总结|性能优化思路及常用工具及手段

简介: 性能优化是降低成本的手段之一,每年大促前业务平台都会组织核心链路上的应用做性能优化,一方面提升系统性能,另外一方面对腐化的代码进行清理。本文结合业务平台性能优化的经验,探讨一下性能优化的思路及常用工具及手段。

性能优化是降低成本的手段之一,每年大促前业务平台都会组织核心链路上的应用做性能优化,一方面提升系统性能,另外一方面对腐化的代码进行清理。现结合业务平台性能优化的经验,探讨一下性能优化的思路及常用工具及手段。性能优化本质上是对资源的合理利用,将更珍贵的资源用在更重要的业务上,从而实现资源的充分利用,资源的合理利用。性能优化的对象包括业务运行的容器、业务依赖的中间件、业务依赖的数据库存储的优化,性能优化包括两部分:

一、发现需要性能优化的点;

二、改造代码设计实现性能优化;

  • CPU的开销,有限的cpu无法支撑更大的业务 (性能问题)
  • CPU利用不充分,有限的CPU,无法更好的支撑业务(RT问题)


1. 发现需要性能优化的点

对于业务容器来说,需要性能优化的点,往往是对系统开销最大的业务方法,这部分代码功能上并没有任何问题,但在性能上并不是最优,在资源比较充足的情况下,这部分逻辑并不会导致性能问题,但当系统压力比较大,或者业务流量比较高的情况下,这部分就会成为压力最大的点。

1.1 放大系统的流量

将流量在部分容器上做放大,利用工具采集系统中的堆栈及性能数据。放大系统流量的情况下,需要提前关闭应用及容器的限流,可以利用Sentinel脚本调整。

### 取消限流 2.Xcurl http://localhost:8719/switchSet?value=false
### 取消限流 3.Xcurl http://localhost:8718/setSwitch?value=false
  • Duct引流验证

Duct引流, duct调整某一台机器的CS权重,将其他容器的流量引流到对应的ip上,从而实现压力的放大。

  • Amazon构造压测数据验证Amazon压测,根据特定的业务场景,构造压测压测数据,压测模型,在gray4环境中打一部分压测流量,利用压测流量将系统的负载打高。Amazon更适用于大促场景下的性能优化,能确定某些接口的比例,及场景的比例。


1.2 利用工具采集系统热点

系统负载流量增加后,各个环节的系统性能消耗都会被放大,此时利用工具可以分析系统的性能情况。系统分析工具会带来系统压力增加,非必要情况下,尽量在隔离环境统计数据。

1.3 Arthas性能数据采集

Arthas提供了非常多的工具脚本,其中一部分数据组合起来使用,可以很方便的辅助做性能分析及线上问题排查,这里对其中常用的指令及使用场景做汇总。安装方式:curl -sLk  | sh 图 1.1 Arthas指令集合列表

性能分析及问题分析工具说明

指令 说明 性能分析及问题排查的场景
classloader 查看当前JVM下ClassLoader的列表及加载的实例统计信息
  • 常见于排查Metaspace空间利用率问题,常见的场景是由于Groovy脚本导致的Metaspace增加,进而导致应用FGC的问题排查
jad 反编译
  • 常见于黑盒分析,无法快速活的源码的情况下分析程序内部逻辑的场景
getstatic 获取静态字段的值
  • 常见于分析开关、配置、部分数据的情况,在分析性能数据时可以辅助排查
stack  从当前方法点打印堆栈
  • 常见于分析热点方法调用来源,结合条件过滤,可以快速定位到异常数据产生的来源以及调用频率
trace 从当前方法下钻
  • 常见于分析耗时情况,分析某一个方法耗时的原因。比如分析鹰眼某一个接口耗时很高的原因
watch 查看方法调用的参数及返回值
  • 分析线上方法的入参及返回值,结合条件判断,可以快速知道某一个函数可能走到的场景
options Arthas的一些选项
  • 在需要分析jdk内部的调用时,可以打开某些选项
logger 打印日志相关的信息
  • 分析日志冲突,临时关闭某些日志场景等
profiler 内部使用了Async Profiler工具,可以用来采集内存、cpu、锁、cache miss等火焰图数据
  • 性能分析,分析当前业务的热点方法
  • 启动分析,分析应用启动速度慢的原因,并行化,锁等场景
  • 内存分配分析,分析JVM应用Old区增长较快的原因
vmtool 获取实例强制GC
  • 获取jvm中某些类的实例列表,进而利用其他指令分析内部的数据
  • 强制应用做GC
jfr jfr数据采集
  • jfr快照分析,可以快速分析整个JVM的运行情况。

