10.3 典型场景优化实践
前面我们讲了性能分析方法和优化方法论，这一节我们针对实际开发中常见的场景，介绍具体的优化实践技巧，覆盖CPU、内存、IO、网络、数据库、前端等各个层面。
CPU密集型场景优化
CPU密集型场景的主要瓶颈在CPU计算，常见于科学计算、音视频编码、加密解密、复杂业务逻辑处理等场景。
优化方法
-
算法与数据结构优化
- 优先优化算法复杂度，把O(n²)的算法降到O(n)或O(n log n)，这是最有效的优化
- 选择合适的数据结构，比如频繁查找用哈希表，有序数据用二分查找，避免线性遍历
- 减少不必要的计算，缓存重复计算的结果，避免重复计算
- 提前退出循环，减少不必要的计算
-
减少运行时开销
- 减少不必要的对象创建和销毁，尤其是在循环中，复用对象减少GC开销（Java/Python等带GC的语言）
- 避免过多的函数调用和上下文切换，热点路径的函数可以考虑内联
- 减少锁竞争，用无锁数据结构、原子操作代替重量级锁，减少锁的粒度和持有时间
- 优化循环，把循环内不变的计算提到循环外，减少循环内的操作
-
并发优化
- 利用多核CPU，把计算任务拆分，多线程并行执行，注意拆分的任务粒度要合适，避免线程切换开销超过收益
- CPU密集型任务的线程数建议设置为CPU核心数+1，不要设置太多，避免频繁上下文切换
- 使用线程池复用线程，避免频繁创建销毁线程的开销
-
编译/运行时优化
- 开启编译器优化选项，比如GCC的-O2/-O3优化，Go的编译优化
- 使用更高效的语言/库实现核心计算逻辑，比如C/Rust实现的库比纯Python/Java快很多
- 使用SIMD指令优化，利用CPU的向量计算能力并行处理数据
- 热点代码做JIT编译优化，解释执行的热点函数编译为本地代码执行
-
硬件加速
- 并行计算任务可以考虑用GPU加速，比如CUDA/OpenCL，适合大规模并行计算
- 使用专用的硬件加速卡，比如加密卡、编码卡等
内存使用优化
内存优化主要目标是减少内存占用，避免内存泄漏，提升内存访问效率。
优化方法
-
减少内存占用
- 使用更高效的数据结构，比如用数组代替链表，用更小的数据类型，比如能用int就不用long，能用短结构就不用长结构
- 避免不必要的内存分配，对象复用、对象池、内存池等，减少内存分配和GC压力
- 压缩数据，比如整数压缩、字符串编码优化，减少数据占用的内存
- 稀疏数据使用更紧凑的存储方式，比如位图、稀疏数组，避免浪费空间
-
提升内存访问效率
- 利用局部性原理，优化数据结构内存布局，提升缓存命中率，比如数组顺序访问比链表随机访问快很多
- 避免伪共享，多线程并发修改的变量做缓存行填充，避免缓存行冲突
- 大块连续内存分配比分散的小内存分配效率高，访问速度也快
- 大内存访问考虑使用大页（Huge Page），减少TLB miss，提升地址转换效率
-
避免内存泄漏和内存浪费
- 及时释放不再使用的资源，关闭文件、连接，释放对象引用，避免内存泄漏
- 缓存要设置合理的大小和过期策略，避免缓存无限增长占用内存
- 避免大对象分配和内存碎片，使用内存池减少碎片
- 带GC的语言避免创建不必要的临时对象，减少GC频率和停顿时间
-
内存相关参数调优
- JVM调优：调整堆大小、新生代老年代比例、选择合适的垃圾回收器，减少GC停顿
- 调整操作系统的内存参数：swappiness、overcommit_memory等，根据场景优化
- 不需要持久化的数据尽量放在内存中，减少磁盘IO，用内存换取性能
磁盘IO优化
磁盘IO是最常见的性能瓶颈之一，尤其是HDD的随机IO性能很低，优化IO能带来显著的性能提升。
优化方法
-
减少IO次数
