性能优化目标

1、缩短响应时间

2、提高并发数(增加吞吐量)

3、让系统处于合理状态

图片

性能优化手段

1、空间换时间

系统时间是瓶颈： 缓存复用计算结果，降低时间开销，因为cpu时间较内存容量更加昂贵。

2、时间换空间   

• 数据大小是瓶颈
• 网络传输是瓶颈，使用系统时间换取传输的空间，使用HTTP的gzip压缩算法    
• app的请求分类接口,使用版本号判断哪些数据更新,只下载更新的数据

3、找到系统瓶颈

• 分析系统的业务流程，找到关键路径并分解优化
• 调用了多少RPC接口，载入多少数据，是用什么算法，非核心流程是否异步化。

性能优化层次

1、架构设计层次

如何拆分系统 如何使用部分系统整体负载更加均衡   充分发挥硬件设施性能优势  减少系统内部开销等

2、算法逻辑层次

关注算法选择是否高效，算法逻辑优化，空间时间优化任务执行吃力，使用无锁数据结构。

空间换时间:ThreadLocal

时间换空间：采用压缩算法压缩数据，更复杂的逻辑减少数据传输。

3、代码优化层次

关注代码细节优化,代码实现是否合理,是否创建了过多的对象，循环遍历是否高效,cache使用是否合理 

优化层次：从整理到细节，从全局角度到局部视角。

代码优化层次(1)

• 循环遍历是否合理高效,不要在循环里调RPC接口,传输分布式缓存 执行SQL等
• 先调用批量接口组装好数据,再循环处理
• 代码逻辑避免生成过多的对象和无效对象
• 输出Log时候的log级别判断  避免new无效对象
• ArrayList、HashMap初始容量设置是否合理
• 对数据对象是否合理重用 比如RPC查到的数据能复用则必须复用，根据数据访问特性选择合适数据结构,比如读多写少考虑  CopyOrWriteArrayList(写时copy副本)，会否正确初始化数据，有些全局共享的数据，饿汉式模式，在用户使用之前先初始化好。

代码优化层次(2)

• CPU Cache结 构
• 速度越来越高：内存 - >L3->L2->L1多级缓存
• 本质上内存是一个大的一维数组，二维数组在内存中按行排列，先存放a[0]行，再存放a[1]行
• 第一种遍历方式，是行遍历，先遍历完一行再遍历第二行，符合局部性原理Cache Hit  (缓存命中率高)
• 第二种遍历方式，是列遍历，遍历完第一列遍历第二列，由于下一列和 上 一 列的数组元素在内存中并不是连续的，很可能导致Cache  Miss ( 缓 存 未 命 中 ) , CPU 需要去内存载入数据，速度较CPU    L1Cache的速度降低 了很多(主存100ns,L1  cache  0.5ns)

图片

数据优化层次

select count(*)from table where add  time<"2017- 11-0623:59:59"  and  status=0  add  count in(1,2) ORDER BY id ASC;

代码逻辑要适应数据变化的场景

图片

图片

图片

算法优化逻辑层次

●用更高效的算法替换现有算法，而不改变其接口

● 增量式算法，复用之前的计算结果，比如一个报表服务，要从全量数据中生成报表数据量很大，但是每次增量的数据较少，则可以考虑只计算增量数据和之前计算结果合并，这样处理的数据量就小很多

● 并发和锁的优化，读多写少的业务场景下，基于CAS的LockFree比mutex 性能更好

● 当系统时间是瓶颈,采取空间换时间逻辑算法,分配更多空间节省系统时间

● 缓存复用计算结果，降低时间开销， CPU时间较内存容量更加昂贵

● 当系统空间容量是瓶颈，采取时间换空间算法策略

● 网络传输是瓶颈，使用系统时间换取空间的压缩， HTTP的gzip 压缩算法

● APP的请求分类接口，使用版本号判断哪些数据更新，只下载更新的数据，使用更多的代码逻辑处理更细粒 度的数据

● 并行执行，比如一段逻辑调用了多个RPC接口，而这些接口之间并没有数据依赖，则可以考虑并行调用，降低响 应时间

● 异步执行，分析业务流程中的主次流程，把次要流程拆分出来异步执行，更进一步可以拆分到单独的模块去执行， 比如使用消息队列，彻底和核心流程解耦，提高核心流程的稳定性以及降低响应时间

架构层次优化

● 系统微服务化

● 无状态化设计，动态水平弹性扩展

● 调用链路梳理，热点数据尽量靠近用户

● 分布式Cache 、 多级多类型缓存

● 提前拒绝，保证柔性可用

● 容量规划

● 分库分表，读写分离，数据分片

案例：

图片

Feed流系统分级缓存

读多写少、冷热数据明显，热点数据缓存到调用链路更靠近用户的地方

● L1缓存容量小负责抗最热点的数据， L2缓存考虑目标是容量，缓存更大范围的数据(一般用户的timeline), 高热点,数据单独缓存，比如设置白名单，大V 的用户数据放在L1缓存

● feed(关注的feed 、topic 的feed,一些运营的feed),前几页的访问比例，前三页占了90%+,针对这种业务特性，把 前面几页数据作为热点数据提到L1 cache

Feed系统消息发布

写扩散 (PUSH)

● 推送策略：拆分数据并行推，活跃用户先推，非活跃用户慢慢推

● 有 1w个用户关注，发了一个feed,拆分成100份,每份100个并行推

● 1w个用户里活跃的可能有2000个，活跃用户先推，非活跃用户慢慢推，保证活跃用户体验，非活跃用户推 了很大概率也不看

读扩散(PULL)

图片

Feed系统存储选型

图片