场景一、CPU资源开销分析

利用profiler指令采集应用容器的性能,profiler start 默认采集的CPU的数据, profiler stop 自动dump对应的文件数据。


[arthas@2093]$ profiler startProfiling started[arthas@2093]$ profiler stopOKprofiler output file: /home/admin/ump2/bin/arthas-output/20230213-191902.html[arthas@2093]$ exit

场景二、JVM内存中分配了比较多的对象,但很快回收,希望找到临时对象创建比较频繁的堆栈。


[arthas@2093]$ profiler -e alloc startProfiling started[arthas@2093]$ profiler stopOKprofiler output file: /home/admin/ump2/bin/arthas-output/20230213-192148.html[arthas@2093]$ exit

场景三、应用启动速度比较慢,希望找到原因。


[arthas@2093]$ profiler start -e wallProfiling started[arthas@2093]$ profiler stopOKprofiler output file: /home/admin/ump2/bin/arthas-output/20230213-192812.html[arthas@2093]$

场景四、利用JFR分析JVM整体的运行情况,采集数据用作分析。


[arthas@82348]$ jfr start -n test[arthas@82348]$ jfr stop -r 1 -f /tmp/1.jfrStop recording 1, The result will be written to:/tmp/1.jfr


图1.2 JFR数据示例

1.4 天巡数据采集性能数据

工具地址 图1.3 天巡白屏化采集性能数据


天巡功能采集指标说明

注意: 指标采集功能从实现上基本都是在运行的JVM进程上挂载agent,随后对部分代码进行增强及注入,会引起类的退优化及C2编译,本身会导致程序的CPU增高,对于性能的采集不能在系统高负载的情况下执行。必要时在仿真环境里执行。

诊断项 功能说明 使用场景
内存火焰图 内核火焰图,统计内存分配的情况,利用统计TLAB中的内存分配
  • 临时对象产生过快,分析产生的原因
  • 应用FGC间隔断,old区上涨曲线陡峭
CPU火焰图 对CPU消耗进行采样,统计代码的热度及调用堆栈
  • 性能分析,统计系统性能衰减的原因,分析消耗cpu的点以及执行频率高的代码段
  • Buy2 CPU数据分析示例
线程火焰图 线程分布分析,将线程堆栈制作成火焰图形式,方便分析
  • 分析线程热度及死锁
jprofiler jprofiler的快照采集,利用关在agent数据,采集1分钟的CPU快照
  • 性能分析,类似CPU火焰图,但可以利用Jprofiler的图形化界面,进行对比分析
  • Buy2性能数据Jprofiler快照
Metaspace 利用JDK提供的jcmd dump jvm的metaspace数据
  • 分析jvm的metaspace的占用情况
  • 统计出metaspace 占用较高的原因
Perf 利用perf-map-agent生成jvm的符号表,利用Linux自带的Perf工具分析系统的性能数据,结合flame-graph可以生成类似的火焰图
  • 性能分析,用于分析内核态、用户态、JVM数据功能

1.5 黑屏场景下的性能分析

特殊的环境下,可能无法使用配套的工具,此时应尽量利用JVM及Linux系统中自带的工具,采集数据后,在本地利用工具进行数据分析。一、利用Perf分析系统性能,Perf是linux内核提供的性能分析工具,利用该工具可以很方便的分析整机的性能数据CPU消耗来自非Java程序的场景,或者希望结合Java程序整体分析系统情况的场景📎


sudo yum -y install perfsh create-java-perf-map.sh# 采集性能数据sudo perf record -ag # 分析性能数据sudo perf report

