当前位置： 首页 > java >正文

性能优化 - 高级进阶: Spring Boot服务性能优化

java 2025/6/17 19:08:43

文章目录

    • Pre
    • 引言：为何提前暴露指标与分析的重要性
    • 指标暴露与监控接入
      • Prometheus 集成
    • 性能剖析工具：火焰图与 async-profiler
      • async-profiler 下载与使用
      • 结合 Flame 图优化示例
    • HTTP 及 Web 层优化
      • CDN 与静态资源加速
      • Cache-Control/Expires 在 Nginx 中配置示例
      • 减少域名数量
      • Gzip 及资源压缩配置
      • Keep-Alive 配置
    • SpringBoot 容器调优
      • 自定义嵌入式 Tomcat
      • 替换 Undertow
      • JVM 参数回顾
    • 应用性能监控与分布式追踪
      • SkyWalking 集成
    • 各层优化思路
      • Controller 层
      • Service 层
        • 传统事务 vs 柔性事务
      • DAO 层
      • 缓存优化
      • 资源与线程管理
      • 端到端测试与压测
    • 小结

在这里插入图片描述

Pre

性能优化 - 理论篇：常见指标及切入点

性能优化 - 理论篇：性能优化的七类技术手段

性能优化 - 理论篇：CPU、内存、I/O诊断手段

性能优化 - 工具篇：常用的性能测试工具

性能优化 - 工具篇：基准测试 JMH

性能优化 - 案例篇：缓冲区

性能优化 - 案例篇：缓存

性能优化 - 案例篇：数据一致性

性能优化 - 案例篇：池化对象_Commons Pool 2.0通用对象池框架

性能优化 - 案例篇：大对象的优化

性能优化 - 案例篇：使用设计模式优化性能

性能优化 - 案例篇：并行计算

性能优化 - 案例篇：多线程锁的优化

性能优化 - 案例篇：CAS、乐观锁、分布式锁和无锁

性能优化 - 案例篇： 详解 BIO NIO AIO

性能优化 - 案例篇： 19 条常见的 Java 代码优化法则

性能优化 - 案例篇：JVM垃圾回收器

性能优化 - 案例篇：JIT

性能优化 - 案例篇：11种优化接口性能的通用方案

性能优化 - 高级进阶：JVM 常见优化参数

引言：为何提前暴露指标与分析的重要性

在正式进行性能优化之前，必须先“看得到”系统运行状况：缓存命中率、数据库连接池使用情况、响应时长分布、CPU/内存消耗、垃圾回收停顿等。只有掌握真实数据，才能有针对性地优化；盲目调整往往事倍功半，甚至适得其反。

指标暴露与监控接入

Prometheus 集成

  1. Maven 依赖

    <dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-actuator</artifactId>
</dependency>
<dependency><groupId>io.micrometer</groupId><artifactId>micrometer-core</artifactId>
</dependency>
<dependency><groupId>io.micrometer</groupId><artifactId>micrometer-registry-prometheus</artifactId>
</dependency>

  2. application.properties / application.yml 配置

    management.endpoint.metrics.enabled=true
management.endpoint.prometheus.enabled=true
management.endpoints.web.exposure.include=health,info,prometheus,metrics
management.metrics.export.prometheus.enabled=true
management.endpoint.health.show-details=always
# 可根据需要开放其他端点，如 httptrace、threaddump

  3. 启动与访问

    • 启动后，访问 http://<host>:<port>/actuator/prometheus 可看到所有默认与自定义指标。

    • 配置 Prometheus server 抓取该 endpoint，例如在 prometheus.yml:

      scrape_configs:- job_name: 'springboot-app'metrics_path: '/actuator/prometheus'static_configs:- targets: ['app-host:port']

  4. 自定义业务指标示例

    @RestController
public class TestController {private final MeterRegistry registry;public TestController(MeterRegistry registry) {this.registry = registry;}@GetMapping("/test")public String test() {registry.counter("app_test_invocations", "from", "127.0.0.1", "method", "test").increment();return "ok";}
}
    • 在 Prometheus 中可见指标如 app_test_invocations_total{from="127.0.0.1",method="test"} 5.0

在这里插入图片描述

  • 对于缓存命中率，可在缓存拦截或 CacheManager 事件中注册 Counter/Gauge，例如：

    Cache<Object, Object> cache = ...; // 若使用 Caffeine，可 attach 监听
// 当命中时 registry.counter("cache_hit", "cache", "myCache").increment();
// 当未命中时 registry.counter("cache_miss", "cache", "myCache").increment();

