万字总结十种性能优化手段！！
近期文章精选 ：
Java面试指南网站：javaguide.cn
昨天在网上冲浪，悄悄的卷你们的时候看到一个关于性能优化的不错的文章。作者写了上中下三篇，由浅入深的写了关于性能优化的方方面面，并不仅仅局限于代码层面。
我看了之后还是很有收获的，同时也惊叹于作者扎实的技术能力与思考能力。于是借花献佛，把作者的三篇整理合并之后分享给大家。希望你也能有所收获。
原文链接：https://code2life.top/2020/08/15/0055-performance/
整理：why 技术
上篇
引言：取与舍
软件设计开发某种意义上是“取”与“舍”的艺术。
关于性能方面，就像建筑设计成抗震 9 度需要额外的成本一样，高性能软件系统也意味着更高的实现成本，有时候与其他质量属性甚至会冲突，比如安全性、可扩展性、可观测性等等。
大部分时候我们需要的是：在业务遇到瓶颈之前，利用常见的技术手段将系统优化到预期水平。
那么，性能优化有哪些技术方向和手段呢？
性能优化通常是“时间”与“空间”的互换与取舍。
本篇分两个部分，在上篇，讲解六种通用的“时间”与“空间”互换取舍的手段：
索引术 压缩术 缓存术 预取术 削峰填谷术 批量处理术
在下篇，介绍四种进阶性的内容，大多与提升并行能力有关：
八门遁甲 —— 榨干计算资源 影分身术 —— 水平扩容 奥义 —— 分片术 秘术 —— 无锁术
每种性能优化的技术手段，我都找了一张应景的《火影忍者》中人物或忍术的配图，评论区答出任意人物或忍术送一颗小星星。
（注：所有配图来自动漫《火影忍者》，部分图片添加了文字方便理解，仅作技术交流用途）
索引术
10ms 之后。
索引的原理是拿额外的存储空间换取查询时间，增加了写入数据的开销，但使读取数据的时间复杂度一般从 O(n)降低到 O(logn)甚至 O(1)。
索引不仅在数据库中广泛使用，前后端的开发中也在不知不觉运用。
在数据集比较大时，不用索引就像从一本没有目录而且内容乱序的新华字典查一个字，得一页一页全翻一遍才能找到；
用索引之后，就像用拼音先在目录中先找到要查到字在哪一页，直接翻过去就行了。
书籍的目录是典型的树状结构，那么软件世界常见的索引有哪些数据结构，分别在什么场景使用呢？
哈希表（Hash Table）：哈希表的原理可以类比银行办业务取号，给每个人一个号（计算出的 Hash 值），叫某个号直接对应了某个人，索引效率是最高的 O(1)，消耗的存储空间也相对更大。K-V 存储组件以及各种编程语言提供的 Map/Dict 等数据结构，多数底层实现是用的哈希表。 二叉搜索树（Binary Search Tree）：有序存储的二叉树结构，在编程语言中广泛使用的红黑树属于二叉搜索树，确切的说是“不完全平衡的”二叉搜索树。从 C++、Java 的 TreeSet、TreeMap，到 Linux 的 CPU 调度，都能看到红黑树的影子。Java 的 HashMap 在发现某个 Hash 槽的链表长度大于 8 时也会将链表升级为红黑树，而相比于红黑树“更加平衡”的 AVL 树反而实际用的更少。 平衡多路搜索树（B-Tree）：这里的 B 指的是 Balance 而不是 Binary，二叉树在大量数据场景会导致查找深度很深，解决办法就是变成多叉树，MongoDB 的索引用的就是 B-Tree。 叶节点相连的平衡多路搜索树（B+ Tree）：B+ Tree 是 B-Tree 的变体，只有叶子节点存数据，叶子与相邻叶子相连，MySQL 的索引用的就是 B+树，Linux 的一些文件系统也使用的 B+树索引 inode。其实 B+树还有一种在枝桠上再加链表的变体：B*树，暂时没想到实际应用。 日志结构合并树（LSM Tree）：Log Structured Merge Tree，简单理解就是像日志一样顺序写下去，多层多块的结构，上层写满压缩合并到下层。LSM Tree 其实本身是为了优化写性能牺牲读性能的数据结构，并不能算是索引，但在大数据存储和一些 NoSQL 数据库中用的很广泛，因此这里也列进去了。 字典树（Trie Tree）：又叫前缀树，从树根串到树叶就是数据本身，因此树根到枝桠就是前缀，枝桠下面的所有数据都是匹配该前缀的。这种结构能非常方便的做前缀查找或词频统计，典型的应用有：自动补全、URL 路由。其变体基数树（Radix Tree）在 Nginx 的 Geo 模块处理子网掩码前缀用了；Redis 的 Stream、Cluster 等功能的实现也用到了基数树（Redis 中叫 Rax）。 