浅谈常见高并发解决方案
什么是高并发?
高并发(High Concurrency)通常是指通过设计保证系统能够同时并行处理很多请求。
通俗来讲,高并发是指在同一个时间点,有很多用户同时的访问同一API
接口或者Url
地址。它经常会发生在有大活跃用户量,用户高聚集的业务场景中。
-
高并发是互联网应用的一大特点,也是互联网应用不可避免的一个问题;比如 淘宝双11 购物狂欢节,京东 618 购物促销节,12306 春节火车票,促销,秒杀等。
-
解决高并发问题是一个系统工程,需要站在全局高度统筹谋划,从多个角度进行架构设计。
-
解决高并发问题,不是一个或两个方案就能解决的,需要从各个维度综合施策才能完成 。
高并发的处理指标
高并发相关常用的一些指标有:
-
响应时间(Response Time)
- 响应时间:系统对请求做出响应的时间。例如系统处理一个HTTP请求需要200ms,这个200ms就是系统的响应时间
-
吞吐量(Throughput)
- 吞吐量:单位时间内处理的请求数量。
-
每秒查询率QPS(Query Per Second)
- QPS:每秒响应请求数。在互联网领域,这个指标和吞吐量区分的没有这么明显。
-
并发用户数
- 并发用户数:同时承载正常使用系统功能的用户数量。例如一个即时通讯系统,同时在线量一定程度上代表了系统的并发用户数。
在实践中,我们总结和提炼出来了很多应对高并发的方案或者说手段,接下来会给大家介绍不同维度的解决方案。
解决方案
1 硬件
1.1 概述
-
系统访问用户增多,流量增大,导致服务器压力增大,出现性能瓶颈,我们可以采用一个简单粗暴的策略:提升服务器硬件配置,提升服务器硬件配置的策略,也称为:单体应用 垂直扩容
-
比如:产品或者网站初期,通常功能较少,用户量也不多,一般就采用一个项目工程来 完成,这就是单体应用,也叫集中式应用。
-
按照经典的 MVC 三层架构设计,部署单台服务器,使用单台数据库,应用系统和数据 库部署在同一台服务器上,随着应用系统功能的增加,访问用户的增多,单台服务器已无法承受那么多的访问流量。
此时,我们可以直接采用简单粗暴的办法:提升硬件配置来解决
1.2 单体应用垂直扩容方案
-
CPU 从 32 位提升为 64 位
-
内存从 64GB 提升为 256GB(比如缓存服务器)
-
磁盘从 HDD(Hard Disk Drive)提升为 SSD(固态硬盘(Solid State Drives)),有大量读写的 应用
-
磁盘扩容,1TB 扩展到 2TB,比如文件系统
-
千兆网卡提升为万兆网卡
但是不管怎么提升硬件性能,硬件性能的提升不可能永无止尽,所以最终还是要靠分布式解决
2 缓存
2.1 概述
-
缓存可以说是解决大流量高并发,优化系统性能非常重要的一个策略
-
它是解决性能问题的利器,就像一把瑞士军刀,锋利强大
-
缓存在高并发系统中无处不在(到处都是)
2.2 http 缓存
2.2.1 浏览器缓存
浏览器缓存是指当我们使用浏览器访问一些网站页面或者 HTTP 服务时,根据服务器端 返回的缓存设置响应头将响应内容缓存到浏览器,下次可以直接使用缓存内容或者仅需要去 服务器端验证内容是否过期即可,这样可以减少浏览器和服务器之间来回传输的数据量,节省带宽,提升性能;
比如新浪:http://www.sina.com.cn/
。第一次访问返回 200
,第二次刷新访问,返回响应码为 304
,表示页面内容没有修改过, 浏览器缓存的内容还是最新的,不需要从服务器获取,直接读取浏览器缓存即可
我们也可以在 Java 代码中通过设置响应头,告诉前端浏览器进行缓存:
DateFormat format = new SimpleDateFormat("EEE,MMM yyyy HH: mm: ss 'GMT'", Locale. US);
//当前时间
long now = System.currentTimeMillis() * 1000 * 1000;
response.addHeader( "Date", format.format(new Date()));
//过期时间 http 1. 0 支持
response.addHeader("Expires", format.format (new Date(now+ 20 * 1000)));
2.2.2 Nginx
Nginx
提供了 expires
指令来实现缓存控制,比如:
location /static {
root /opt/static/;
expires 1d;//全天
}
当用户访问时,Nginx
拦截到请求后先从 Nginx
本地缓存查询数据,如果有并且没有过期,则直接返回缓存内容
2.2.3 CDN 缓存
-
CDN
的全称是Content Delivery Network
,即内容分发网络。CDN
