原来这才是 Kafka！（思惟导图+深刻）

通常性原则

依据数据而不是凭空猜想

　　这是性能优化的第一原则，当咱们怀疑性能有问题的时候，应该经过测试、日志、profillig来分析出哪里有问题，有的放矢，而不是凭感受、撞运气。一个系统有了性能问题，瓶颈有多是CPU，有多是内存，有多是IO（磁盘IO，网络IO），大方向的定位可使用top以及stat系列来定位（vmstat，iostat，netstat...），针对单个进程，可使用pidstat来分析。

　　在本文中，主要讨论的是CPU相关的性能问题。按照80/20定律，绝大多数的时间都耗费在少许的代码片断里面，找出这些代码惟一可靠的办法就是profile，我所知的编程语言，都有相关的profile工具，熟练使用这些profile工具是性能优化的第一步。

忌过早优化

The real problem is that programmers have spent far too much time worrying about efficiency in the wrong places and at the wrong times; premature optimization is the root of all evil (or at least most of it) in programming.

　　我并不十分清楚Donald Knuth说出这句名言的上下文环境，但我本身是十分认同这个观念的。在个人工做环境（以及典型的互联网应用开发）与编程模式下，追求的是快速的迭代与试错，过早的优化每每是无用功。并且，过早的优化很容易拍脑壳，优化的点每每不是真正的性能瓶颈。

忌过分优化

As performance is part of the specification of a program – a program that is unusably slow is not fit for purpose

　　性能优化的目标是追求合适的性价比。

　　在不一样的阶段，咱们对系统的性能会有必定的要求，好比吞吐量要达到多少多少。若是达不到这个指标，就须要去优化。若是能知足预期，那么就无需花费时间精力去优化，好比只有几十我的使用的内部系统，就不用按照十万在线的目标去优化。

　　并且，后面也会提到，一些优化方法是“有损”的，可能会对代码的可读性、可维护性有反作用。这个时候，就更不能过分优化。

深刻理解业务

　　代码是服务于业务的，也许是服务于最终用户，也许是服务于其余程序员。不了解业务，很难理解系统的流程，很难找出系统设计的不足之处。后面还会说起对业务理解的重要性。

性能优化是持久战

　　当核心业务方向明确以后，就应该开始关注性能问题，当项目上线以后，更应该持续的进行性能检测与优化。

　　如今的互联网产品，再也不是一锤子买卖，在上线以后还须要持续的开发，用户的涌入也会带来性能问题。所以须要自动化的检测性能问题，保持稳定的测试环境，持续的发现并解决性能问题，而不是被动地等到用户的投诉。

选择合适的衡量指标、测试用例、测试环境

　　正由于性能优化是一个长期的行为，因此须要固定衡量指标、测试用例、测试环境，这样才能客观反映性能的实际状况，也能展示出优化的效果。

　　衡量性能有不少指标，好比系统响应时间、系统吞吐量、系统并发量。不一样的系统核心指标是不同的，首先要明确本系统的核心性能诉求，固定测试用例；其次也要兼顾其余指标，不能顾此失彼。

　　测试环境也很重要，有一次忽然发现咱们的QPS高了许多，可是程序压根儿没优化，查了半天，才发现是换了一个更牛逼的物理机作测试服务器。

性能优化的层次

(https://www.cnblogs.com/xybab...

　　按照个人理解能够分为需求阶段，设计阶段，实现阶段；越上层的阶段优化效果越明显，同时也更须要对业务、需求的深刻理解。

需求阶段

不战而屈人之兵，善之善者也

　　程序员的需求可能来自PM、UI的业务需求（或者说是功能性需求），也可能来自Team Leader的需求。当咱们拿到一个需求的时候，首先须要的是思考、讨论需求的合理性，而不是马上去设计、去编码。

　　需求是为了解决某个问题，问题是本质，需求是解决问题的手段。那么需求是否可否真正的解决问题，程序员也得本身去思考，在以前的文章也提到过，产品经理（特别是知道一点技术的产品经理）的某个需求可能只是某个问题的解决方案，他认为这个方法能够解决他的问题，因而把解决方案当成了需求，而不是真正的问题。

