作者（code2life）寫了上中下三篇關于性能優化的文章，內容由淺入深涉及性能方方面面，并不僅僅局限于代碼層面。 于是借花獻佛，把作者的三篇整理合并之后分享給大家。希望你也能有所收獲。 本文是上篇，講解六種通用的“時間”與“空間”互換取舍的手段。

引言：取與舍

軟件設計開發某種意義上是“取”與“舍”的藝術。 關于性能方面，就像建筑設計成抗震9度需要額外的成本一樣，高性能軟件系統也意味著更高的實現成本，有時候與其他質量屬性甚至會沖突，比如安全性、可擴展性、可觀測性等等。 大部分時候我們需要的是：在業務遇到瓶頸之前，利用常見的技術手段將系統優化到預期水平。 那么，性能優化有哪些技術方向和手段呢？ 性能優化通常是“時間”與“空間”的互換與取舍。 本篇分兩個部分，在上篇，講解六種通用的“時間”與“空間”互換取舍的手段：

索引術

壓縮術

緩存術

預取術

削峰填谷術

批量處理術

在下篇，介紹四種進階性的內容，大多與提升并行能力有關：

八門遁甲 —— 榨干計算資源

影分身術 —— 水平擴容

奧義 —— 分片術

秘術 —— 無鎖術

每種性能優化的技術手段，我都找了一張應景的《火影忍者》中人物或忍術的配圖，評論區答出任意人物或忍術送一顆小星星。 （注：所有配圖來自動漫《火影忍者》，部分圖片添加了文字方便理解，僅作技術交流用途）

索引術

索引的原理是拿額外的存儲空間換取查詢時間，增加了寫入數據的開銷，但使讀取數據的時間復雜度一般從O(n)降低到O(logn)甚至O(1)。 索引不僅在數據庫中廣泛使用，前后端的開發中也在不知不覺運用。 在數據集比較大時，不用索引就像從一本沒有目錄而且內容亂序的新華字典查一個字，得一頁一頁全翻一遍才能找到； 用索引之后，就像用拼音先在目錄中先找到要查到字在哪一頁，直接翻過去就行了。 書籍的目錄是典型的樹狀結構，那么軟件世界常見的索引有哪些數據結構，分別在什么場景使用呢？

哈希表（Hash Table）：哈希表的原理可以類比銀行辦業務取號，給每個人一個號（計算出的Hash值），叫某個號直接對應了某個人，索引效率是最高的O(1)，消耗的存儲空間也相對更大。K-V存儲組件以及各種編程語言提供的Map/Dict等數據結構，多數底層實現是用的哈希表。

二叉搜索樹（Binary Search Tree）：有序存儲的二叉樹結構，在編程語言中廣泛使用的紅黑樹屬于二叉搜索樹，確切的說是“不完全平衡的”二叉搜索樹。從C++、Java的TreeSet、TreeMap，到Linux的CPU調度，都能看到紅黑樹的影子。Java的HashMap在發現某個Hash槽的鏈表長度大于8時也會將鏈表升級為紅黑樹，而相比于紅黑樹“更加平衡”的AVL樹反而實際用的更少。

平衡多路搜索樹（B-Tree）：這里的B指的是Balance而不是Binary，二叉樹在大量數據場景會導致查找深度很深，解決辦法就是變成多叉樹，MongoDB的索引用的就是B-Tree。

葉節點相連的平衡多路搜索樹（B+ Tree）：B+ Tree是B-Tree的變體，只有葉子節點存數據，葉子與相鄰葉子相連，MySQL的索引用的就是B+樹，Linux的一些文件系統也使用的B+樹索引inode。其實B+樹還有一種在枝椏上再加鏈表的變體：B*樹，暫時沒想到實際應用。

日志結構合并樹（LSM Tree）：Log Structured Merge Tree，簡單理解就是像日志一樣順序寫下去，多層多塊的結構，上層寫滿壓縮合并到下層。LSM Tree其實本身是為了優化寫性能犧牲讀性能的數據結構，并不能算是索引，但在大數據存儲和一些NoSQL數據庫中用的很廣泛，因此這里也列進去了。

字典樹（Trie Tree）：又叫前綴樹，從樹根串到樹葉就是數據本身，因此樹根到枝椏就是前綴，枝椏下面的所有數據都是匹配該前綴的。這種結構能非常方便的做前綴查找或詞頻統計，典型的應用有：自動補全、URL路由。其變體基數樹（Radix Tree）在Nginx的Geo模塊處理子網掩碼前綴用了；Redis的Stream、Cluster等功能的實現也用到了基數樹（Redis中叫Rax）。

