性能优化：你该如何去做！

---

### 前言 最近在面试中经常碰到别人讲性能优化问题，最近也终于也沉下心来，来写写关于性能优化的事情。

写性能问题我想从几个方面去写，第一，怎么去发现性能问题，第二，性能优化的手段。

怎么去发现性能问题

先举一个实际例子，前公司有这么个场景，我们需要做一个监控异常数据的场景，输入数据大概是一批特征数据，然后拿输入的数据跟我现有的库中的数据做个1:n的比较，比中后，通过推入到消息中间件推送到前端。

流程图如下：

在未优化前所有的步骤都是通过redis建立缓存关系，这个看似没问题的场景却出现了性能瓶颈。
所以当时第一步我们要做的几件事，

1. 找出每个环节的平均耗时，耗时最长的环节肯定是需要最先优化的环节
2. 需要寻找流程中会产生热点的环节
3. 分布式环境中，也可以通过cpu，jvm，硬盘，网络，内存等指标的监控来发现一些问题

第一个，耗时如何打点也是个有讲究的地方，现在比较流行的通过是java agent或者asm动态字节码的方式将每个方法的耗时时间打印出来，但是有些代码写得并不是那么原子化，可能一个方法存在上千行代码，所以最关键的还是对于一些请求外部资源的方法进行打点。还有对于流程要有分析，一些关键流程进行超时的埋点。

比如上图这个例子，我就会在流程中所列的几个查询点前后建立一个埋点

1. 查询监控任务埋点
2. 查询任务对应的库埋点。
3. 1:n算法埋点。
4. 推送消息埋点。

第二个，热点的分析，一方面可以通过redis命令去做分析，比如slowlog，来看，单位时间哪些键调用比较频繁。通过流程图进行分析，分析流程中可能存在的热点，当然还有一些中间件的统计方式，也能够帮你去实时分析热键，一般都是通过时间窗口的方式去实现统计。

第三个，就属于一些监控工具的建立了，比如普罗米修斯这种来做监控数据的统一汇总。

怎么去解决性能问题

就近原则

比如数据库操作可以比为远程磁盘操作，redis可以比作远程内存操作。 他们之间的耗时关系就是
远程磁盘>本地磁盘>远程内存>本地内存>cpu级的缓存，当然对于javaer来讲，一般最快就是本地内存了。所以一般如果我们出现了redis的性能问题，那么就要考虑本地缓存了，比如现在比较优秀的本地缓存框架有，caffiene和guava，这里就有人说了，本地缓存会存在一致性的问题,这里就是另外个话题，但是从优化性能角度就是得这么去做。

消除热点

消除热点其实总的思路就是将key做水平的拆分。或者垂直拆分，什么意思了。
垂直拆分指的，将一个大key拆成若干个小key，比如拿电商的例子来说一个订单可能包含N个属性，比如可以分几类，
第一类订单本身的信息，比如订单号，订单创建时间。
第二类订单详情信息，包括购买商品的详情。
第三类 商品本身的详情。
所以订单本身是一个聚合根，如果每次查询任何以上信息，都需要把整个key找出来，无疑加大了热点的可能性。所以我们可以将一个大的订单信息垂直拆分成三个键，那么根据不同场景下的调用，这个热键的流量就被做了分离。

水平拆分指的是将同一个key通过hash方式存好几个副本，这样在做查询的时候也可以通过hash方式将流量进行打散，具体的像rediscluster场景，水平拆分就会比较有效，因为很可能因为某个热点键打到某个slot，在slot本身不可能水平拆分的情景下，就需要对键进行水平拆分处理了。当然这里面就涉及到如何对写拆分和读拆分，写拆分一般来说用得比较少，写拆分可能会需要去考虑总分的问题，当然不管如何它都能够起到消除热点的作用，核心思路就是复制副本，读分散，写集中（已保证数据一致性）。
当然像本地缓存这种，也是起到了一个解决热点的手段。

使用缓存减少中间商

什么意思了我们看看上面图中我需要的几个步骤，那我是不是可以直接从设备id找到对应的库的信息了。那么上面两个流程就变成了一个流程。

这样的话我将这种缓存关系直接放到了修改的时候的维护，而不需要每次去查询的时候进行关联。
这样带来两个好处。

1. 减少了缓存的get操作。
2. 因为关联关系带来的o(n)的时间复杂度。

单个处理转为批量处理

批量处理的意思是， 100个请求，我可以一个一个处理，我也可以将100个请求合并成一个去处理，
优点：
第一，可以做一些共性的处理，比如数据分类，实现数据共同特征的挖掘。
第二，一些请求类，可以减少请求次数的发起。

针对上面所说的那个场景，本身批量数据的计算和单个数据的计算时间是接近的，那么批量处理后本身的整体的计算能力比之前高了几十倍。所以整体系统的负载能力也大大得到了提升。

降低计算复杂度

其实计算复杂度降低就依赖于平时对算法的了解，常见的几个计算复杂度的例子。

1. 查询的时候使用索引，比如数据库里面b+ tree的结构。
2. 比如用hashmap,做查询键的操作
3. 比如冒泡排序，快速排序的时间复杂度差别，通过一定空间换时间的方式来降低计算的复杂度
4. 比如查重set和数组的区别。
   所以对于不同场景，不同数据结构，不同算法的选择，能够带来整体性能提高。
   这里面强调的一个核心，就是选择对的算法，包括jvm的空间调优，本质也是通过内存的设置，来让算法效果最优。

减少线程的上下文切换。

一些框架常用的零copy，比如一些语言的特性，如go的协程，都是为了减少由于系统空间和用户空间的来回切换，导致的性能问题。其实这里面的一个中心思想就是尽量减少cpu的计算工作。

总结

这篇文章主要是总结如何去做性能优化，这里面主要讲的是一个大的思考思路，让我们的性能优化，有据可行，不会摸不着头脑，当然具体的场景还要做具体分析，使用不同的方式和命令做优化。