图1.4 利用Perf结合perf-map-agent 分析高CPU消耗数据

二、利用jstack分析应用的启动情况分析应用在启动过程中,应用运行的堆栈,进而分析出启动过程中,应用执行耗时最多的热点代码,进而针对性的做启动优化


$cat 1.shfor i in `seq 10000`do
  /opt/taobao/java/bin/jstack $1 > /tmp/$1.$i.log
done

三、利用jmap、jcmd dump数据,相关数据dump出来后,可以进一步通过工具进行分析


/opt/taobao/java/bin/jcmd 82348 help/opt/taobao/java/bin/jcmd 82348 help CodeCache.dump/opt/taobao/java/bin/jcmd 82348 help Compiler.CodeHeap_Analytics/opt/taobao/java/bin/jcmd 82348 JVMTI.data_dump/opt/taobao/java/bin/jcmd 82348 help Metaspace.dump/opt/taobao/java/bin/jmap -dump:format=b,file=/tmp/heap.bin 82348

图1.5 jcmd 分析CodeCache的大小及区间数据

2. 常见的性能优化点及优化方式

常见的优化点 说明
  • 不合理的算法使用,ArrayList 频繁的更新删除,LinkedList 频繁的按照index 获取数据
  • 算法及数据结构的误用导致的性能问题
  • 大量的日志打印,持续日志打印;日志框架性能的比较,同步Or异步
  • 日志打印会消耗很大的性能,会涉及到内存占用、磁盘IO、锁等待等消耗性能的情况
  • 大量的日志打印,会带来更大的网络开销及存储开销(staragent日志采集、Sls日志存储)
  • logback > log4j2 > log4j ; 异步打印优于同步打印
  • 过程中创建大量的包装类型
  • 包装类型在解决了空和默认值的区别,在小流量场景下可以解决编码复杂性
  • 在一些极端的场景下,类的频繁Box/UnBox会带来相对较多的性能开销
  • 使用本地缓存, 年轻代的对象被老年代引用,ygc 耗时增加
  • 本地缓存可以降低远程的数据调用,提高业务的响应RT,是性能优化的一个可选方式
  • Cms、G1 gc 等分带GC,控制了gc的范围,减少整体GC的频率,但是缓存的频繁更新会带来数据的频繁创建,进而导致ygc耗时的增加(本地缓存会存在old区对young区的引用)。
  • 不合理的循环调用,循环内有比较多的高消耗调用
  • 常见与大型的项目中,代码共建性,循环的调用,重复的初始化,重复的数据统计等带来的性能开销。
  • 此时合理利用上下文缓存,对象缓存,能够显著降低系统性能开销
  • 字符串的匹配、正则、split相关引入的性能问题
  • 字符串的匹配、正则等均为消耗性能比较大的代码,热点代码中应尽量少用
  • String.format/String.split 内部均会使用到正则,热点代码尽量少用
  • String.isNotBlank/String.isNotEmpty 性能上会有较大的差异。
  • 多个条件判断,利用最短路径方式减少压力
  • 业务逻辑上会存在判断比较,从代码风格上,判断逻辑在一起返回会可读性会比较好,但本身会增加计算的复杂度
  • 条件判断应该做到尽早返回,并合理利用最短路径的特点,将尽早返回的条件提前,减少业务开销
  • 集合类的自动扩容
  • jdk中的集合类都会自动扩容,频繁的集合操作,会带来集合的扩容,这部分会带来隐形的资源开销。
  • 利用工具类为集合设置合理的初始大小,避免集合频繁扩容
  • com.google.common.collect.Maps#newHashMapWithExpectedSize
  • com.google.common.collect.Sets#newHashSetWithExpectedSize
  • 热点的计算压力,适当的利用缓存的方式减少系统压力
  • 对于热点数据的计算,结合业务合理利用缓存,降低计算的压力。
  • 二分查找、hash、bloomfilter、字典树、hyperloglog、bitmap、hashset
  • 合理利用数据结构,解决业务问题。
  • 结合业务数据,降低计算的复杂度。
  • 合理的利用其他组件中提供的能力,解决业务问题