跳表（Skip List）：是一种多层结构的有序链表，插入一个值时有一定概率“晋升”到上层形成间接的索引。跳表更适合大量并发写的场景，不存在红黑树的再平衡问题，Redis 强大的 ZSet 底层数据结构就是哈希加跳表。 倒排索引（Inverted index）：这样翻译不太直观，可以叫“关键词索引”，比如书籍末页列出的术语表就是倒排索引，标识出了每个术语出现在哪些页，这样我们要查某个术语在哪用的，从术语表一查，翻到所在的页数即可。倒排索引在全文索引存储中经常用到，比如 ElasticSearch 非常核心的机制就是倒排索引；Prometheus 的时序数据库按标签查询也是在用倒排索引。
数据库主键之争：自增长 vs UUID。主键是很多数据库非常重要的索引，尤其是 MySQL 这样的 RDBMS 会经常面临这个难题：是用自增长的 ID 还是随机的 UUID 做主键？
自增长 ID 的性能最高，但不好做分库分表后的全局唯一 ID，自增长的规律可能泄露业务信息；而 UUID 不具有可读性且太占存储空间。
争执的结果就是找一个兼具二者的优点的折衷方案：
用雪花算法生成分布式环境全局唯一的 ID 作为业务表主键，性能尚可、不那么占存储、又能保证全局单调递增，但引入了额外的复杂性，再次体现了取舍之道。
再回到数据库中的索引，建索引要注意哪些点呢？
定义好主键并尽量使用主键，多数数据库中，主键是效率最高的聚簇索引； 在 Where 或 Group By、Order By、Join On 条件中用到的字段也要按需建索引或联合索引，MySQL 中搭配 explain 命令可以查询 DML 是否利用了索引； 类似枚举值这样重复度太高的字段不适合建索引（如果有位图索引可以建），频繁更新的列不太适合建索引； 单列索引可以根据实际查询的字段升级为联合索引，通过部分冗余达到索引覆盖，以避免回表的开销； 尽量减少索引冗余，比如建 A、B、C 三个字段的联合索引，Where 条件查询 A、A and B、A and B and C 都可以利用该联合索引，就无需再给 A 单独建索引了；根据数据库特有的索引特性选择适合的方案，比如像 MongoDB，还可以建自动删除数据的 TTL 索引、不索引空值的稀疏索引、地理位置信息的 Geo 索引等等。
数据库之外，在代码中也能应用索引的思维，比如对于集合中大量数据的查找，使用 Set、Map、Tree 这样的数据结构，其实也是在用哈希索引或树状索引，比直接遍历列表或数组查找的性能高很多。
缓存术
缓存优化性能的原理和索引一样，是拿额外的存储空间换取查询时间。缓存无处不在，设想一下我们在浏览器打开这篇文章，会有多少层缓存呢？
首先解析 DNS 时，浏览器一层 DNS 缓存、操作系统一层 DNS 缓存、DNS 服务器链上层层缓存； 发送一个 GET 请求这篇文章，服务端很可能早已将其缓存在 KV 存储组件中了； 即使没有击中缓存，数据库服务器内存中也缓存了最近查询的数据； 即使没有击中数据库服务器的缓存，数据库从索引文件中读取，操作系统已经把热点文件的内容放置在 Page Cache 中了； 即使没有击中操作系统的文件缓存，直接读取文件，大部分固态硬盘或者磁盘本身也自带缓存； 数据取到之后服务器用模板引擎渲染出 HTML，模板引擎早已解析好缓存在服务端内存中了； 历经数十毫秒之后，终于服务器返回了一个渲染后的 HTML，浏览器端解析 DOM 树，发送请求来加载静态资源； 需要加载的静态资源可能因 Cache-Control 在浏览器本地磁盘和内存中已经缓存了； 即使本地缓存到期，也可能因 Etag 没变服务器告诉浏览器 304 Not Modified 继续缓存； 即使 Etag 变了，静态资源服务器也因其他用户访问过早已将文件缓存在内存中了； 加载的 JS 文件会丢到 JS 引擎执行，其中可能涉及的种种缓存就不再展开了； 整个过程中链条上涉及的所有的计算机和网络设备，执行的热点代码和数据很可能会载入 CPU 的多级高速缓存。
这里列举的仅仅是一部分常见的缓存，就有多种多样的形式：从廉价的磁盘到昂贵的 CPU 高速缓存，最终目的都是用来换取宝贵的时间。
既然缓存那么好，那么问题就来了：缓存是“银弹”吗？
不，Phil Karlton 曾说过：
There are only two hard things in Computer Science: cache invalidation and naming things.