  1. Grafana 可视化与 AlertManager

    • 在 Grafana 中配置 Prometheus 数据源，创建 Dashboard 展示：

      • JVM 内存、GC 停顿、线程数
      • HTTP 请求速率、延迟分布（可借助 Histogram/Summary）
      • 缓存命中率：hit/(hit+miss)
      • 数据库连接池使用率：活跃连接数 vs 最大连接数

    • AlertManager 配置告警规则，例如：

      • 95% 延迟超过阈值
      • GC 停顿时长过长
      • 连接池耗尽告警

    • 此部分可参考 Prometheus 与 Grafana 官方文档，自行搭建实验环境。

在这里插入图片描述

性能剖析工具：火焰图与 async-profiler

async-profiler 下载与使用

  1. 从 GitHub 下载 async-profiler release 包，解压至服务器目录，如 /opt/async-profiler。

  2. 启动 SpringBoot 应用时，添加 javaagent 参数：

    java -agentpath:/opt/async-profiler/build/libasyncProfiler.so=start,svg,file=profile.svg -jar your-app.jar

  3. 运行一段业务场景（压测或真实流量），然后停止进程或通过 async-profiler 提供的 CLI 停止采样：

    # 若不想重启，可 attach 模式：
./profiler.sh -d 30 -f profile.svg <pid>

  4. 查看生成的 profile.svg，用浏览器打开：

在这里插入图片描述

  • 横轴表示消耗的采样比例，宽度越大表示更耗时的方法。
  • 纵向为调用栈层级。
  • 从最宽处逐层向下分析，找到热点方法，结合源代码定位优化点。

结合 Flame 图优化示例

  • 若热点在某个慢方法，可查看方法内部逻辑：是否存在不必要的循环、I/O 阻塞，或可并行优化。
  • 若热点在序列化/反序列化，可考虑更高效的库或减小返回对象结构。
  • 若大量时间在 GC，可结合 GC 日志分析堆配置是否合理。

HTTP 及 Web 层优化

在这里插入图片描述

CDN 与静态资源加速

  • 将常用静态资源（JS、CSS、图片）托管于 CDN，减轻后端压力；用户访问时由地理就近节点提供。
  • 对第三方库可使用公共 CDN；自有资源可上传到 CDN 或静态文件服务器。

Cache-Control/Expires 在 Nginx 中配置示例

location ~* \.(ico|gif|jpg|jpeg|png|css|js)$ {add_header Cache-Control "max-age=31536000, immutable";
}
  • 根据资源更新策略设置版本号或文件指纹，保证缓存命中又可及时更新。

减少域名数量

  • 将静态资源和 API 接口合理合并域名；避免过多不同子域导致 DNS 查询延迟。
  • 可启用 HTTP/2 时，多路复用可减少域名依赖，但 HTTP/2 支持需服务器和客户端皆启用。

Gzip 及资源压缩配置

gzip on;
gzip_min_length 1k;
gzip_buffers 4 16k;
gzip_comp_level 6;
gzip_http_version 1.1;
gzip_types text/plain application/javascript text/css application/json;
  • 确保对动态 JSON 接口开启 gzip，减小响应体体积。
  • 对大型静态文件可在构建时先行压缩（如 Brotli），结合 Nginx 支持。

Keep-Alive 配置

  • 客户端与 Nginx：

    http {keepalive_timeout  60s 60s;keepalive_requests 10000;
}

  • Nginx 与 SpringBoot 后端长连接：

    location / {proxy_pass http://backend;proxy_http_version 1.1;proxy_set_header Connection "";
}