3. 影响性能的因素

经常会出现同样是8C16G的容器,但表现出来的性能确差异很大,这个在集团内表现尤为明显,这种情况实际和集团内部的编排策略有一定的关系。也可能和集团内部的机型差异存在关系。

一、由于机型原因引起性能差异目前集团存在多种不同的机型,F4x、F5x、F6x、M机型等。不同的机型单核性能上表现会有差异。

机型 识别方式 性能说明
F4x cat /proc/cpuinfo查看CPU型号及频率
  • F6x 8269CY 
  • F5x 8269
  • F4x E2xxx
uname -a 查看Cpu架构
  • x86_64 X86
  • aarch64 倚天机型
4代机型,性能较差,主要分布在日常环境,cpu频率在2.5GHZ左右。
F5x 5代机型,不带神龙Moc卡,使用本地盘,性能比F4x好,主要集中在mix25g
F6x 6代机型,带神龙mock卡,性能比F6x好
倚天 倚天机型,主要在南通部署,FY24张北也会做部署。JDK8上单核性能弱于JDK11, JDK11上单核略弱于F6x

二、由于编排方式带来的性能差异

在X86架构下,由于超线程的存在,业务容器实际使用的是物理核心上的超线程,当一个8C16G的容器独占8个物理核的时候,性能会最好。当8C16G的容器占用4个物理核的时候,性能会相对最差。结合跨Numa、跨socket等编排方式,也会带来性能的差异。 图1.5 应用容器编排示意

编排方式 说明
8C16G容器,独占使用同一个Socket上的8个物理核(P4-P11 未编排容器) 此时容器的性能表现最好,应用独占整个CPU
8C16G容器,独占使用跨Socket上的8个物理核(P20 - P28) Socket可以简单对应到主板上的Cpu插槽,跨soeck后,会导致Cpu之间跨socket访问内存及cache,性能相比前一种场景要差,具体差异还和应用特性有关,大内存带宽的应用性能会相对更差
8C16G容器,使用同一个Socket上的8个超线程,物理核对端被其他应用占用 由于超线程之间会存在L1、L2cache的共享,两个超线程之间会存在资源争抢,此时性能也会受到影响
8C16G容器,使用同一个socket上的4个物理核 此时应用的表现比较稳定,不会收到外部性能的差异产生影响。一般情况下性能表现最差,但比较确定

4. 外部依赖优化

4.1 数据库慢查询的优化

数据库侧的性能问题,主要有以下集中情况导致,常见的优化手段为:一、合理利用前置的缓存,降低对数据库的访问量。缓存从效率及成本上都优于数据库。二、清理数据库中的数据,对过期的数据、访问量少的冷数据进行清理及迁移。降低数据库的存储大小,对在线的查询会有帮助,对离线的存储、引擎、缓存等场景也会有收益。三、合理调整索引,结合业务场景丰富查询条件,提高数据库的执行效率。四、利用数据库聚合特性,调整主键的组成,提高数据的聚合度,降低逻辑读。

场景 优化方案
SQL执行效率高,但调用量大
  • 如果是查询请求,可以适当的利用缓存,降低数据库的压力,和数据库相比,缓存的效率更高,成本更低
  • 如果是写请求,评估业务的合理性,是否能降低业务请求的频率,不如通过限速、削峰的方式降低数据库的压力
索引不合理导致的SQL执行效率低
  • 适当调整索引,让SQL能走到正确的索引上
  • 结合业务场景适当增加SQL条件,让SQL走到先存的索引上
走到索引,但是召回数据量过大,导致的SQL执行效率低
  • 索引区分度不够,索引不合理
  • 适当清理数据,降低逻辑读
走到索引,但时间跨度大,SQL执行效率低
  • 一般是由于数据跨度大,存在冷查询,导致物理读增加
  • 适当清理数据,或者将冷热数据做分离
  • 结合业务场景,调整SQL条件,减少数据查询的范围