计算机科学中只有两件困难的事情：缓存失效和命名规范。
缓存的使用除了带来额外的复杂度以外，还面临如何处理缓存失效的问题。
多线程并发编程需要用各种手段（比如 Java 中的 synchronized volatile）防止并发更新数据，一部分原因就是防止线程本地缓存的不一致； 缓存失效衍生的问题还有：缓存穿透、缓存击穿、缓存雪崩。解决用不存在的 Key 来穿透攻击，需要用空值缓存或布隆过滤器；解决单个缓存过期后，瞬间被大量恶意查询击穿的问题需要做查询互斥；解决某个时间点大量缓存同时过期的雪崩问题需要添加随机 TTL； 热点数据如果是多级缓存，在发生修改时需要清除或修改各级缓存，这些操作往往不是原子操作，又会涉及各种不一致问题。
除了通常意义上的缓存外，对象重用的池化技术，也可以看作是一种缓存的变体。
常见的诸如 JVM，V8 这类运行时的常量池、数据库连接池、HTTP 连接池、线程池、Golang 的 sync.Pool 对象池等等。
在需要某个资源时从现有的池子里直接拿一个，稍作修改或直接用于另外的用途，池化重用也是性能优化常见手段。
压缩术
说完了两个“空间换时间”的，我们再看一个“时间换空间”的办法——压缩。
压缩的原理消耗计算的时间，换一种更紧凑的编码方式来表示数据。
为什么要拿时间换空间？时间不是最宝贵的资源吗？
举一个视频网站的例子，如果不对视频做任何压缩编码，因为带宽有限，巨大的数据量在网络传输的耗时会比编码压缩的耗时多得多。
对数据的压缩虽然消耗了时间来换取更小的空间存储，但更小的存储空间会在另一个维度带来更大的时间收益。
这个例子本质上是：“操作系统内核与网络设备处理负担 vs 压缩解压的 CPU/GPU 负担”的权衡和取舍。
我们在代码中通常用的是无损压缩，比如下面这些场景:
HTTP 协议中 Accept-Encoding 添加 Gzip/deflate，服务端对接受压缩的文本（JS/CSS/HTML）请求做压缩，大部分图片格式本身已经是压缩的无需压缩； HTTP2 协议的头部 HPACK 压缩； JS/CSS 文件的混淆和压缩（Uglify/Minify）； 一些 RPC 协议和消息队列传输的消息中，采用二进制编码和压缩（Gzip、Snappy、LZ4 等等）； 缓存服务存过大的数据，通常也会事先压缩一下再存，取的时候解压； 一些大文件的存储，或者不常用的历史数据存储，采用更高压缩比的算法存储； JVM 的对象指针压缩，JVM 在 32G 以下的堆内存情况下默认开启“UseCompressedOops”，用 4 个 byte 就可以表示一个对象的指针，这也是 JVM 尽量不要把堆内存设置到 32G 以上的原因； MongoDB 的二进制存储的 BSON 相对于纯文本的 JSON 也是一种压缩，或者说更紧凑的编码。但更紧凑的编码也意味着更差的可读性，这一点也是需要取舍的。纯文本的 JSON 比二进制编码要更占存储空间但却是 REST API 的主流，因为数据交换的场景下的可读性是非常重要的。
信息论告诉我们，无损压缩的极限是信息熵。进一步减小体积只能以损失部分信息为代价，也就是有损压缩。
那么，有损压缩有哪些应用呢？
预览和缩略图，低速网络下视频降帧、降清晰度，都是对信息的有损压缩； 音视频等多媒体数据的采样和编码大多是有损的，比如 MP3 是利用傅里叶变换，有损地存储音频文件；jpeg 等图片编码也是有损的。虽然有像 WAV/PCM 这类无损的音频编码方式，但多媒体数据的采样本身就是有损的，相当于只截取了真实世界的极小一部分数据； 散列化，比如 K-V 存储时 Key 过长，先对 Key 执行一次“傻”系列（SHA-1、SHA-256）哈希算法变成固定长度的短 Key。另外，散列化在文件和数据验证（MD5、CRC、HMAC）场景用的也非常多，无需耗费大量算力对比完整的数据。
除了有损/无损压缩，但还有一个办法，就是压缩的极端——从根本上减少数据或彻底删除。
能减少的就减少：
JS 打包过程“摇树”，去掉没有使用的文件、函数、变量； 开启 HTTP/2 和高版本的 TLS，减少了 Round Trip，节省了 TCP 连接，自带大量性能优化； 减少不必要的信息，比如 Cookie 的数量，去掉不必要的 HTTP 请求头； 更新采用增量更新，比如 HTTP 的 PATCH，只传输变化的属性而不是整条数据； 缩短单行日志的长度、缩短 URL、在具有可读性情况下用短的属性名等等； 使用位图和位操作，用风骚的位操作最小化存取的数据。典型的例子有：用 Redis 的位图来记录统计海量用户登录状态；布隆过滤器用位图排除不可能存在的数据；大量开关型的设置的存储等等。
能删除的就删除：
删掉不用的数据； 删掉不用的索引； 删掉不该打的日志； 删掉不必要的通信代码，不去发不必要的 HTTP、RPC 请求或调用，轮询改发布订阅； 终极方案：砍掉整个功能。
毕竟有位叫做 Kelsey Hightower 的大佬曾经说过：
No code is the best way to write secure and reliable applications. Write nothing; deploy nowhere
不写代码，是编写安全可靠的应用程序的最佳方式。什么都不写；哪里都不部署。
