总结｜性能优化思路及常用工具及手段
阿里妹导读
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）
一、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） 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.X
curl http://localhost:8719/switchSet?value=false
### 取消限流 3.X
curl http://localhost:8718/setSwitch?value=false一、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。
二、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。
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。
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 http://ops.jm.taobao.org:9999/pandora-web/arthas/install.sh | sh
图 1.1 Arthas指令集合列表
性能分析及问题分析工具说明
| ||
| ||
| ||
| ||
| ||
| ||
| ||
| ||
| ||
| ||
|
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 start
Profiling started
[arthas@2093]$ profiler stop
OK
profiler 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 start
Profiling started
[arthas@2093]$ profiler stop
OK
profiler 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 wall
Profiling started
[arthas@2093]$ profiler stop
OK
profiler 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.jfr
Stop recording 1, The result will be written to:
/tmp/1.jfr
图1.2 JFR数据示例
天巡数据采集性能数据
工具地址： https://explorer.alibaba-inc.com/perf/#/profile
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。
| ||
| ||
| ||
| ||
| ||
|
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
perf-map-agent.compiled.tgz：https://yuque.antfin.com/attachments/lark/0/2024/gz/8526/1704162543426-7fcb3be9-4465-475e-8518-4cf6449ca3c8.gz-
sudo yum -y install perf
sh 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.sh
for 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
二、常见的性能优化点及优化方式
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
三、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。
| ||
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CPU8C16G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
四、外部依赖优化
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。
| |
| |
| |
|
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：
| |
| |
| |
|
五、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。
| |
| |
|
图1.6 利用鹰眼查找核心接口上耗时比较大的链路最后
- 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。