　　需求讨论的前提对业务的深刻了解，若是不了解业务，根本无法讨论。即便需求已经实现了，当咱们发现有性能问题的时候，首先也能够从需求出发。

　　需求分析对性能优化有什么帮助呢，第一，为了达到一样的目的，解决一样问题，也许能够有性能更优（消耗更小）的办法。这种优化是无损的，即不改变需求本质的同时，又能达到性能优化的效果；第二种状况，有损的优化，即在不明显影响用户的体验，稍微修改需求、放宽条件，就能大大解决性能问题。PM退步一小步，程序前进一大步。

　　需求讨论也有助于设计时更具扩展性，应对将来的需求变化，这里按下不表。

设计阶段

　　高手都是花80%时间思考，20%时间实现；新手写起代码来很快，但后面是无穷无尽的修bug

　　设计的概念很宽泛，包括架构设计、技术选型、接口设计等等。架构设计约束了系统的扩展、技术选型决定了代码实现。编程语言、框架都是工具，不一样的系统、业务须要选择适当的工具集。若是设计的时候作的不够好，那么后面就很难优化，甚至须要推到重来。

实现阶段

　　实现是把功能翻译成代码的过程，这个层面的优化，主要是针对一个调用流程，一个函数，一段代码的优化。各类profile工具也主要是在这个阶段生效。除了静态的代码的优化，还有编译时优化，运行时优化。后两者要求就很高了，程序员可控性较弱。

 　　代码层面，形成性能瓶颈的缘由一般是高频调用的函数、或者单次消耗很是高的函数、或者两者的结合。

　　下面介绍针对设计阶段与实现阶段的优化手段。

通常性方法

(https://www.cnblogs.com/xybab...

缓存

　　没有什么性能问题是缓存解决不了的，若是有，那就再加一级缓存

a cache /kæʃ/ KASH,[1] is a hardware or software component that stores data so future requests for that data can be served faster; the data stored in a cache might be the result of an earlier computation, or the duplicate of data stored elsewhere.

　　缓存的本质是加速访问，访问的数据要么是其余数据的副本 -- 让数据离用户更近；要么是以前的计算结果 -- 避免重复计算.

　　缓存须要用空间换时间，在缓存空间有限的状况下，须要优秀的置换换算来保证缓存有较高的命中率。

数据的缓存

　　这是咱们最多见的缓存形式，将数据缓存在离使用者更近的地方。好比操做系统中的CPU cache、disk cache。对于一个web应用，前端会有浏览器缓存，有CDN，有反向代理提供的静态内容缓存；后端则有本地缓存、分布式缓存。

　　数据的缓存，不少时候是设计层面的考虑。

　　对于数据缓存，须要考虑的是缓存一致性问题。对于分布式系统中有强一致性要求的场景，可行的解决办法有lease，版本号。

计算结果的缓存

　　对于消耗较大的计算，能够将计算结果缓存起来，下次直接使用。

　　咱们知道，对递归代码的一个有效优化手段就是缓存中间结果，lookup table，避免了重复计算。python中的method cache就是这种思想.

　　对于可能重复建立、销毁，且建立销毁代价很大的对象，好比进程、线程，也能够缓存，对应的缓存形式如单例、资源池（链接池、线程池）。

　　对于计算结果的缓存，也须要考虑缓存失效的状况，对于pure function，固定的输入有固定的输出，缓存是不会失效的。但若是计算受到中间状态、环境变量的影响，那么缓存的结果就可能失效，好比我在前面提到的python method cache

并发

　　一我的干不完的活，那就找两我的干。并发既增长了系统的吞吐，又减小了用户的平均等待时间。

　　这里的并发是指广义的并发，粒度包括多机器（集群）、多进程、多线程。

　　对于无状态（状态是指须要维护的上下文环境，用户请求依赖于这些上下文环境）的服务，采用集群就能很好的伸缩，增长系统的吞吐，好比挂载nginx以后的web server

　　对于有状态的服务，也有两种形式，每一个节点提供一样的数据，如mysql的读写分离；每一个节点只提供部分数据，如mongodb中的sharding

　　分布式存储系统中，partition（sharding）和replication（backup）都有助于并发。

　　绝大多数web server，要么使用多进程，要么使用多线程来处理用户的请求，以充分利用多核CPU，再有IO阻塞的地方，也是适合使用多线程的。比较新的协程（Python greenle、goroutine）也是一种并发。