预取术
预取通常搭配缓存一起用，其原理是在缓存空间换时间基础上更进一步，再加上一次“时间换时间”，也就是：用事先预取的耗时，换取第一次加载的时间。
当可以猜测出以后的某个时间很有可能会用到某种数据时，把数据预先取到需要用的地方，能大幅度提升用户体验或服务端响应速度。
是否用预取模式就像自助餐餐厅与厨师现做的区别，在自助餐餐厅可以直接拿做好的菜品，一般餐厅需要坐下来等菜品现做。
那么，预取在哪些实际场景会用呢？
视频或直播类网站，在播放前先缓冲一小段时间，就是预取数据。有的在播放时不仅预取这一条数据，甚至还会预测下一个要看的其他内容，提前把数据取到本地； HTTP/2 Server Push，在浏览器请求某个资源时，服务器顺带把其他相关的资源一起推回去，HTML/JS/CSS 几乎同时到达浏览器端，相当于浏览器被动预取了资源； 一些客户端软件会用常驻进程的形式，提前预取数据或执行一些代码，这样可以极大提高第一次使用的打开速度； 服务端同样也会用一些预热机制，一方面热点数据预取到内存提前形成多级缓存；另一方面也是对运行环境的预热，载入 CPU 高速缓存、热点函数 JIT 编译成机器码等等； 热点资源提前预分配到各个实例，比如：秒杀、售票的库存性质的数据；分布式唯一 ID 等等
天上不会掉馅饼，预取也是有副作用的。
正如烤箱预热需要消耗时间和额外的电费，在软件代码中做预取/预热的副作用通常是启动慢一些、占用一些闲时的计算资源、可能取到的不一定是后面需要的。
削峰填谷术
削峰填谷的原理也是“时间换时间”，谷时换峰时。
削峰填谷与预取是反过来的：预取是事先花时间做，削峰填谷是事后花时间做。就像三峡大坝可以抗住短期巨量洪水，事后雨停再慢慢开闸防水。软件世界的“削峰填谷”是类似的，只是不是用三峡大坝实现，而是用消息队列、异步化等方式。
常见的有这几类问题，我们分别来看每种对应的解决方案：
针对前端、客户端的启动优化或首屏优化：代码和数据等资源的延时加载、分批加载、后台异步加载、或按需懒加载等等。 背压控制 - 限流、节流、去抖等等。一夫当关，万夫莫开，从入口处削峰，防止一些恶意重复请求以及请求过于频繁的爬虫，甚至是一些 DDoS 攻击。简单做法有网关层根据单个 IP 或用户用漏桶控制请求速率和上限；前端做按钮的节流去抖防止重复点击；网络层开启 TCP SYN Cookie 防止恶意的 SYN 洪水攻击等等。彻底杜绝爬虫、黑客手段的恶意洪水攻击是很难的，DDoS 这类属于网络安全范畴了。 针对正常的业务请求洪峰，用消息队列暂存再异步化处理：常见的后端消息队列 Kafka、RocketMQ 甚至 Redis 等等都可以做缓冲层，第一层业务处理直接校验后丢到消息队列中，在洪峰过去后慢慢消费消息队列中的消息，执行具体的业务。另外执行过程中的耗时和耗计算资源的操作，也可以丢到消息队列或数据库中，等到谷时处理。 捋平毛刺：有时候洪峰不一定来自外界，如果系统内部大量定时任务在同一时间执行，或与业务高峰期重合，很容易在监控中看到“毛刺”——短时间负载极高。一般解决方案就是错峰执行定时任务，或者分配到其他非核心业务系统中，把“毛刺”摊平。比如很多数据分析型任务都放在业务低谷期去执行，大量定时任务在创建时尽量加一些随机性来分散执行时间。 避免错误风暴带来的次生洪峰：有时候网络抖动或短暂宕机，业务会出现各种异常或错误。这时处理不好很容易带来次生灾害，比如：很多代码都会做错误重试，不加控制的大量重试甚至会导致网络抖动恢复后的瞬间，积压的大量请求再次冲垮整个系统；还有一些代码没有做超时、降级等处理，可能导致大量的等待耗尽 TCP 连接，进而导致整个系统被冲垮。解决之道就是做限定次数、间隔指数级增长的 Back-Off 重试，设定超时、降级策略。
批量处理术
批量处理同样可以看成“时间换时间”，其原理是减少了重复的事情，是一种对执行流程的压缩。以个别批量操作更长的耗时为代价，在整体上换取了更多的时间。
批量处理的应用也非常广泛，我们还是从前端开始讲：
打包合并的 JS 文件、雪碧图等等，将一批资源集中到一起，一次性传输； 前端动画使用 requestAnimationFrame 在 UI 渲染时批量处理积压的变化，而不是有变化立刻更新，在游戏开发中也有类似的应用； 前后端中使用队列暂存临时产生的数据，积压到一定数量再批量处理；在不影响可扩展性情况下，一个接口传输多种需要的数据，减少大量 ajax 调用（GraphQL 在这一点就做到了极致）； 系统间通信尽量发送整批数据，比如消息队列的发布订阅、存取缓存服务的数据、RPC 调用、插入或更新数据库等等，能批量做尽可能批量做，因为这些系统间通信的 I/O 时间开销已经很昂贵了； 数据积压到一定程度再落盘，操作系统本身的写文件就是这么做的，Linux 的 fwrite 只是写入缓冲区暂存，积压到一定程度再 fsync 刷盘。在应用层，很多高性能的数据库和 K-V 存储的实现都体现了这一点：一些 NoSQL 的 LSM Tree 的第一层就是在内存中先积压到一定大小再往下层合并；Redis 的 RDB 结合 AOF 的落盘机制；Linux 系统调用也提供了批量读写多个缓冲区文件的系统调用：readv/writev； 延迟地批量回收资源，比如 JVM 的 Survivor Space 的 S0 和 S1 区互换、Redis 的 Key 过期的清除策略。