跳表（Skip List）：是一種多層結構的有序鏈表，插入一個值時有一定概率“晉升”到上層形成間接的索引。跳表更適合大量并發寫的場景，不存在紅黑樹的再平衡問題，Redis強大的ZSet底層數據結構就是哈希加跳表。

倒排索引（Inverted index）：這樣翻譯不太直觀，可以叫“關鍵詞索引”，比如書籍末頁列出的術語表就是倒排索引，標識出了每個術語出現在哪些頁，這樣我們要查某個術語在哪用的，從術語表一查，翻到所在的頁數即可。倒排索引在全文索引存儲中經常用到，比如ElasticSearch非常核心的機制就是倒排索引；Prometheus的時序數據庫按標簽查詢也是在用倒排索引。

數據庫主鍵之爭：自增長 vs UUID。主鍵是很多數據庫非常重要的索引，尤其是MySQL這樣的RDBMS會經常面臨這個難題：是用自增長的ID還是隨機的UUID做主鍵？ 自增長ID的性能最高，但不好做分庫分表后的全局唯一ID，自增長的規律可能泄露業務信息；而UUID不具有可讀性且太占存儲空間。 爭執的結果就是找一個兼具二者的優點的折衷方案：

用雪花算法生成分布式環境全局唯一的ID作為業務表主鍵，性能尚可、不那么占存儲、又能保證全局單調遞增，但引入了額外的復雜性，再次體現了取舍之道。

再回到數據庫中的索引，建索引要注意哪些點呢？

定義好主鍵并盡量使用主鍵，多數數據庫中，主鍵是效率最高的聚簇索引；

在Where或Group By、Order By、Join On條件中用到的字段也要按需建索引或聯合索引，MySQL中搭配explain命令可以查詢DML是否利用了索引；

類似枚舉值這樣重復度太高的字段不適合建索引（如果有位圖索引可以建），頻繁更新的列不太適合建索引；

單列索引可以根據實際查詢的字段升級為聯合索引，通過部分冗余達到索引覆蓋，以避免回表的開銷；

盡量減少索引冗余，比如建A、B、C三個字段的聯合索引，Where條件查詢A、A and B、A and B and C

都可以利用該聯合索引，就無需再給A單獨建索引了；根據數據庫特有的索引特性選擇適合的方案，比如像MongoDB，還可以建自動刪除數據的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。

數據庫之外，在代碼中也能應用索引的思維，比如對于集合中大量數據的查找，使用Set、Map、Tree這樣的數據結構，其實也是在用哈希索引或樹狀索引，比直接遍歷列表或數組查找的性能高很多。

緩存術

緩存優化性能的原理和索引一樣，是拿額外的存儲空間換取查詢時間。緩存無處不在，設想一下我們在瀏覽器打開這篇文章，會有多少層緩存呢？

首先解析DNS時，瀏覽器一層DNS緩存、操作系統一層DNS緩存、DNS服務器鏈上層層緩存；

發送一個GET請求這篇文章，服務端很可能早已將其緩存在KV存儲組件中了；

即使沒有擊中緩存，數據庫服務器內存中也緩存了最近查詢的數據；

即使沒有擊中數據庫服務器的緩存，數據庫從索引文件中讀取，操作系統已經把熱點文件的內容放置在Page Cache中了；

即使沒有擊中操作系統的文件緩存，直接讀取文件，大部分固態硬盤或者磁盤本身也自帶緩存；

數據取到之后服務器用模板引擎渲染出HTML，模板引擎早已解析好緩存在服務端內存中了；

歷經數十毫秒之后，終于服務器返回了一個渲染后的HTML，瀏覽器端解析DOM樹，發送請求來加載靜態資源；

需要加載的靜態資源可能因Cache-Control在瀏覽器本地磁盤和內存中已經緩存了；

即使本地緩存到期，也可能因Etag沒變服務器告訴瀏覽器304 Not Modified繼續緩存；

即使Etag變了，靜態資源服務器也因其他用戶訪問過早已將文件緩存在內存中了；

加載的JS文件會丟到JS引擎執行，其中可能涉及的種種緩存就不再展開了；

整個過程中鏈條上涉及的所有的計算機和網絡設備，執行的熱點代碼和數據很可能會載入CPU的多級高速緩存。

這里列舉的僅僅是一部分常見的緩存，就有多種多樣的形式：從廉價的磁盤到昂貴的CPU高速緩存，最終目的都是用來換取寶貴的時間。 既然緩存那么好，那么問題就來了：緩存是“銀彈”嗎？ 不，Phil Karlton 曾說過：

There are only two hard things in Computer Science: cache invalidation and naming things.