- 增加缓存：用Redis、Guava Cache等缓存热点数据，尽量少访问磁盘，这是最有效的优化
- 批量操作：批量读写代替多次小IO，比如批量写数据库、批量读文件，减少系统调用开销和IO次数
- 合并小IO：把多个小的IO请求合并成一个大的IO，提升效率
- 预读：提前读取需要的数据到缓存，利用顺序IO的高性能
-
优化IO模式
- 尽量用顺序IO代替随机IO，顺序IO的性能是随机IO的几十上百倍（HDD），比如数据库的WAL日志就是顺序写
- 选择合适的IO模型：高并发场景用IO多路复用、异步IO代替阻塞IO，提升吞吐量
- 直接IO：有自己的缓存机制的场景可以用直接IO绕过系统Page Cache，减少内存拷贝
- 异步IO：非阻塞处理IO，避免线程阻塞，提升CPU利用率
-
文件系统和磁盘优化
- 优先使用SSD代替HDD，随机IO性能提升几十上百倍，对于随机IO多的场景效果明显
- 选择合适的文件系统：XFS/EXT4适合通用场景，Btrfs/ZFS适合大容量存储和快照等特性
- 调整文件系统挂载参数：noatime不更新访问时间，提升IO性能
- RAID优化：RAID0提升性能，RAID10兼顾性能和可靠性，根据场景选择合适的RAID级别
- 磁盘分区对齐，4K对齐提升SSD性能
-
数据存储优化
- 数据压缩：存储前压缩数据，减少数据量，虽然增加CPU开销，但减少IO开销，整体收益更高，尤其是冷数据
- 日志合并：LSM树结构（比如LevelDB、RocksDB）把随机写转换成顺序写，大幅提升写性能
- 避免小文件：大量小文件会浪费磁盘空间，inode占用多，读写性能差，尽量合并小文件，比如用tar打包或者存储在数据库中
- 冷热数据分离：热数据存在高性能存储，冷数据存在低成本大容量存储，提升性价比
网络性能优化
网络IO也是常见的性能瓶颈，尤其是分布式系统中，网络调用的开销很大。
优化方法
-
减少网络请求次数
- 合并请求：多个小请求合并成一个大请求，减少网络往返次数，比如前端的资源合并、接口合并
- 批量操作：批量获取数据、批量写入，避免多次调用
- 数据压缩：请求和响应数据压缩，比如gzip/br压缩，减少传输数据量，降低带宽占用和传输时间
- 缓存：静态资源用CDN缓存，接口数据用客户端缓存、服务端缓存，重复请求不用回源
-
优化传输效率
- 减少传输数据量：去掉不必要的字段，使用更高效的序列化协议，比如Protobuf代替JSON，体积小序列化快
- 选择合适的传输协议：长连接代替短连接，减少三次握手四次挥手开销；QUIC/HTTP3代替TCP，减少握手延迟和队头阻塞
- 合适的缓冲区大小：设置合理的Socket发送和接收缓冲区，提升吞吐量
- 协议优化：TCP参数调优，比如调整滑动窗口大小、开启TCP BBR拥塞控制，提升网络传输效率
-
架构层面优化
- 就近访问：CDN加速静态资源，边缘计算节点让用户就近访问，减少物理距离带来的延迟
- 服务部署在同一机房/可用区，减少跨机房的网络延迟
- 负载均衡：请求分发到多个服务器，提升整体吞吐量
- 异步非阻塞：网络IO用异步非阻塞模型，提升系统并发能力，避免线程阻塞
-
可靠性与性能平衡
- 超时与重试：设置合理的超时时间，失败重试避免网络波动影响，重试要有退避策略，避免雪崩
- 熔断降级：下游服务故障时熔断，避免级联失败，保证核心功能可用
- 流量控制：限流、削峰填谷，避免流量突增打垮服务
数据库性能优化
数据库是大部分业务系统的核心瓶颈，数据库优化的收益通常很明显。
优化方法
-
索引优化
- 合理创建索引：频繁查询的字段、条件字段、关联字段建索引，避免全表扫描
- 联合索引遵循最左前缀原则，覆盖索引避免回表查询
- 避免索引滥用：不要给每个字段都建索引，索引会降低写性能，占用存储空间
