你需要了解的性能优化理论知识

深藏阁楼爱情的钟 2023-02-26 14:23 226阅读 0赞

## 你需要了解的性能优化理论知识 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p6aHVhbl8x_size_16_color_FFFFFF_t_70]

> 好的开始是成功的一半，好的习惯是成功的开端。

从这个小节开始就踏上了性能优化的征程，是不是有点“激动”呢！这个小节我会给大家介绍下性能调优的两个重要理论。（有点偏理论，之后篇章会结合项目实践案例分析）

同学们曾经有没有这样想过：卧槽我写的程序为什么那么慢？它为什么卡住不运行了？它们在做什么？程序哪个阶段用时比较长？如果你曾经写得代码遇见过这样的问题，说明你的代码很可能出现了性能方面问题。

但是你肯定也这样想过：算了算了，不管了，反正功能已经实现了考虑什么性能，真的是浪费时间。又不是什么特别严重的问题，将就下就过去了。就算我这时候不管以后接手的人肯定会去处理的嘛。（毕竟这行跳槽率很高）…

不用说这样肯定是不对的，严重的性能问题会导致程序的瘫痪、假死、甚至崩溃，哪怕只是很小的一个毛病也是不容忽视的。其实并不是我们不负责任，我们仅仅是不知道如何去解决，如何性能优化，也希望通过本专栏小伙伴能够初步掌握性能优化技能。好了，话不多说，开始正文吧。

### 一、理论剖析 ###

这节课我们会学习性能调优相关的两个重要理论——**木桶原理以及 Amdahl 定律**

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p6aHVhbl8x_size_16_color_FFFFFF_t_70 1]

有的小伙伴一看到理论就开始“头痛”了，觉得“晦涩难懂”，学了就忘，没有实践来的“实惠”、好掌握。

嗨！嗨！嗨! 醒醒…我们是专栏哦，不涉及大篇章的公式、推理过程，仅仅让咱们小伙伴初步掌握即可，课后感兴趣的记得继续深入了解下，我们继续正文吧。

#### 1.1 木桶原理和性能瓶颈 ####

> 木桶原理：一只木桶盛水的多少，并不取决于桶上最高的那块木板，而是取决于桶壁上最短的那块。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p6aHVhbl8x_size_16_color_FFFFFF_t_70 2]

木桶原理又称“短板理论”，应用到性能优化上：即使系统拥有充足的内存资源和CPU资源，但是如果磁盘I/O的性能比较低下，这种情况下如果要提升系统的性能，优化CPU和内存是毫无用处的。只有提高磁盘I/O性能才能对系统的整体性能进行优化。此时，**“木桶”的短板就是“磁盘I/O”（即性能瓶颈）**。

而平时主要的性能瓶颈涉及模块如下：

1.磁盘I/O （读写速度）

2.网络操作（网络数据读写）

3.CPU

4.异常 （程序异常）

5.数据库

6.锁竞争 （高并发锁竞争）

7.内存（内存大小）

> **简而言之**：找出系统的性能瓶颈“短板”，有针对性的优化。即找到了问题所在，我们才有下步的优化工作。

#### 1.2 Amdahl定律 ####

随着存储系统的日益复杂，对存储系统的性能分析就显得非常必要。单个存储器的性能你可以在生产厂商给提供的数据手册中了解到，那么**由多个存储器构成的并行存储系统的性能如何分析？**

其实对于系统的吞吐率及响应时间我们可以借助数学模型进行分析，或者可以利用软件进行仿真确定。但是对于更全面的系统吞吐率确定使用软件进行仿真的话将会花费非常大的代价，因此实际上多采用数学模型的方式进行确定。而阿姆达尔定律是一个经典的用来说明存储系统性能的分析模型。

> Amdahl 定律是计算机科学中非常重要的定律，它定义了串行系统并行化后加速比的计算公式和理论上限。  
> 加速比定义：加速比=优化前系统耗时/优化后系统耗时  
> 所谓加速比，就是优化前的耗时与优化后耗时的比值。加速比越高，表明优化效果越明显。

根据 Amdahl 定律，使用多核对系统进行优化，优化的效果取决于CPU的数量以及系统中的串行化程序的比重。CPU 数量越多，串行化比重越低，则优化效果越好。仅提高CPU数量而不降低程序的串行化比重，也无法提高系统性能。

并行存储系统的性能分析可以通过简单的性能模型展开，这其中主要就是阿姆达尔定律。阿姆达尔定律是一个非常简单而通用的并行处理性能模型。

> 敲黑板！敲黑板！敲黑板！课程中有很多公式没有列出来，课后有兴趣的同学可以查询下相关资料。

### 二、两种常用性能分析方法 ###

自顶向下和自底向上是两种常用的性能分析方法。自顶向下着眼于软件栈顶层的应用，从上往下寻找优化机会和问题。相反，自底向上则从软件栈最底层的CPU统计数据（例如CPU高速缓存未命中率、CPU指令效率）开始，逐渐上升到应用自身的结构和应用常见的使用方式。

应用开发人员常常使用自顶向下的方法，而性能问题专家则通常自底向上，用以辨别因不同硬件架构、操作系统或不同的Java虚拟机实现所导致的性能差异。

**2.1 自顶向下**

自顶向下是最常见的性能优化方法，如果调优涉及软件栈顶层应用代码更改，也常用这招。

自顶向下的第一步总是对运行再特定负载之下的应用进行监控。监控的范围包括操作系统、Java虚拟机、JavaEE容器以及应用的性能测量统计指标。基于监控信息所给出的提示再开展下一步工作，例如JVM垃圾收集器调优、JVM命令选项调优，或者应用程序性能分析。性能分析可能导致应用程序的更改，或者发现第三方库或JavaSE类库在实现上的不足。

**2.2 自底向上**

在不同平台上进行应用性能调优时，性能专家常用自底向上的方法。将应用迁移到其他操作系统上时，也常用这种方法改善性能。在无法更改应用源代码，例如应用已经部署在生产环境中，或者系统供应商为了在竞争中占得先机而必须将性能发挥到极致时，也常常会使用这种方法。

自底向上需要收集和监控最底层CPU的统计数据。监控的CPU统计数据包括执行特定任务所需要的CPU指令数,以及应用在一定负载下运行时的CPU高速缓存未命中率。在一定负载下，应用执行和扩展所需的CPU指令越少，运行的就越快。降低CPU高速缓存未命中率也能改善应用的系能，因为CPU告诉缓存未命中会导致CPU为了等待从内存获取数据而浪费若干周期，从而降低CPU高速缓存未命中率，意味着CPU可以减少等待内存数据的时间，应用也就能运行的更快。

### 三、小结 ###

这两个性能优化理论和两种常用分析方法，希望小伙伴课后深入了解下，加深印象。自顶向下和自低向上根据业务场景可选择合适方法快速定位性能瓶颈，操作系统和JVM的监控数据收集以及性能分析方法和工具会在后面专栏中详细讲解。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p6aHVhbl8x_size_16_color_FFFFFF_t_70]: /images/20230209/c077974b7bdd4de7854a931e4ce98978.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p6aHVhbl8x_size_16_color_FFFFFF_t_70 1]: /images/20230209/4be7478debf746dea817b23f110c6998.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p6aHVhbl8x_size_16_color_FFFFFF_t_70 2]: /images/20230209/8f9dd829b31548c8bf2c8002e9020c1f.png