批量处理如此好用，那么问题来了，每一批放多大最合适呢？
这个问题其实没有定论，有一些个人经验可以分享。
前端把所有文件打包成单个 JS，大部分时候并不是最优解。Webpack 提供了很多分块的机制，CSS 和 JS 分开、JS 按业务分更小的 Chunk 结合懒加载、一些体积大又不用在首屏用的第三方库设置 external 或单独分块，可能整体性能更高。不一定要一批搞定所有事情，分几个小批次反而用户体验的性能更好。 Redis 的 MGET、MSET 来批量存取数据时，每批大小不宜过大，因为 Redis 主线程只有一个，如果一批太大执行期间会让其他命令无法响应。经验上一批 50-100 个 Key 性能是不错的，但最好在真实环境下用真实大小的数据量化度量一下，做 Benchmark 测试才能确定一批大小的最优值。 MySQL、Oracle 这类 RDBMS，最优的批量 Insert 的大小也视数据行的特性而定。我之前在 2U8G 的 Oracle 上用一些普遍的业务数据做过测试，批量插入时每批 5000-10000 条数据性能是最高的，每批过大会导致 DML 的解析耗时过长，甚至单个 SQL 语句体积超限，单批太多反而得不偿失。 消息队列的发布订阅，每批的消息长度尽量控制在 1MB 以内，有些云服务商提供的消息队列限制了最大长度，那这个长度可能就是性能拐点，比如 AWS 的 SQS 服务对单条消息的限制是 256KB。
总之，多大一批可以确保单批响应时间不太长的同时让整体性能最高，是需要在实际情况下做基准测试的，不能一概而论。而批量处理的副作用在于：处理逻辑会更加复杂，尤其是一些涉及事务、并发的问题；需要用数组或队列用来存放缓冲一批数据，消耗了额外的存储空间。
中篇
引言
前面我们总结了六种普适的性能优化方法，包括 索引、压缩、缓存、预取、削峰填谷、批量处理，简单讲解了每种技术手段的原理和实际应用。
在开启最后一篇前，我们先需要搞清楚：
在程序运行期间，时间和空间都耗在哪里了？
时间都去哪儿了？
人眨一次眼大约 100 毫秒，而现代 1 核 CPU 在一眨眼的功夫就可以执行数亿条指令。
现代的 CPU 已经非常厉害了，频率已经达到了 GHz 级别，也就是每秒数十亿个指令周期。
即使一些 CPU 指令需要多个时钟周期，但由于有流水线机制的存在，平均下来大约每个时钟周期能执行 1 条指令，比如一个 3GHz 频率的 CPU 核心，每秒大概可以执行 20 亿到 40 亿左右的指令数量。
程序运行还需要 RAM，也可能用到持久化存储，网络等等。随着新的技术和工艺的出现，这些硬件也越来越厉害，比如 CPU 高速缓存的提升、NVMe 固态硬盘相对 SATA 盘读写速率和延迟的飞跃等等。这些硬件具体有多强呢？
有一个非常棒的网站“Latency Numbers Every Programmer Should Know”，可以直观地查看从 1990 年到现在，高速缓存、内存、硬盘、网络时间开销的具体数值。
https://colin-scott.github.io/personal_website/research/interactive_latency.html
下图是 2020 年的截图，的确是“每个开发者应该知道的数字”。
这里有几个非常关键的数据：
存取一次 CPU 多级高速缓存的时间大约 1-10 纳秒级别； 存取一次主存(RAM)的时间大概在 100 纳秒级别； 固态硬盘的一次随机读写大约在 10 微秒到 1 毫秒这个数量级； 网络包在局域网传输一个来回大约是 0.5 毫秒。
看到不同硬件之间数量级的差距，就很容易理解性能优化的一些技术手段了。
比如一次网络传输的时间，是主存访问的 5000 倍，明白这点就不难理解写 for 循环发 HTTP 请求，为什么会被扣工资了。
放大到我们容易感知的时间范围，来理解 5000 倍的差距：如果一次主存访问是 1 天的话，一趟局域网数据传输就要 13.7 年。
如果要传输更多网络数据，每两个网络帧之间还有固定的间隔（Interpacket Gap），在间隔期间传输 Idle 信号，数据链路层以此来区分两个数据包，具体数值在链接 Wiki 中有，这里截取几个我们熟悉的网络来感受一下：
百兆以太网: 0.96 µs 千兆以太网：96 ns 万兆以太网：9.6 ns
不过，单纯看硬件的上限意义不大，从代码到机器指令中间有许多层抽象，仅仅是在 TCP 连接上发一个字节的数据包，从操作系统内核到网线，涉及到的基础设施级别的软硬件不计其数。到了应用层，单次操作耗时虽然没有非常精确的数字，但经验上的范围也值得参考：
用 Memcached/Redis 存取缓存数据：1-5 ms 执行一条简单的数据库查询或更新操作：5-50ms 在局域网中的 TCP 连接上收发一趟数据包：1-10ms；广域网中大约 10-200ms，视传输距离和网络节点的设备而定 从用户态切换到内核态，完成一次系统调用：100ns - 1 μs，视不同的系统调用函数和硬件水平而定，少数系统调用可能远超此范围。
空间都去哪儿了？
