP99（RT较稳定的接口）/ TP95 （RT波动较大接口）的RT，设置它们的超时时间为 (1 + 50%) (TP99 或 TP95)

这里讲下为什么要这样设置超时时间：一般我们会设置超时时间为2s或3s，但每个接口的RT是不一样的，比如：接口A的RT稳定在100ms内，那么，如果超时时间是2s，假若接口A超时了，本次RT至少是2s，但如果超时时间设置为100ms，且我们加了1次重试，那么，本次请求的RT不会超过200ms，同时，重试时接口很大概率会正常返回结果。

缓存策略

给接口添加前置缓存。我们采用了公司自研的分布式缓存zanKV，缓存的更新策略是：采用了两个缓存，缓存A和缓存B（缓存A的失效时间为m分钟，缓存B为n分钟，且n>2m），首先从缓存A读数据，有则直接返回，没有则从B读数据，并在返回之前，异步启动一个更新线程，同时更新缓存A和缓存B。

降级策略

接口接入熔断降级机制，并对异常做捕获，返回默认值。

（2）针对强依赖接口，从超时时间、重试策略、缓存策略三个层面做了优化

RPC调用超时时间设置策略

统计出强依赖接口 TP99 的RT，设置它们的超时时间为 (1 + 50%) (TP99)

重试策略

根据接口RT波动性，基于dubbo的重试机制，设置重试次数为2或3次。

缓存策略

对于商品基础信息，考虑到“缓存预热”、“热点访问”等问题，接入了公司TMC（透明多级缓存），具体说明可见文档 https://mp.weixin.qq.com/s/BnWtbetNq076iRRZfnGRrw ；对于其他一些无状态查询信息，采用了本地缓存Guava。

（3）商品详情信息聚合操作并行化

商品详情页面是一个聚合类信息展示窗口，它除了商品基础信息外，还包括A、B、C等内容（出于商业保密性，这里泛化内容名称），且这里的A、B、C和商品基础信息四者间是没有任何前后依赖关系的。当时我们将商品详情加载拆分为了4个子任务，并采用教育后端团队自研的并行处理框架，对子任务做了并行化处理，并聚合返回，较大提升了接口RT性能。

（4）查询类接口能力收拢，下游服务方提供稳定的原子化接口

在问题点(3)、(4)中有提到，上游调用方使用了下游不太合适的接口。由于历史原因，当前下游服务方中有特别多的查询类接口，且很多查询类接口在功能上都是重叠的。本次我们针对查询类接口，按照其返参字段使用场景的不同，提供了三种不同粒度的通用类原子化接口，之后所有的查询类需求，都会强制要求上游调用方从这三类接口中选择。这三类接口如下：

粗粒度：返回最基本字段
中粒度：返回经常使用的字段
细粒度：返回详细信息

四、总结

产品功能是持续迭代的，性能优化也不是一蹴而就的事，大家在遇到性能问题时，可以参考本文提到的一些方法，做一些针对性的优化。同时，针对同一个节点，在不同的时刻，其优化点也可能不一样，比如：新功能刚上线时，查询性能的提升可能仅仅通过加索引的方式便能解决，但随着功能的不断叠加，后续的优化方向可能是“尽量走批量查询”、“加缓存”等方向。所以，性能优化还是要遵循“具体案例具体分析”这一基本原则。鉴于作者经验有限，我对性能优化的理解难免会有不足之处，欢迎大家共同探讨，共同提高。

(附上内推邮箱：chengyingjie@youzan.com，欢迎加入有赞教育团队)

end