大家好！我是小米，今天和大家聊聊如何在实际项目中进行性能压测，以及如何一步步优化系统性能，争取在关键时刻让系统跑得飞快，稳定抗压！我们会从压测单台服务器的瓶颈、集群压测思路、使用jmeter、关注CPU和内存使用率，到微调Tomcat和数据库等方面展开探讨，希望大家在实战中遇到的性能问题都能迎刃而解。
压测思路：从单台服务器瓶颈到集群压测
在大规模应用上线之前，我们首先需要清楚单台服务器的承压能力，然后才能决定是否需要集群，或者集群的规模。
- 单台压测：单台压测的目标是找到服务器的极限。当CPU使用率稳定在95%以上时，基本可以认为已经接近单台服务器的极限。为了确定这一点，我们可以使用压测工具，比如JMeter，模拟高并发请求，压测一个关键接口，直到CPU接近饱和。如果瓶颈出现在某个数据库查询或其他服务的调用中，也可以适当增加缓存或调整调用频率。
- 集群压测：在得到单台服务器的极限数据后，我们可以大致估算所需的服务器数量。然后在集群环境下重新进行压测，观察分布式情况下的负载均衡和响应时间，确保在多台服务器下依旧可以保持平稳的性能。
实战经验小贴士：
- 单台瓶颈压测中，CPU使用率、内存占用以及网络带宽都是需要重点关注的指标。
- 使用容器化部署（如Docker）时，注意容器的资源限制，避免容器内资源不足而影响性能。
使用 Althas 监控 CPU 使用率和方法优化
在压测过程中，我们需要实时关注服务器的状态。而Althas是个非常不错的工具，可以帮我们在压测时实时追踪系统资源使用情况。
- Althas Dashboard：在Althas的Dashboard命令中，我们可以直观地看到服务器的CPU使用率、内存占用、网络流量等。特别是在高并发压测中，CPU的使用率非常关键，当稳定在90%以上时，基本上服务器已经接近极限。
- Althas Trace：有时我们需要更细致地排查瓶颈所在，通过Althas的Trace命令，可以追踪到具体方法的调用情况。通过分析Trace结果，我们可以优化频繁调用的性能瓶颈方法，减少方法调用栈的层数，从而提升整体性能。
小贴士：
- Althas的Trace命令会消耗一定资源，建议在负载较低的时间段或测试环境中使用，以避免影响生产环境。
Skywalking 追踪接口调用链路
接口链路追踪工具Skywalking是我们优化分布式系统性能的好帮手。它能记录请求在各个节点中的流转过程，通过可视化的链路追踪帮助我们优化长链路请求，找出性能瓶颈。
- 关注链路各节点耗时：Skywalking可以清晰显示接口调用链路的各个节点，并详细标注每个节点的耗时。如果在压测时发现某个节点的响应时间显著高于其他节点，则表明该节点可能是影响整体性能的关键点。
- 定位高耗时服务并优化：比如发现数据库查询耗时较长，可以尝试在数据库层增加索引，或者考虑通过缓存减少数据库的压力。Skywalking不仅帮助我们定位高耗时节点，还能帮助评估优化措施是否有效。
在测试环境中使用 JMeter 进行压测
压测工具JMeter是进行性能测试的主流选择，通过创建并发场景来模拟真实用户请求，帮助我们分析系统的响应情况。JMeter的基本步骤如下：
- 设置请求参数：首先设置好接口的请求参数，包括请求URL、方法（GET/POST）等，创建并发请求。
- 逐步增加并发量：为了找到系统的最大承受并发量，我们可以逐步增加并发量，直至系统响应时间显著增加或出现错误。此时，就可以认为达到了系统的负载极限。
- 输出测试报告：JMeter支持生成详细的测试报告，包括响应时间、成功率、错误情况等。可以在压测结束后将这些数据导出，生成图表，帮助更直观地分析系统的表现。
通过 Grafana 实时监控 CPU 和内存使用率
Grafana是可视化监控工具，结合Prometheus可以实现对系统资源的实时监控。在高并发压测时，我们可以通过Grafana实时查看CPU和内存的使用情况，评估系统资源的占用率。
- CPU监控：监控系统整体CPU的使用情况，当达到95%以上时，可以认为系统接近了最大承载能力。
- 内存监控：随着并发请求的增加，内存占用也会随之上升，关注内存的实时变化，确保没有出现内存泄露等问题。
Tomcat优化参数
Tomcat的默认配置通常适用于开发测试环境，但在生产环境中，尤其是高并发场景下，我们可以通过一些参数调整来提升其性能。
- server.tomcat.threads.min-spare：指定Tomcat在空闲时保持的最小线程数，当请求量增加时，可以避免频繁地创建和销毁线程。
- server.tomcat.threads.max：最大线程数，可以支持更高的并发。
- server.tomcat.accept-count：指定Tomcat在达到最大连接数时的等待队列长度，当并发请求超过时，可以有更多请求排队等待。
- server.tomcat.max-connections：设置最大连接数，可以根据服务器性能适当调整。
数据库优化参数
数据库的连接池配置对高并发场景的性能影响非常大。我们可以通过以下几个关键参数，调优数据库连接池的表现。
- 最小连接数 spring.datasource.hikari.minimum-idle：保证一定数量的空闲连接，减少创建连接的开销。
- 最大连接数 spring.datasource.hikari.maximum-pool-size：控制最大并发量，避免数据库连接过多导致的瓶颈。
- 连接超时时长 spring.datasource.hikari.idle-timeout：设置连接闲置时间，可以回收多余的空闲连接。
- 连接生命周期 spring.datasource.hikari.max-lifetime：设定连接的最大生命周期，以防止无效连接长时间占用资源。
- 等待时长 spring.datasource.hikari.connection-timeout：设置获取连接的超时时间，当等待时间过长时抛出异常，防止因连接池耗尽导致的长时间等待。
个人优化经验分享
最后，我来分享一些自己的优化小技巧，在压测和性能优化中，以下经验非常实用：
- 减少方法圈复杂度，去掉无用调用：在代码设计中，减少嵌套和冗余调用，让代码逻辑更清晰。
- 减少Redis无用命令调用：有些时候会出现不必要的Redis查询操作，这类操作一旦被高频调用，会拖慢系统性能，因此需要定期排查无用命令。
- 增加JVM缓存：尽量使用本地缓存减少数据库的压力，比如热点数据可以放到JVM缓存中，这样可以大大缩短响应时间。
END
以上就是今天分享的关于压测和性能优化的实战经验。希望这篇文章能给你们的系统优化带来帮助，掌握这些技巧后，大家的系统一定可以跑得更稳更快！有什么问题可以随时留言哦！
我是小米，一个喜欢分享技术的29岁程序员。如果你喜欢我的文章，欢迎关注我的微信公众号“软件求生”，获取更多技术干货！