計算機科學中只有兩件困難的事情：緩存失效和命名規范。 緩存的使用除了帶來額外的復雜度以外，還面臨如何處理緩存失效的問題。

多線程并發編程需要用各種手段（比如Java中的synchronized volatile）防止并發更新數據，一部分原因就是防止線程本地緩存的不一致；

緩存失效衍生的問題還有：緩存穿透、緩存擊穿、緩存雪崩。解決用不存在的Key來穿透攻擊，需要用空值緩存或布隆過濾器；解決單個緩存過期后，瞬間被大量惡意查詢擊穿的問題需要做查詢互斥；解決某個時間點大量緩存同時過期的雪崩問題需要添加隨機TTL；

熱點數據如果是多級緩存，在發生修改時需要清除或修改各級緩存，這些操作往往不是原子操作，又會涉及各種不一致問題。

除了通常意義上的緩存外，對象重用的池化技術，也可以看作是一種緩存的變體。 常見的諸如JVM，V8這類運行時的常量池、數據庫連接池、HTTP連接池、線程池、Golang的sync.Pool對象池等等。 在需要某個資源時從現有的池子里直接拿一個，稍作修改或直接用于另外的用途，池化重用也是性能優化常見手段。

壓縮術

說完了兩個“空間換時間”的，我們再看一個“時間換空間”的辦法——壓縮。 壓縮的原理消耗計算的時間，換一種更緊湊的編碼方式來表示數據。 為什么要拿時間換空間？時間不是最寶貴的資源嗎？ 舉一個視頻網站的例子，如果不對視頻做任何壓縮編碼，因為帶寬有限，巨大的數據量在網絡傳輸的耗時會比編碼壓縮的耗時多得多。 對數據的壓縮雖然消耗了時間來換取更小的空間存儲，但更小的存儲空間會在另一個維度帶來更大的時間收益。 這個例子本質上是：“操作系統內核與網絡設備處理負擔 vs 壓縮解壓的CPU/GPU負擔”的權衡和取舍。 我們在代碼中通常用的是無損壓縮，比如下面這些場景:

HTTP協議中Accept-Encoding添加Gzip/deflate，服務端對接受壓縮的文本（JS/CSS/HTML）請求做壓縮，大部分圖片格式本身已經是壓縮的無需壓縮；

HTTP2協議的頭部HPACK壓縮；

JS/CSS文件的混淆和壓縮（Uglify/Minify）；

一些RPC協議和消息隊列傳輸的消息中，采用二進制編碼和壓縮（Gzip、Snappy、LZ4等等）；

緩存服務存過大的數據，通常也會事先壓縮一下再存，取的時候解壓；

一些大文件的存儲，或者不常用的歷史數據存儲，采用更高壓縮比的算法存儲；

JVM的對象指針壓縮，JVM在32G以下的堆內存情況下默認開啟“UseCompressedOops”，用4個byte就可以表示一個對象的指針，這也是JVM盡量不要把堆內存設置到32G以上的原因；

MongoDB的二進制存儲的BSON相對于純文本的JSON也是一種壓縮，或者說更緊湊的編碼。但更緊湊的編碼也意味著更差的可讀性，這一點也是需要取舍的。純文本的JSON比二進制編碼要更占存儲空間但卻是REST API的主流，因為數據交換的場景下的可讀性是非常重要的。

信息論告訴我們，無損壓縮的極限是信息熵。進一步減小體積只能以損失部分信息為代價，也就是有損壓縮。 那么，有損壓縮有哪些應用呢？

預覽和縮略圖，低速網絡下視頻降幀、降清晰度，都是對信息的有損壓縮；

音視頻等多媒體數據的采樣和編碼大多是有損的，比如MP3是利用傅里葉變換，有損地存儲音頻文件；jpeg等圖片編碼也是有損的。雖然有像WAV/PCM這類無損的音頻編碼方式，但多媒體數據的采樣本身就是有損的，相當于只截取了真實世界的極小一部分數據；

散列化，比如K-V存儲時Key過長，先對Key執行一次“傻”系列（SHA-1、SHA-256）哈希算法變成固定長度的短Key。另外，散列化在文件和數據驗證（MD5、CRC、HMAC）場景用的也非常多，無需耗費大量算力對比完整的數據。