是构建在网络之上的内容分发网络,依靠部署在各地的边缘服务器,通过中心平台的负载均衡、内容分发、调度等功能模块,使用户就近获取所需内容,降低网络拥塞,提高用户访问响应速度和命中率。CDN
的关键技术主要有内容存储和分发技术。 -
CDN
它本身也是一个缓存,它把后端应用的数据缓存起来,用户要访问的时候,直接从CDN
上获取,不需要走后端的Nginx
,以及具体应用服务器Tomcat
,它的作用主要是加速数据的传输,也提高稳定性,如果从CDN
上没有获取到数据,再走后端的Nginx
缓存,Nginx
上也没有,则走后端的应用服务器,CDN
主要缓存静态资源
阿里云CDN加速原理
通过以下案例,您可以了解CDN的工作原理。
假设您的加速域名为 www.a.com
,接入CDN开始加速服务后,当终端用户在北京发起HTTP请求时,处理流程如下图所示。
- 当终端用户向
www.a.com
下的指定资源发起请求时,首先向LDNS(本地DNS)发起域名解析请求。 - LDNS检查缓存中是否有
www.a.com
的IP地址记录。如果有,则直接返回给终端用户;如果没有,则向授权DNS查询。 - 当授权DNS解析
www.a.com
时,返回域名CNAMEwww.a.tbcdn.com
对应IP地址。 - 域名解析请求发送至阿里云DNS调度系统,并为请求分配最佳节点IP地址。
- LDNS获取DNS返回的解析IP地址。
- 用户获取解析IP地址。
- 用户向获取的IP地址发起对该资源的访问请求。
- 如果该IP地址对应的节点已缓存该资源,则会将数据直接返回给用户,例如图中步骤7和8,此时请求结束。
- 如果该IP地址对应的节点未缓存该资源,则节点向源站发起对该资源的请求。获取资源后结合用户自定义配置的缓存策略,将资源缓存到CDN节点并返回给用户,例如图中的北京节点,此时请求结束。
2.3 应用缓存
2.3.1 内存缓存
在内存中缓存数据,效率高,速度快,应用重启缓存丢失
2.3.2 磁盘缓存
在磁盘缓存数据,读取效率跟内存比较,磁盘缓存稍低,但应用重启缓存不会丢失
代码组件:
- Guava
- Ehcache
服务器组件:
- Redis
- MemCache
2.4 多级缓存
在整个应用系统的不同层级进行数据的缓存,多层次缓存,来提升访问效率; 比如:浏览器 -> CDN -> Nginx -> Redis -> DB (磁盘、文件系统)
2.5 缓存的使用场景
-
经常需要读取的数据
-
频繁访问的数据
-
热点数据缓存
-
IO 瓶颈数据
-
计算昂贵的数据
-
无需实时更新的数据
-
缓存的目的是减少对后端服务的访问,降低后端服务的压力
3 集群
-
有一个单体应用,当访问流量很大无法支撑,那么可以集群部署,也叫单体应用水平扩容,原来通过部署一台服务器提供服务,现在就多部署几台,那么服务的能力就会提升。
-
部署了多台服务器,但是用户访问入口只能是一个,比如
www.evanshare.com
,所以就需要 负载均衡,负载均衡是应用集群扩容后的必须步骤,集群部署后,用户的会话session
状态 要保持的话,就需要实现session
共享。
4 拆分
4.1 应用拆分
应用的拆分:分布式 (微服务)
单体应用,随着业务的发展,应用功能的增加,单体应用就逐步变得非常庞大,很多人 维护这么一个系统,开发、测试、上线都会造成很大问题,比如代码冲突,代码重复,逻辑错综混乱,代码逻辑复杂度增加,响应新需求的速度降低,隐藏的风险增大,所以需要按照 业务维度进行应用拆分,采用分布式开发;
应用拆分之后,就将原来在同一进程里的调用变成了远程方法调用,此时就需要使用到 一些远程调用技 httpClient
、hessian
、dubbo
、webservice
等;
随着业务复杂度增加,我们需要采用一些开源方案进行开发,提升开发和维护效率,比 如 Dubbo
、SpringCloud
;
通过应用拆分之后,扩容就变得容易,如果此时系统处理能力跟不上,只需要增加服务 器即可(把拆分后的每一个服务再多做几个集群)
4.2 数据库拆分
数据库拆分分为:垂直拆分和水平拆分 (分库分表)
按照业务维度把相同类型的表放在一个数据库,另一些表放在另一个数据库,这种方式 的拆分叫垂直拆分,也就是在 不同库建不同表,把表分散到各个数据库
比如产品、订单、用户三类数据以前在一个数据库中,现在可以用三个数据库,分别为 产品数据库、订单数据库、用户数据库,这样可以将不同的数据库部署在不同的服务器上,提升单机容量和性能问题,也解决多 个表之间的 IO 竞争问题
根据数据行的特点和规则,将表中的某些行切分到一个数据库,而另外的某些行又切分 到另一个数据库,这种方式的拆分叫水平拆分
单库单表在数据量和流量增大的过程中,大表往往会成为性能瓶颈,所以数据库要进行水平拆分
数据库拆分,采用一些开源方案,降低开发难度,比如:MyCat
、Sharding-Sphere