在计算机历史上，非易失存储技术的发展速度超过了摩尔定律。除了嵌入式设备、数据库系统等等，现在大部分场景已经不太需要优化持久化存储的空间占用了，这里主要讲的是另一个相对稀缺的存储形式 —— RAM，或者说主存/内存。
以 JVM 为例，在堆里面有很多我们创建的对象（Object）。
每个 Object 都有一个包含 Mark 和类型指针的 Header，占 12 个字节 每个成员变量，根据数据类型的不同占不同的字节数，如果是另一个对象，其对象指针占 4 个字节 数组会根据声明的大小，占用 N 倍于其类型 Size 的字节数 成员变量之间需要对齐到 4 字节，每个对象之间需要对齐到 8 字节
如果在 32G 以上内存的机器上，禁用了对象指针压缩，对象指针会变成 8 字节，包括 Header 中的 Klass 指针，这也就不难理解为什么堆内存超过 32G，JVM 的性能直线下降了。
举个例子，一个有 8 个 int 类型成员的对象，需要占用 48 个字节（12+32+4），如果有十万个这样的 Object，就需要占用 4.58MB 的内存了。这个数字似乎看起来不大，而实际上一个 Java 服务的堆内存里面，各种各样的对象占用的内存通常比这个数字多得多，大部分内存耗在 char[]这类数组或集合型数据类型上。
举个例子，一个有 8 个 int 类型成员的对象，需要占用 48 个字节（12+32+4），如果有十万个这样的 Object，就需要占用 4.58MB 的内存了。这个数字似乎看起来不大，而实际上一个 Java 服务的堆内存里面，各种各样的对象占用的内存通常比这个数字多得多，大部分内存耗在 char[]这类数组或集合型数据类型上。
堆内存之外，又是另一个世界了。
从操作系统进程的角度去看，也有不少耗内存的大户，不管什么 Runtime 都逃不开这些空间开销：每个线程需要分配 MB 级别的线程栈，运行的程序和数据会缓存下来，用到的输入输出设备需要缓冲区……
代码“写出来”的内存占用，仅仅是冰山之上的部分，真正的内存占用比“写出来”的要更多，到处都存在空间利用率的问题。
比如，即使我们在 Java 代码中只是写了 response.getWriter().print(“OK”)，给浏览器返回 2 字节，网络协议栈的层层封装，协议头部不断增加的额外数据，让最终返回给浏览器的字节数远超原始的 2 字节，像 IP 协议的报头部就至少有 20 个字节，而数据链路层的一个以太网帧头部至少有 18 字节。
如果传输的数据过大，各层协议还有最大传输单元 MTU 的限制，IPv4 一个报文最大只能有 64K 比特，超过此值需要分拆发送并在接收端组合，更多额外的报头导致空间利用率降低（IPv6 则提供了 Jumbogram 机制，最大单包 4G 比特，“浪费”就减少了）。
这部分的“浪费”有多大呢？下面的链接有个表格，传输 1460 个字节的载荷，经过有线到无线网络的转换，至少再添 120 个字节，**空间利用率<92.4%**。
https://en.wikipedia.org/wiki/Jumbo_frame
这种现象非常普遍，使用抽象层级越高的技术平台，平台提供高级能力的同时，其底层实现的“信息密度”通常越低。
像 Java 的 Object Header 就是使用 JVM 的代价，而更进一步使用动态类型语言，要为灵活性付出空间的代价则更大。哈希表的自动扩容，强大的反射能力等等，背后也付出了空间的代价。
再比如，二进制数据交换协议通常比纯文本协议更加节约空间。但多数厂家我们仍然用 JSON、XML 等纯文本协议，用信息的冗余来换取可读性。即便是二进制的数据交互格式，也会存在信息冗余，只能通过更好的协议和压缩算法，尽量去逼近压缩的极限 —— 信息熵。
小结
理解了时间和空间的消耗在哪后，还不能完全解释软件为何倾向于耗尽硬件资源。有一条定律可以解释，正是它锤爆了摩尔定律。
它就是安迪-比尔定律。
“安迪给什么，比尔拿走什么”。
安迪指的是 Intel 前 CEO 安迪·葛洛夫，比尔指的是比尔·盖茨。
这句话的意思就是：软件发展比硬件还快，总能吃得下硬件。
20 年前，在最强的计算机也不见得可以玩赛车游戏；
10 年前，个人电脑已经可以玩画质还可以的 3D 赛车游戏了；
现在，自动驾驶+5G 云驾驶已经快成为现实。
在这背后，是无数的硬件技术飞跃，以及吃掉了这些硬件的各类软件。
这也是我们每隔两三年都要换手机的原因：不是机器老化变卡了，是嗜血的软件在作怪。
因此，即使现代的硬件水平已经强悍到如此境地，性能优化仍然是有必要的。
软件日益复杂，抽象层级越来越高，就越需要底层基础设施被充分优化。
对于大部分开发者而言，高层代码逐步走向低代码化、可视化，“一行代码”能产生的影响也越来越大，写出低效代码则会吃掉更多的硬件资源。
下篇
引言
本篇也是本系列最硬核的一篇，本人技术水平有限，可能存在疏漏或错误之处，望斧正。仍然选取了《火影忍者》的配图和命名方式帮助理解：
八门遁甲 —— 榨干计算资源 影分身术 —— 水平扩容 奥义 —— 分片术 秘术 —— 无锁术
（注：这些“中二”的前缀仅是用《火影》中的一些术语，形象地描述技术方案）
八门遁甲 —— 榨干计算资源
让硬件资源都在处理真正有用的逻辑计算，而不是做无关的事情或空转。