除了有損/無損壓縮，但還有一個辦法，就是壓縮的極端——從根本上減少數據或徹底刪除。 能減少的就減少：

JS打包過程“搖樹”，去掉沒有使用的文件、函數、變量；

開啟HTTP/2和高版本的TLS，減少了Round Trip，節省了TCP連接，自帶大量性能優化；

減少不必要的信息，比如Cookie的數量，去掉不必要的HTTP請求頭；

更新采用增量更新，比如HTTP的PATCH，只傳輸變化的屬性而不是整條數據；

縮短單行日志的長度、縮短URL、在具有可讀性情況下用短的屬性名等等；

使用位圖和位操作，用風騷的位操作最小化存取的數據。典型的例子有：用Redis的位圖來記錄統計海量用戶登錄狀態；布隆過濾器用位圖排除不可能存在的數據；大量開關型的設置的存儲等等。

能刪除的就刪除：

刪掉不用的數據；

刪掉不用的索引；

刪掉不該打的日志；

刪掉不必要的通信代碼，不去發不必要的HTTP、RPC請求或調用，輪詢改發布訂閱；

終極方案：砍掉整個功能。

畢竟有位叫做 Kelsey Hightower 的大佬曾經說過：

No code is the best way to write secure and reliable applications. Write nothing; deploy nowhere

不寫代碼，是編寫安全可靠的應用程序的最佳方式。什么都不寫；哪里都不部署。

預取術

預取通常搭配緩存一起用，其原理是在緩存空間換時間基礎上更進一步，再加上一次“時間換時間”，也就是：用事先預取的耗時，換取第一次加載的時間。 當可以猜測出以后的某個時間很有可能會用到某種數據時，把數據預先取到需要用的地方，能大幅度提升用戶體驗或服務端響應速度。

是否用預取模式就像自助餐餐廳與廚師現做的區別，在自助餐餐廳可以直接拿做好的菜品，一般餐廳需要坐下來等菜品現做。 那么，預取在哪些實際場景會用呢？

視頻或直播類網站，在播放前先緩沖一小段時間，就是預取數據。有的在播放時不僅預取這一條數據，甚至還會預測下一個要看的其他內容，提前把數據取到本地；

HTTP/2 Server Push，在瀏覽器請求某個資源時，服務器順帶把其他相關的資源一起推回去，HTML/JS/CSS幾乎同時到達瀏覽器端，相當于瀏覽器被動預取了資源；

一些客戶端軟件會用常駐進程的形式，提前預取數據或執行一些代碼，這樣可以極大提高第一次使用的打開速度；

服務端同樣也會用一些預熱機制，一方面熱點數據預取到內存提前形成多級緩存；另一方面也是對運行環境的預熱，載入CPU高速緩存、熱點函數JIT編譯成機器碼等等；

熱點資源提前預分配到各個實例，比如：秒殺、售票的庫存性質的數據；分布式唯一ID等等

天上不會掉餡餅，預取也是有副作用的。 正如烤箱預熱需要消耗時間和額外的電費，在軟件代碼中做預取/預熱的副作用通常是啟動慢一些、占用一些閑時的計算資源、可能取到的不一定是后面需要的。

削峰填谷術

削峰填谷的原理也是“時間換時間”，谷時換峰時。 削峰填谷與預取是反過來的：預取是事先花時間做，削峰填谷是事后花時間做。就像三峽大壩可以抗住短期巨量洪水，事后雨停再慢慢開閘防水。軟件世界的“削峰填谷”是類似的，只是不是用三峽大壩實現，而是用消息隊列、異步化等方式。 常見的有這幾類問題，我們分別來看每種對應的解決方案：

針對前端、客戶端的啟動優化或首屏優化：代碼和數據等資源的延時加載、分批加載、后臺異步加載、或按需懶加載等等。

背壓控制 - 限流、節流、去抖等等。一夫當關，萬夫莫開，從入口處削峰，防止一些惡意重復請求以及請求過于頻繁的爬蟲，甚至是一些DDoS攻擊。簡單做法有網關層根據單個IP或用戶用漏桶控制請求速率和上限；前端做按鈕的節流去抖防止重復點擊；網絡層開啟TCP SYN Cookie防止惡意的SYN洪水攻擊等等。徹底杜絕爬蟲、黑客手段的惡意洪水攻擊是很難的，DDoS這類屬于網絡安全范疇了。

針對正常的業務請求洪峰，用消息隊列暫存再異步化處理：常見的后端消息隊列Kafka、RocketMQ甚至Redis等等都可以做緩沖層，第一層業務處理直接校驗后丟到消息隊列中，在洪峰過去后慢慢消費消息隊列中的消息，執行具體的業務。另外執行過程中的耗時和耗計算資源的操作，也可以丟到消息隊列或數據庫中，等到谷時處理。