5 静态化
对于一些访问量大,更新频率较低的数据,可直接定时生成静态 html 页面,供前端访问,而不是访问 jsp
常用静态化的技术:freemaker
、velocity
定时任务,每隔 2 分钟生成一次首页的静态化页面
页面静态化首先可以大大提升访问速度,不需要去访问数据库或者缓存来获取数据,浏览器直接加载 html
页即可
页面静态化可以提升网站稳定性,如果程序或数据库出了问题,静态页面依然可以正常 访问
6 动静分离
采用比如 Nginx
实现动静分离,Nginx
负责代理静态资源,Tomcat
负责处理动态资源 Nginx
的效率极高,利用它处理静态资源,可以为后端服务器分担压力 动静分离架构示意图
redis
和 nginx
并发量 5w 左右,tomcat
和 mysql
700 左右,当然可以通过一些方式调整
7 队列
-
采用队列是解决高并发大流量的利器
-
队列的作用就是:异步处理/流量削峰/系统解耦
-
异步处理是使用队列的一个主要原因,比如注册成功了,发优惠券/送积分/送红包 /发短信/发邮件等操作都可以异步处理
-
使用队列流量削峰,比如并发下单、秒杀等,可以考虑使用队列将请求暂时入队, 通过队列的方式将流量削平,变成平缓请求进行处理,避免应用系统因瞬间的巨大 压力而压垮
-
使用队列实现系统解耦,比如支付成功了,发消息通知物流系统,发票系统,库存 系统等,而无需直接调用这些系统
-
队列应用场景
- 不是所有的处理都必须要实时处理
- 不是所有的请求都必须要实时告诉用户结果
- 不是所有的请求都必须 100% 一次性处理成功
- 不知道哪个系统需要我的协助来实现它的业务处理,保证最终一致性,不需要强一 致性
常见的消息队列产品:ActiveMQ/RabbitMQ/RocketMQ/kafka
- ActiveMQ 是 jms 规范下的一个老牌的成熟的消息中间件/消息服务器
- RabbitMQ/RocketMQ 数据可靠性极好,性能也非常优秀,在一些金融领域、电商 领域使用很广泛;RocketMQ 是阿里巴巴的;
- Kafka 主要运用在大数据领域,用于对数据的分析,日志的分析等处理,它有可能产生消息的丢失问题,它追求性能,性能极好,不追求数据的可靠性
8 池化
在实际开发中,我们经常会采用一些池化技术,减少资源消耗,提升系统性能
8.1 对象池
-
通过复用对象,减少对象创建和垃圾收集器回收对象的资源开销
-
可以采用
commons-pool2
实现 -
实际项目采用对象池并不常见,主要在开发框架或组件的时候会采用
8.2 数据库池
-
Druid
-
DBCP
-
C3P0
-
BoneCP
8.3 Redis 连接池
JedisPool
(内部基于 commons-pool2
实现)
8.4 HttpCLient 连接池
核心实现类:PoolingHttpClientConnectionManager
参考:
public class TestMain {
public static void main(String[] args) throws NSQException, TimeoutException {
ExecutorService pool = Executors.newCachedThreadPool();
// http请求
PoolingHttpClientConnectionManager cm = new PoolingHttpClientConnectionManager();
cm.setDefaultMaxPerRoute(800);// 设置每个路由基础的连接
cm.setMaxTotal(1000);//设置最大连接数//cm.setMaxPerRoute(new HttpRoute(httpHost), maxRoute);// 设置目标主机的最大连接数
CloseableHttpClient httpClient = HttpClients.custom().setConnectionManager(cm).build();
for (int i = 0; i < 1000; i++) {
TestRunnable tmp = new TestRunnable(httpClient);
new Thread(tmp).start();
}
}
}
8.5 线程池
Java 提供 java.util.concurrent
包可以实现线程池
-
Executors.newFixedThreadPool(8)
线程数量固定 -
Executors.newSingleThreadExecutor()
只有一个线程,避免关闭情况 -
Executors.newCachedThreadPool()
可以自动扩容 -
Executors.newScheduledThreadPool(10)
每隔多久执行