从晶体管到集成电路、驱动程序、操作系统、直到高级编程语言的层层抽象，每一层抽象带来的更强的通用性、更高的开发效率，多是以损失运行效率为代价的。
但我们可以在用高级编程语言写代码的时候，在保障可读性、可维护性基础上用运行效率更高、更适合运行时环境的方式去写，减少额外的性能损耗《Effective XXX》、《More Effective XXX》、《高性能 XXX》这类书籍所传递的知识和思想。
落到技术细节，下面用四个小节来说明如何减少“无用功”、避免空转、榨干硬件。
聚焦
减少系统调用与上下文切换，让 CPU 聚焦。
可以看看两个 stackoverflow 上的帖子：
https://stackoverflow .com/questions/21887797/what-is-the-overhead-of-a-context-switch https://stackoverflow.com/questions/23599074/system-calls-overhead
大部分互联网应用服务，耗时的部分不是计算，而是 I/O。
减少 I/O wait， 各司其职，专心干 I/O，专心干计算，epoll 批量捞任务，（refer: event driven）
利用 DMA 减少 CPU 负担 - 零拷贝 NewI/O Redis SingleThread (even 6.0), Node.js
避免不必要的调度 - Context Switch
CPU 亲和性，让 CPU 更加聚焦
蜕变
用更高效的数据结构、算法、第三方组件，让程序本身蜕变。
从逻辑短路、Map 代替 List 遍历、减少锁范围、这样的编码技巧，到应用 FisherYates、Dijkstra 这些经典算法，注意每一行代码细节，量变会发生质变。更何况某个算法就足以让系统性能产生一两个数量级的提升。
适应
因地制宜，适应特定的运行环境
在浏览器中主要是优化方向是 I/O、UI 渲染引擎、JS 执行引擎三个方面。
I/O 越少越好，能用 WebSocket 的地方就不用 Ajax，能用 Ajax 的地方就不要刷整个页面；
UI 渲染方面，减少重排和重绘，比如 Vue、React 等 MVVM 框架的虚拟 DOM 用额外的计算换取最精简的 DOM 操作；
JS 执行引擎方面，少用动态性极高的写法，比如 eval、随意修改对象或对象原型的属性。
前端的优化有个神器：Light House，在新版本 Chrome 已经嵌到开发者工具中了，可以一键生成性能优化报告，按照优化建议改就完了。
与浏览器环境颇为相似的 Node.js 环境：
https://segmentfault.com/a/1190000007621011#articleHeader11
Java
C1 C2 JIT 编译器 栈上分配
Linux
各种参数优化 内存分配和 GC 策略 Linux 内核参数 Brendan Gregg 内存区块配置（DB，JVM，V8，etc.）
利用语言特性和运行时环境 - 比如写出利于 JIT 的代码
多静态少动态 - 舍弃动态特性的灵活性 - hardcode/if-else，强类型，弱类型语言避免类型转换 AOT/JIT vs 解释器， 汇编，机器码 GraalVM
减少内存的分配和回收，少对列表做增加或删除
对于 RAM 有限的嵌入式环境，有时候时间不是问题，反而要拿时间换空间，以节约 RAM 的使用。
运筹
把眼界放宽，跳出程序和运行环境本身，从整体上进行系统性分析最高性价比的优化方案，分析潜在的优化切入点，以及能够调配的资源和技术，运筹帷幄。
其中最简单易行的几个办法，就是花钱，买更好或更多的硬件基础设施，这往往是开发人员容易忽视的，这里提供一些妙招：
服务器方面，云服务厂商提供各种类型的实例，每种类型有不同的属性侧重，带宽、CP、磁盘的 I/O 能力，选适合的而不是更贵的 舍弃虚拟机 - Bare Mental，比如神龙服务器 用 ARM 架构 CPU 的服务器，同等价格可以买到更多的服务器，对于多数可以跨平台运行的服务端系统来说与 x86 区别并不大，ARM 服务器的数据中心也是技术发展趋势使然 如果必须用 x86 系列的服务器，AMD 也 Intel 的性价比更高。
第一点非常重要，软件性能遵循木桶原理，一定要找到瓶颈在哪个硬件资源，把钱花在刀刃上。
如果是服务端带宽瓶颈导致的性能问题，升级再多核 CPU 也是没有用的。
我有一次性能优化案例：把一个跑复杂业务的 Node.js 服务器从 AWS 的 m4 类型换成 c4 类型，内存只有原来的一半，但 CPU 使用率反而下降了 20%，同时价格还比之前更便宜，一石二鸟。
这是因为 Node.js 主线程的计算任务只有一个 CPU 核心在干，通过 CPU Profile 的火焰图，可以定位到该业务的瓶颈在主线程的计算任务上，因此提高单核频率的作用是立竿见影的。而该业务对内存的消耗并不多，套用一些定制 v8 引擎内存参数的方案，起不了任何作用。
毕竟这样的例子不多，大部分时候还是要多花钱买更高配的服务器的，除了这条花钱能直接解决问题的办法，剩下的办法难度就大了：