捋平毛刺：有時候洪峰不一定來自外界，如果系統內部大量定時任務在同一時間執行，或與業務高峰期重合，很容易在監控中看到“毛刺”——短時間負載極高。一般解決方案就是錯峰執行定時任務，或者分配到其他非核心業務系統中，把“毛刺”攤平。比如很多數據分析型任務都放在業務低谷期去執行，大量定時任務在創建時盡量加一些隨機性來分散執行時間。

避免錯誤風暴帶來的次生洪峰：有時候網絡抖動或短暫宕機，業務會出現各種異常或錯誤。這時處理不好很容易帶來次生災害，比如：很多代碼都會做錯誤重試，不加控制的大量重試甚至會導致網絡抖動恢復后的瞬間，積壓的大量請求再次沖垮整個系統；還有一些代碼沒有做超時、降級等處理，可能導致大量的等待耗盡TCP連接，進而導致整個系統被沖垮。解決之道就是做限定次數、間隔指數級增長的Back-Off重試，設定超時、降級策略。

批量處理術

批量處理同樣可以看成“時間換時間”，其原理是減少了重復的事情，是一種對執行流程的壓縮。以個別批量操作更長的耗時為代價，在整體上換取了更多的時間。 批量處理的應用也非常廣泛，我們還是從前端開始講：

打包合并的JS文件、雪碧圖等等，將一批資源集中到一起，一次性傳輸；

前端動畫使用requestAnimationFrame在UI渲染時批量處理積壓的變化，而不是有變化立刻更新，在游戲開發中也有類似的應用；

前后端中使用隊列暫存臨時產生的數據，積壓到一定數量再批量處理；在不影響可擴展性情況下，一個接口傳輸多種需要的數據，減少大量ajax調用（GraphQL在這一點就做到了極致）；

系統間通信盡量發送整批數據，比如消息隊列的發布訂閱、存取緩存服務的數據、RPC調用、插入或更新數據庫等等，能批量做盡可能批量做，因為這些系統間通信的I/O時間開銷已經很昂貴了；

數據積壓到一定程度再落盤，操作系統本身的寫文件就是這么做的，Linux的fwrite只是寫入緩沖區暫存，積壓到一定程度再fsync刷盤。在應用層，很多高性能的數據庫和K-V存儲的實現都體現了這一點：一些NoSQL的LSM Tree的第一層就是在內存中先積壓到一定大小再往下層合并；Redis的RDB結合AOF的落盤機制；Linux系統調用也提供了批量讀寫多個緩沖區文件的系統調用：readv/writev；

延遲地批量回收資源，比如JVM的Survivor Space的S0和S1區互換、Redis的Key過期的清除策略。

批量處理如此好用，那么問題來了，每一批放多大最合適呢？ 這個問題其實沒有定論，有一些個人經驗可以分享。

前端把所有文件打包成單個JS，大部分時候并不是最優解。Webpack提供了很多分塊的機制，CSS和JS分開、JS按業務分更小的Chunk結合懶加載、一些體積大又不用在首屏用的第三方庫設置external或單獨分塊，可能整體性能更高。不一定要一批搞定所有事情，分幾個小批次反而用戶體驗的性能更好。

Redis的MGET、MSET來批量存取數據時，每批大小不宜過大，因為Redis主線程只有一個，如果一批太大執行期間會讓其他命令無法響應。經驗上一批50-100個Key性能是不錯的，但最好在真實環境下用真實大小的數據量化度量一下，做Benchmark測試才能確定一批大小的最優值。

MySQL、Oracle這類RDBMS，最優的批量Insert的大小也視數據行的特性而定。我之前在2U8G的Oracle上用一些普遍的業務數據做過測試，批量插入時每批5000-10000條數據性能是最高的，每批過大會導致DML的解析耗時過長，甚至單個SQL語句體積超限，單批太多反而得不償失。

消息隊列的發布訂閱，每批的消息長度盡量控制在1MB以內，有些云服務商提供的消息隊列限制了最大長度，那這個長度可能就是性能拐點，比如AWS的SQS服務對單條消息的限制是256KB。

總之，多大一批可以確保單批響應時間不太長的同時讓整體性能最高，是需要在實際情況下做基準測試的，不能一概而論。而批量處理的副作用在于：處理邏輯會更加復雜，尤其是一些涉及事務、并發的問題；需要用數組或隊列用來存放緩沖一批數據，消耗了額外的存儲空間。

作者：code2life 在此特別鳴謝！