惰性

　　将计算推迟到必需的时刻，这样极可能避免了多余的计算，甚至根本不用计算，这个在以前的《lazy ideas in programming》一文中举了许多例子。

　　CopyOnWrite这个思想真牛逼！

批量，合并

　　在有IO（网络IO，磁盘IO）的时候，合并操做、批量操做每每能提高吞吐，提升性能。

　　咱们最多见的是批量读：每次读取数据的时候多读取一些，以备不时之需。如GFS client会从GFS master多读取一些chunk信息；如分布式系统中，若是集中式节点复杂全局ID生成，俺么应用就能够一次请求一批id。

　　特别是系统中有单点存在的时候，缓存和批量本质上来讲减小了与单点的交互，是减轻单点压力的经济有效的方法

　　在前端开发中，常常会有资源的压缩和合并，也是这种思想。

　　当涉及到网络请求的时候，网络传输的时间可能远大于请求的处理时间，所以合并网络请求就颇有必要，好比mognodb的bulk operation，redis 的pipeline。写文件的时候也能够批量写，以减小IO开销，GFS中就是这么干的

更高效的实现

　　同一个算法，确定会有不一样的实现，那么就会有不一样的性能；有的实现多是时间换空间，有的实现多是空间换时间，那么就须要根据本身的实际状况权衡。

　　程序员都喜欢早轮子，用于练手无可厚非，但在项目中，使用成熟的、通过验证的轮子每每比本身造的轮子性能更好。固然无论使用别人的轮子，仍是本身的工具，当出现性能的问题的时候，要么优化它，要么替换掉他。

　　好比，咱们有一个场景，有大量复杂的嵌套对象的序列化、反序列化，开始的时候是使用python（Cpython）自带的json模块，即便发现有性能问题也无法优化，网上一查，替换成了ujson，性能好了很多。

　　上面这个例子是无损的，但一些更高效的实现也多是有损的，好比对于python，若是发现性能有问题，那么极可能会考虑C扩展，但也会带来维护性与灵活性的丧失，面临crash的风险。

缩小解空间

　　缩小解空间的意思是说，在一个更小的数据范围内进行计算，而不是遍历所有数据。最多见的就是索引，经过索引，可以很快定位数据，对数据库的优化绝大多数时候都是对索引的优化。

　　若是有本地缓存，那么使用索引也会大大加快访问速度。不过，索引比较适合读多写少的状况，毕竟索引的构建也是需有消耗的。

　　另外在游戏服务端，使用的分线和AOI（格子算法）也都是缩小解空间的方法。

性能优化与代码质量

(https://www.cnblogs.com/xybab...

　　不少时候，好的代码也是高效的代码，各类语言都会有一本相似的书《effective xx》。好比对于python，pythonic的代码一般效率都不错，如使用迭代器而不是列表（python2.7 dict的iteritems(), 而不是items())。

　　衡量代码质量的标准是可读性、可维护性、可扩展性，但性能优化有可能会违背这些特性，好比为了屏蔽实现细节与使用方式，咱们会可能会加入接口层（虚拟层），这样可读性、可维护性、可扩展性会好不少，可是额外增长了一层函数调用，若是这个地方调用频繁，那么也是一笔开销；又如前面提到的C扩展，也是会下降可维护性、

　　这种有损代码质量的优化，应该放到最后，不得已而为之，同时写清楚注释与文档。

　　为了追求可扩展性，咱们常常会引入一些设计模式，如状态模式、策略模式、模板方法、装饰器模式等，但这些模式不必定是性能友好的。因此，为了性能，咱们可能写出一些反模式的、定制化的、不那么优雅的代码，这些代码实际上是脆弱的，需求的一点点变更，对代码逻辑可能有相当重要的影响，因此仍是回到前面所说，不要过早优化，不要过分优化。

总结

(https://www.cnblogs.com/xybab...

　　来张脑图总结一下

　　

推荐阅读：

TCP的三次握手，四次挥手加IP、SOCKET全景图，面试有备无患！https://www.bilibili.com/video/BV1HQ4y1M7oe/

资深架构师马士兵读解多线程、线程池原理，给Java程序员职业把脉，让你薪资翻一翻！https://www.bilibili.com/video/BV1BE411A78Z/

阿里P9架构师120分钟带你掌握线程池，不在为线程而烦恼
https://www.bilibili.com/video/BV1GE411N7sc/