9 性能调优
9.1 JVM优化
设置 JVM 参数
-server -Xmx4g -Xms4g -Xmn256m -XX:PermSize=128m -Xss256k -XX:+DisableExplicitGC -XX:+UseConcMarkSweepGC -XX:+CMSParallelRemarkEnabled -XX:+UseCMSCompactAtFullCollection -XX:LargePageSizeInBytes=128m -XX:+UseFastAccessorMethods -XX:+UseCMSInitiatingOccupancyOnly -XX:CMSInitiatingOccupancyFraction=70
-server VM有两种运行模式Server与Client,两种模式的区别在于,Client模式启动速度较快,Server 模式启动较慢;但是启动进入稳定期长期运行之后Server模式的程序运行速度比Client要快很多;
-Xmx2g 最大堆大小
-Xms2g 初始堆大小
-Xmn256m 堆中年轻代大小;
-XX:PermSize设置非堆内存初始值,默认是物理内存的1/64;由XX:MaxPermSize设置最大非堆内存的 大小,默认是物理内存的1/4.
-Xss 每个线程的Stack大小
-XX:+DisableExplicitGC,这个参数作用是禁止代码中显示调用GC。代码如何显示调用GC呢,通过 System.gc()函数调用。如果加上了这个JVM启动参数,那么代码中调用System.gc()没有任何效果,相 当于是没有这行代码一样。 -XX:+UseConcMarkSweepGC 并发标记清除(CMS)收集器,CMS收集器也被称为短暂停顿并发收 集器; -XX:+CMSParallelRemarkEnabled 降低标记停顿;
-XX:+UseCMSCompactAtFullCollection:使用并发收集器时,开启对年老代的压缩.
-XX:LargePageSizeInBytes 指定 Java heap 的分页页面大小
-XX:+UseFastAccessorMethods 原始类型的快速优化
-XX:+UseCMSInitiatingOccupancyOnly 使用手动定义的初始化定义开始CMS收集 -XX:CMSInitiatingOccupancyFraction 使用cms作为垃圾回收使用70%后开始CMS收集;
官方参考
http://www.oracle.com/technetwork/java/javase/tech/vmoptions-jsp-140102.html
9.2 Tomcat优化
-
设置 JVM 参数,可以参考 JVM 优化参数
-
在tomcat的bin目录下的
catalina.sh
中设置jvm参数: -
JAVA_OPTS="-server -XX:+PrintGCDetails -Xmx4g -Xms4g -Xmn256m -XX:PermSize=128m -Xss256k -XX:+DisableExplicitGC -XX:+UseConcMarkSweepGC -XX:+CMSParallelRemarkEnabled -XX:+UseCMSCompactAtFullCollection -XX:LargePageSizeInBytes=128m -XX:+UseFastAccessorMethods -XX:+UseCMSInitiatingOccupancyOnly -XX:CMSInitiatingOccupancyFraction=70"
-
-
设置
tomcat
的线程池大小 -
设置
IO
模式 -
配置
APR
参考:
- https://www.cnblogs.com/zhuawang/p/5213192.html
9.3 Java 程序优化
-
养成良好的编程习惯
-
不要重复创建太多对象
-
流/文件/连接 一定要记得在
finally
块中关闭 -
少用重量级同步锁
synchronized
,采用Lock
-
不要在循环体中使用
try/catch
-
多定义局部变量,少定义成员变量
-
…
9.4 数据库优化
9.4.1 数据库服务器优化
修改数据库服务器的配置文件的参数,偏 DBA (数据库管理员)
9.4.2 数据库架构优化
-
将数据库服务器和应用服务器分离
-
读写分离:通过数据库主从架构解决,写数据时操作主库,读数据时操作从库,分摊读写压力
-
分库分表:扩容数据库,解决数据量容量问题
9.4.3 数据库索引优化
-
建立合适的索引
-
建立索引的字段尽量的小,最好是数值
-
尽量在唯一性高的字段上创建索引,主键、序号等
-
不要在性别这种唯一性很低的字段上创建索引
9.4.4 SQL 优化
以下内容收集自互联网
-