利用更底层的特性实现功能，比如 FFI WebAssembly 调用其他语言，Java Agent Instrument，字节码生成（BeanCopier, Json Lib），甚至汇编等等 使用硬件提供的更高效的指令 各种提升 TLB 命中率的机制，减少内存的大页表 魔改 Runtime，Facebook 的 PHP，阿里腾讯定制的 JDK 网络设备参数，MTU 专用硬件：GPU 加速（cuda）、AES 硬件卡和高级指令加速加解密过程，比如 TLS 可编程硬件：地狱级难度，FPGA 硬件设备加速特定业务 NUMA 更宏观的调度，VM 层面的共享 vCPU，K8S 集群调度，总体上的优化
小结
有些手段，是凭空换出来更多的空间和时间了吗？
天下没有免费的午餐，即使那些看起来空手套白狼的优化技术，也需要额外的人力成本来做，副作用可能就是专家级的发际线吧。还好很多复杂的性能优化技术我也不会，所以我本人发际线还可以。
这一小节总结了一些方向，有些技术细节非常深，这里也无力展开。不过，即使榨干了单机性能，也可能不足以支撑业务，这时候就需要分布式集群出场了，因此后面介绍的 3 个技术方向，都与并行化有关。
影分身术 —— 水平扩容
本节的水平扩容以及下面一节的分片，可以算整体的性能提升而不是单点的性能优化，会因为引入额外组件反而降低了处理单个请求的性能。
但当业务规模大到一定程度时，再好的单机硬件也无法承受流量的洪峰，就得水平扩容了，毕竟”众人拾柴火焰高”。
在这背后的理论基础是，硅基半导体已经接近物理极限，随着摩尔定律的减弱，阿姆达尔定律的作用显现出来：
https://en.wikipedia.org/wiki/Amdahl%27s_law
水平扩容必然引入负载均衡
多副本 水平扩容的前提是无状态 读>>写， 多个读实例副本 （CDN） 自动扩缩容，根据常用的或自定义的 metrics，判定扩缩容的条件，或根据 CRON 负载均衡策略的选择
奥义 —— 分片术
水平扩容针对无状态组件，分片针对有状态组件。二者原理都是提升并行度，但分片的难度更大。
负载均衡也不再是简单的加权轮询了，而是进化成了各个分片的协调器
Java1.7 的及之前的 ConcurrentHashMap 分段锁 有状态数据的分片 如何选择 Partition/Sharding Key 负载均衡难题 热点数据，增强缓存等级，解决分散的缓存带来的一致性难题 数据冷热分离，SSD - HDD 分开容易合并难 区块链的优化，分区域
秘术 —— 无锁术
有些业务场景，比如库存业务，按照正常的逻辑去实现，水平扩容带来的提升非常有限，因为需要锁住库存，扣减，再解锁库存。
票务系统也类似，为了避免超卖，需要有一把锁禁锢了横向扩展的能力。
不管是单机还是分布式微服务，锁都是制约并行度的一大因素。比如上篇提到的秒杀场景，库存就那么多，系统超卖了可能导致非常大的经济损失，但用分布式锁会导致即使服务扩容了成千上万个实例，最终无数请求仍然阻塞在分布式锁这个串行组件上了，再多水平扩展的实例也无用武之地。
避免竞争 Race Condition 是最完美的解决办法。
上篇说的应对秒杀场景，预取库存就是减轻竞态条件的例子，虽然取到服务器内存之后仍然有多线程的锁，但锁的粒度更细了，并发度也就提高了。
线程同步锁 分布式锁 数据库锁 update select 子句 事务锁 顺序与乱序 乐观锁/无锁 CAS Java 1.8 之后的 ConcurrentHashMap pipeline 技术 - CPU 流水线 Redis Pipeline 大数据分析 并行计算 TCP 的缓冲区排头阻塞 QUIC HTTP3.0
总结
以 ROI 的视角看软件开发，初期人力成本的投入，后期的维护成本，计算资源的费用等等，选一个合适的方案而不是一个性能最高的方案。
本篇结合个人经验总结了常见的性能优化手段，这些手段只是冰山一角。在初期就设计实现出一个完美的高性能系统是不可能的，随着软件的迭代和体量的增大，利用压测，各种工具（profiling，vmstat，iostat，netstat），以及监控手段，逐步找到系统的瓶颈，因地制宜地选择优化手段才是正道。
有利必有弊，得到一些必然会失去一些，有一些手段要慎用。Linux 性能优化大师 Brendan Gregg 一再强调的就是：切忌过早优化、过度优化。
持续观测，做 80%高投入产出比的优化。
除了这些设计和实现时可能用到的手段，在技术选型时选择高性能的框架和组件也非常重要。
另外，部署基础设施的硬件性能也同样，合适的服务器和网络等基础设施往往会事半功倍，比如云服务厂商提供的各种字母开头的 instance，网络设备带宽的速度和稳定性，磁盘的 I/O 能力等等。
多数时候我们应当使用更高性能的方案，但有时候甚至要故意去违背它们。最后，以《Effective Java》第一章的一句话结束本文吧。
首先要学会基本的规则，然后才能知道什么时候可以打破规则。
·········· END ··············
👉 专属专栏/一对一提问/简历修改/学习打卡/读书活动，欢迎加入 JavaGuide 知识星球（文末可领取优惠券）。
推荐阅读 ：
👉 如果本文对你有帮助的话，欢迎 点赞&在看&分享 ，这对我继续分享&创作优质文章非常重要。非常感谢！