4.2 缓存类优化(Tair、Redis)

缓存类存储对随机的访问上效率上都非常高,在日常及大促的核心场景中发挥比较大的作用。缓存类常见的问题:

问题 说明
缓存的整体qps量级大
  • 分析调用的合理性,适当使用前置缓存进行拦截(IC、UIC的前置缓存)
缓存个别key的读qps量级大
  • 典型的热点场景,一般热点场景客户端可以增加对热点的缓存,降低整体的qps。 
  • 对于Tair 也可以利用tair自身的Hotzone来进行处理
  • 对于Redis可以考虑Proxy层来做优化
个别Key的写Qps量级大
  • 写Qps大的场景,需要对key进行拆分,让单个key的写hash到不同的ds上,分摊压力。
  • 业务侧考虑,能否降低业务写的量级,削峰。
个别Key的读QPS量级大,而且单key的也比较大
  • 一方面按照热点key进行处理,另外一方面需要对大key进行拆分
  • 大key会带来带宽打满,对于tair来说表现为带宽限流
  • 对于Redis,在slb、poxy、ds层均有可能被打满,紧急情况下有限扩容。

5. 应用链路之间的优化

应用间链路依赖,一般是在单应用容量优化完成后,从整个链路上考察,优化链路的RT及链路的CPU开销。一般应用链路的优化,需要结合应用链路分析来考虑,这里主要利用鹰眼的数据进行分析。

场景 说明
链路调用次数多带来的RT增加
  • 一般情况下是由于链路上某一个环节存在调用放大导致,且后续的调用会同步执行导致RT增加
  • 体验优化,可以考虑适当增加并行化
  • 性能考虑, 评估是否能降低调用量的方式(重复调用,模型合理性等)
链路上重复调用带来的序列化开销
  • 结合单机性能分析,评估序列化开销的占比
  • 适当精简链路上Module对象的字段,减少传输数据的大小。
不合理的调用链路(A-B-C) --> (A-C)
  • 精简链路,减少不必要的代理调用(ump2直连Fp2的数据库)

图1.6 利用鹰眼查找核心接口上耗时比较大的链路

6. 最后

Q:例如ASI排查场景中,看到pod cpu高 或者 load高,但根因是出在其他地方,可能是安全插件rasp负载高、也可能是后台异常内存回收、也可能是宿主机负载高导致,现在全凭经验做排除法,有没有类似字典的方式手段定位问题?A:一般情况下出现这种情况,可以从几个角度缩小问题产生的范围。1)是不是该宿主机上的所有容器都有类似的表现?如果所有容器都有类似的表现,那基本上是宿主机的问题,可能是由于离线导致,可能是由于内存回收,可能是由于部分agent导致,此时case by case分析,也可以让TRE团队协助分析。2)如果宿主机上只有本容器出现问题,大概率是本容器自身的问题,此时可以从几个角度入手:

  • 系统资源开销的分布(sys 高大概率是内核作业相关,irq高大概率是网络包多导致,iowait大概率是文件io比较高导致,单核CPU 100%大概率是gc导致),同时排查资源占用比较高的程序是否是业务程序。
  • 针对内核、网络、gc导致的问题,可以进一步case by case 的分析。

Q:平台中使用到了云平台中相关的中间件比如Kafka、Redis等,由于平台运行环境(Daily、PPE、Online)不同最少需要申请两个实例,一个Daily实例和Online实例。Online环境申请的规格是最低配置就可以满足,同时Daily环境中平台流量很小所以最低规格配置就大大浪费了,但是云平台又不支持更小规格配置申请,能否和云平台的同事沟通下此类问题。A:弹内一般情况下,数据库节点、缓存节点实际规格非常小,成本相对比较低。如果对成本有更进一步的诉求,可以考虑多业务公用的方式,一般情况下日常的存储及QPS量级均非常小,若干个业务共用同一套存储不会带来太大的问题,对于缓存需要重点考虑的就是隔离的问题,这部分可以通过工具方式解决。


来源|阿里云开发者公众号

作者|岱泽

作者介绍
目录