对查询进行优化,应尽量避免全表扫描,首先应考虑在
where
及order by
涉及的列上建立索引。 -
应尽量避免在
where
子句中对字段进行null
值判断,否则将导致引擎放弃使用索引而进行全表扫描,如:
select id from t where num is null
可以在num
上设置默认值0
,确保表中num
列没有null
值,然后这样查询:
select id from t where num=0
-
应尽量避免在
where
子句中使用!=或<>
操作符,否则将引擎放弃使用索引而进行全表扫描。 -
应尽量避免在
where
子句中使用or
来连接条件,否则将导致引擎放弃使用索引而进行全表扫描,如:
select id from t where num=10 or num=20
可以这样查询:
select id from t where num=10 union all select id from t where num=20
in
和not in
也要慎用,否则会导致全表扫描,如:
select id from t where num in(1,2,3)
对于连续的数值,能用 between
就不要用 in
了:
select id from t where num between 1 and 3
-
下面的查询也将导致全表扫描:
select id from t where name like ‘%abc%’
若要提高效率,可以考虑全文检索。 -
如果在
where
子句中使用参数,也会导致全表扫描。因为SQL
只有在运行时才会解析局部变量,但优化程序不能将访问计划的选择推迟到运行时;它必须在编译时进行选择。
然 而,如果在编译时建立访问计划,变量的值还是未知的,因而无法作为索引选择的输入项。如下面语句将进行全表扫描:
select id from t where num=@num
可以改为强制查询使用索引:
select id from t with(index(索引名)) where num=@num
.应尽量避免在 where 子句中对字段进行表达式操作,这将导致引擎放弃使用索引而进行全表扫描。如:
select id from t where num/2=100
应改为:
select id from t where num=100*2
- 应尽量避免在
where
子句中对字段进行函数操作,这将导致引擎放弃使用索引而进行全表扫描。如:
select id from t where substring(name,1,3)=’abc’
–name以abc开头的id
select id from t where datediff(day,createdate,’2005-11-30′)=0–‘2005-11-30’
生成的id
应改为:
select id from t where name like ‘abc%’ select id from t where createdate>=’2005-11-30′ and createdate<’2005-12-1′
-
不要在
where
子句中的“=”
左边进行函数、算术运算或其他表达式运算,否则系统将可能无法正确使用索引。 -
在使用索引字段作为条件时,如果该索引是复合索引,那么必须使用到该索引中的第一个字段作为条件时才能保证系统使用该索引,
否则该索引将不会 被使用,并且应尽可能的让字段顺序与索引顺序相一致。
- 不要写一些没有意义的查询,如需要生成一个空表结构:
select col1,col2 into #t from t where 1=0
这类代码不会返回任何结果集,但是会消耗系统资源的,应改成这样:
create table #t(…)
- 很多时候用 exists 代替 in 是一个好的选择:
select num from a where num in(select num from b)
用下面的语句替换:
select num from a where exists(select 1 from b where num=a.num)
- 并不是所有索引对查询都有效,SQL是根据表中数据来进行查询优化的,当索引列有大量数据重复时,SQL查询可能不会去利用索引,
如一表中有 字段sex,male、female几乎各一半,那么即使在sex上建了索引也对查询效率起不了作用。
- 索引并不是越多越好,索引固然可以提高相应的
select
的效率,但同时也降低了insert
及update
的效率,
因为 insert
或 update
时有可能会重建索引,所以怎样建索引需要慎重考虑,视具体情况而定。
一个表的索引数最好不要超过6个,若太多则应考虑一些不常使用到的列上建的索引是否有 必要。
- 应尽可能的避免更新
clustered索引数据列
,因为clustered 索引数据列