  • SpringBoot/Tomcat 默认支持 Keep-Alive；可通过自定义 Connector 调整超时。

SpringBoot 容器调优

自定义嵌入式 Tomcat

如果项目并发量比较高，想要修改最大线程数、最大连接数等配置信息，可以通过自定义Web 容器的方式，代码如下所示。

@SpringBootApplication(proxyBeanMethods = false)
public class App implements WebServerFactoryCustomizer<ConfigurableServletWebServerFactory> {public static void main(String[] args) {SpringApplication.run(App.class, args);}@Overridepublic void customize(ConfigurableServletWebServerFactory factory) {if (factory instanceof TomcatServletWebServerFactory) {TomcatServletWebServerFactory f = (TomcatServletWebServerFactory) factory;f.setProtocol("org.apache.coyote.http11.Http11Nio2Protocol");f.addConnectorCustomizers(c -> {Http11NioProtocol protocol = (Http11NioProtocol) c.getProtocolHandler();protocol.setMaxConnections(200);protocol.setMaxThreads(200);protocol.setConnectionTimeout(30000);// protocol.setSelectorTimeout(3000); // NIO2 可选项});}}
}
  • 设置协议为 NIO2 可在高并发 I/O 场景下提升性能；需基准测试验证。
  • setMaxThreads 和 setMaxConnections 值根据服务器硬件资源与业务并发调整，可在压测环境多次尝试并观察响应延迟、CPU 利用率、线程使用情况。
    在这里插入图片描述

替换 Undertow

  • 在 pom.xml 中排除 Tomcat 并引入 Undertow：

    <dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-web</artifactId><exclusions><exclusion><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-tomcat</artifactId></exclusion></exclusions>
</dependency>
<dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-undertow</artifactId>
</dependency>

  • Undertow 线程模型和资源占用一般较轻；需要在业务场景中压测对比。

  • 注意部分 Tomcat 特有配置不适用，需调整监控指标对应项。

JVM 参数回顾

  • 结合性能优化 - 高级进阶：JVM 常见优化参数
    ，可启动时传入：

    -XX:+UseG1GC -Xms2048m -Xmx2048m -XX:+AlwaysPreTouch -XX:MaxMetaspaceSize=256m -XX:ReservedCodeCacheSize=240m -XX:MaxDirectMemorySize=512m
-XX:+HeapDumpOnOutOfMemoryError -XX:HeapDumpPath=/path/to/dumps -XX:ErrorFile=/path/to/hs_err_pid%p.log
-Xlog:gc*,gc+age=trace,safepoint:file=logs/gc.log:utctime,pid,tags:filecount=5,filesize=100m

  • 根据硬件和应用特点调整堆大小；若GC停顿问题突出，可结合 async-profiler 和 GC 日志深入分析。

应用性能监控与分布式追踪

SkyWalking 集成

在这里插入图片描述

  1. 下载与部署

    • 下载 SkyWalking Agent 和后端服务（按存储类型，如 Elasticsearch 存储版）。
    • 部署 SkyWalking 后端：配置 Storage、UI、Collector。

  2. 启动应用时添加 Agent

    java -javaagent:/opt/skywalking-agent/skywalking-agent.jar \-Dskywalking.agent.service_name=your-service-name \-Dskywalking.collector.backend_service=collector-host:11800 \-jar your-app.jar

  3. 查看调用链与指标

    • 访问 SkyWalking UI，可看到每次请求的调用链图、各段耗时、数据库/HTTP 调用详情、JVM 指标、GC 指标。
    • 结合 Prometheus 等指标，综合判断：若某接口响应慢，可查看是哪一段（查询、序列化、远程调用等）成为瓶颈。

  4. 报警与自动化

    • 可结合 SkyWalking 的告警和 Prometheus AlertManager 设置阈值告警。
    • 定期分析热点接口和突发异常请求流，制定优化计划。

各层优化思路

Controller 层

  • DTO 精简与分页：避免一次性返回过大结果集；对列表数据使用分页或流式方式（如 Spring MVC StreamingResponseBody）。
  • JSON 序列化优化：选择高性能序列化库（Jackson 已较快，可开启 Afterburner 模块），避免将不必要字段序列化。
  • 输入校验与限流：对异常或恶意请求提前拦截，减少无效处理。
  • 幂等性与缓存：对可缓存接口，如 GET 查询，结合 HTTP 缓存头或后端缓存减少重复计算。

Service 层

  • 无状态设计：Service Bean 默认单例无状态，避免在 Bean 中维护请求级状态。

  • 合理拆分与职责分离：将复杂逻辑拆成小模块，便于监控与优化。

  • 异步与并行：对于可并行处理的子任务，可使用 CompletableFuture、异步消息队列等；但要注意线程池配置与上下文传递。

  • 缓存策略：

    • 本地缓存（Caffeine）：低延迟、减轻远程调用压力；监控命中率，避免缓存污染。
    • 分布式缓存（Redis）：适用于共享场景；注意 TTL 策略、防止缓存穿透（布隆过滤、请求预热）、防止雪崩（加随机过期）、防止击穿（互斥锁或预加载）。