- 定期优化索引：删除无用、重复的索引，重建碎片多的索引
-
SQL语句优化
- 避免SELECT *，只查询需要的字段，减少数据传输和内存占用
- 避免大表关联查询，复杂查询可以考虑拆成多个简单查询，或者做适当的冗余
- 批量操作代替循环单条操作，减少交互次数
- 避免深分页，比如limit 100000,10性能差，用游标分页或者上次ID条件优化
- 避免在where条件中对字段做函数运算、类型转换，导致索引失效
-
数据库架构优化
- 读写分离：主库写，从库读，提升读性能
- 分库分表：数据量大的时候垂直拆分（按业务分库）、水平拆分（按字段分表），提升处理能力
- 增加缓存层：热点数据用Redis等缓存，减少数据库查询压力
- 搜索引擎：复杂查询、全文搜索场景用Elasticsearch等搜索引擎，避免数据库做复杂查询
- 异步写入：非核心写操作异步化，通过消息队列异步写入数据库，提升响应速度
-
数据库参数调优
- 内存配置：给数据库分配足够的内存，提升缓存命中率，比如MySQL的innodb_buffer_pool_size设置为物理内存的50%-70%
- 连接数配置：合理设置最大连接数，避免连接数过多占用过多内存
- 持久化策略调整：可以接受少量数据丢失的场景，调整刷盘策略，提升写性能
- 存储优化：数据库用SSD存储，提升IO性能
前端性能优化
前端性能直接影响用户体验，首屏加载速度、交互流畅度对用户留存影响很大。
优化方法
-
资源加载优化
- 减少资源体积：JS/CSS/HTML压缩混淆，图片压缩，用WebP/AVIF等更高效的图片格式
- 减少HTTP请求：合并JS/CSS资源，雪碧图合并小图片，减少请求次数
- 资源缓存：静态资源设置合理的HTTP缓存头，利用浏览器缓存，避免重复加载
- CDN加速：静态资源放到CDN，用户就近访问，提升加载速度
- 按需加载：路由懒加载、组件懒加载、图片懒加载，首屏只加载必要的资源
- 预加载/预解析：提前加载后续会用到的资源，提升后续页面打开速度
-
运行时性能优化
- 减少重绘重排：避免频繁修改DOM和样式，批量修改，用CSS transform代替top/left等触发布局的属性
- 防抖节流：滚动、输入等频繁触发的事件做防抖节流，减少执行次数
- 长列表优化：虚拟滚动，只渲染可视区域的内容，避免大量DOM节点占用内存和渲染时间
- Web Worker：复杂计算放到Web Worker中执行，避免阻塞主线程
- 垃圾回收优化：避免频繁创建大量临时对象，减少GC导致的卡顿
-
体验优化
- 骨架屏、loading状态提升用户感知体验，减少等待焦虑
- 接口请求并行化，避免串行请求增加等待时间
- 接口错误降级、弱网优化，提升异常情况下的用户体验
- 离线缓存：PWA Service Worker实现离线访问，弱网环境也能使用基础功能
通用优化原则
- 缓存为王：能加缓存的地方尽量加缓存，用空间换时间，是性价比最高的优化方式
- 批量处理：批量读写、批量请求，减少IO和交互次数
- 异步非阻塞：非核心路径异步处理，提升响应速度和系统吞吐量
- 数据就近访问：数据尽可能靠近计算的地方，减少数据传输开销
- 权衡取舍：没有完美的优化，在性能、复杂度、成本之间找到合适的平衡点
性能优化是一个持续的过程，要结合具体的业务场景和瓶颈点，针对性地优化，不要盲目套用技巧，所有优化都要经过测量验证效果。
思考问题
- 数据库查询慢，你会从哪些方面排查和优化？
- 前端页面首屏加载慢，常见的优化思路有哪些？
- 高并发场景下，系统的响应时间变长，可能的瓶颈有哪些？怎么排查？
- 为什么说顺序IO比随机IO快很多？在实际开发中怎么利用这个特性优化性能？