的顺序就是表记录的物理存储顺序,
一旦该列值改变将导致整个表记录的顺序的调整,会耗费相当大的资源。
若应用系统需要频繁更新 clustered 索引数据列
,那么需要考虑是否应将该索引建为 clustered 索引
。
- 尽量使用数字型字段,若只含数值信息的字段尽量不要设计为字符型,这会降低查询和连接的性能,并会增加存储开销。
这是因为引擎在处理查询和连 接时会逐个比较字符串中每一个字符,而对于数字型而言只需要比较一次就够了。
- 尽可能的使用
varchar/nvarchar
代替char/nchar
,
因为首先变长字段存储空间小,可以节省存储空间,其次对于查询来说,在一个相对较小的字段内搜索效率显然要高些。
-
任何地方都不要使用
select * from t
,用具体的字段列表代替“*”
,不要返回用不到的任何字段。 -
尽量使用表变量来代替临时表。如果表变量包含大量数据,请注意索引非常有限(只有主键索引)。
-
避免频繁创建和删除临时表,以减少系统表资源的消耗。
-
临时表并不是不可使用,适当地使用它们可以使某些例程更有效,
例如,当需要重复引用大型表或常用表中的某个数据集时。但是,对于一次性事件, 最好使用导出表。
- 在新建临时表时,如果一次性插入数据量很大,那么可以使用
select into
代替create table
,避免造成大量 log ,以提高速度;
如果数据量不大,为了缓和系统表的资源,应先create table
,然后insert
。
- 如果使用到了临时表,在存储过程的最后务必将所有的临时表显式删除,先
truncate table
,然后drop table
,
这样可以避免系统表的较长时间锁定。
-
尽量避免使用游标,因为游标的效率较差,如果游标操作的数据超过1万行,那么就应该考虑改写。
-
使用基于游标的方法或临时表方法之前,应先寻找基于集的解决方案来解决问题,基于集的方法通常更有效。
-
与临时表一样,游标并不是不可使用。
对小型数据集使用 FAST_FORWARD
游标通常要优于其他逐行处理方法,尤其是在必须引用几个表才能获得所需的数据时。
在结果集中包括“合计”的例程通常要比使用游标执行的速度快。
如果开发时 间允许,基于游标的方法和基于集的方法都可以尝试一下,看哪一种方法的效果更好。
- 在所有的存储过程和触发器的开始处设置
SET NOCOUNT ON
,在结束时设置SET NOCOUNT OFF
。
无需在执行存储过程和触发器的每个语句后向客户端发送 DONE_IN_PROC
消息。
-
尽量避免大事务操作,提高系统并发能力。
-
尽量避免向客户端返回大数据量,若数据量过大,应该考虑相应需求是否合理。
9.4.5 采用数据搜索引擎
-
solr
-
elasticsearch
9.5 Nginx 优化
9.5.1 调整配置文件参数
worker_processes 16; gzip on; #开启 gzip 压缩输出
events {
worker_connections 65535; #极限值 65535
multi_accept on; #开启多路连接
use epoll; #使用 epoll 模型
}
9.6 Linux 优化
运维职责
-
优化 Linux 内核参数
-
修改/etc/sysctl.conf
参考:
- https://blog.51cto.com/yangrong/1321594
- https://blog.51cto.com/yangrong/1567427
9.7 网络优化
运维职责
-
机房、带宽、路由器等方面优化
-
网络架构更合理
9.8 前端优化
9.8.1 Js优化
-
压缩变小 - 利用各种压缩工具
-
多个 js 合并成一个 js 文件,直接手动拷贝到一个文件中去,页面只加载这一个文件或者利用程序,比如 controller,
/aa/js?path=xxx.js,xxx.js
9.8.2 CSS优化
-
压缩变小
-
多个 css 文件合并成一个 css 文件
9.8.3 html 页面优化
-
不要加载太多 js 和 css
-
js 和 css 加载放在页面的尾部,从用户体验角度考虑的
-
页面上减少到服务的请求数
10 压力测试
-
在系统上线前,需要对系统各个环节进行压力测试,发现系统的瓶颈点,然后对系统的瓶颈点,进行调优。调优完成后,还需要考虑另外一些风险因素,比如网络不稳定,机房故障等。所以我们需要提前有故障预备方案,比如多机房部署容灾、路由切换等。故障预备方案做好后,还需要提前进行演练,以确保预案的有效性
-
压力测试工具
Apache JMeter
/LoadRunner
等,偏测试的工作 -
CTO、架构师,技术团队、测试团队、运维团队、DBA 等共同完成
11 总结
完成以上的工作,我们才能实现一个 高并发、高性能、高可用 的“三高”
分布式系统