  • 避免重复计算与请求合并：对重复请求可合并或去重，减少下游压力。

  • 分布式事务讨论：

    • 两阶段提交、TCC、本地消息表、MQ事务消息等方案都会增加延迟与资源占用；仅在必要场景使用。

在这里插入图片描述

  • 优先考虑补偿事务与柔性事务，实现最终一致性；通过幂等设计与补偿逻辑将风险和性能开销控制在可接受范围内。
    在这里插入图片描述

如上图，分布式事务要在改造成本、性能、时效等方面进行综合考虑。有一个介于分布式事务和非事务之间的名词，叫作柔性事务。柔性事务的理念是将业务逻辑和互斥操作，从资源层上移至业务层面。

传统事务 vs 柔性事务

关于传统事务和柔性事务，我们来简单比较一下。

ACID

关系数据库, 最大的特点就是事务处理, 即满足 ACID。

  • 原子性（Atomicity）：事务中的操作要么都做，要么都不做。

  • 一致性（Consistency）：系统必须始终处在强一致状态下。

  • 隔离性（Isolation）：一个事务的执行不能被其他事务所干扰。

  • 持久性（Durability）：一个已提交的事务对数据库中数据的改变是永久性的。

BASE

BASE 方法通过牺牲一致性和孤立性来提高可用性和系统性能。

BASE 为 Basically Available、Soft-state、Eventually consistent 三者的缩写，其中 BASE 分别代表：

  • 基本可用（Basically Available）：系统能够基本运行、一直提供服务。

  • 软状态（Soft-state）：系统不要求一直保持强一致状态。

  • 最终一致性（Eventual consistency）：系统需要在某一时刻后达到一致性要求。

互联网业务，推荐使用补偿事务，完成最终一致性。比如，通过一系列的定时任务，完成对数据的修复。

DAO 层

  • ORM 使用注意：

    • 懒加载原则：避免无意触发大量关联查询，合理使用 FetchType.LAZY，并在Service层通过显式查询或 DTO 投影避免 N+1。
    • 批量操作：对于大量写场景，使用批量插入/更新。

  • SQL 优化与索引：分析慢查询日志、使用 EXPLAIN 确认索引命中，避免全表扫描。

  • 分库分表注意：理解中间件实现原理，避免误以为简单 SQL 实现即高效；关注路由开销与合并成本。

  • 数据库连接池：

    • HikariCP 默认已非常高效，但仍需监控活跃连接数、等待时长；根据业务并发调整最大连接数，避免连接池耗尽或空闲过多浪费资源。
    • 在 Prometheus 中可通过 HikariPool 指标收集连接使用情况，适时调整。

缓存优化

  • Caffeine：适合本地缓存，低延迟；需监控缓存大小、命中率、加载延迟；避免过大导致内存占用过高。

  • Redis：

    • 连接池配置：监控和调整 Lettuce/Redisson 连接数；注意阻塞或过度并发导致连接耗尽。
    • 数据序列化：选择高效序列化方式（如 JSON、Kryo、FST 等），兼顾可读性与性能。
    • 缓存策略：参见上文防护策略；结合业务场景设计合理 TTL。

  • 二级缓存：对数据库读密集应用，可考虑本地+分布式二级缓存架构；注意缓存一致性。

资源与线程管理

  • 线程池配置：

    • 对于异步任务、自定义 Executor，设置合适的 core/max pool size、queue size；监控线程活跃度、队列长度，防止任务堆积。
    • 对于定时任务，避免过多定时线程争抢资源。

  • 非阻塞与异步：

    • 若业务适合，可使用 WebFlux 或 Reactor，但需慎重考虑团队熟悉度与实际场景；异步场景要注意线程切换开销和上下文传递。
    • 对外 HTTP 调用可使用异步 HTTP 客户端（如 WebClient），避免阻塞线程。

端到端测试与压测

  • 压测工具：wrk、JMeter、Locust 等
  • 测前准备：确保监控、日志、profiling 准备完毕；在测试环境部署与生产相近的架构。
  • 测试脚本设计：模拟真实业务流量，包括登录、查询、写入等混合场景。
  • 结果分析：结合 Prometheus/Grafana 监控数据和火焰图，找出瓶颈；反复调优并回归测试，评估改动效果。
  • 负载模型：考虑渐增负载测试、稳定性测试、持久压力测试，观察资源消耗与响应曲线。

小结

  • 指标采集—剖析—优化—验证是闭环流程：始终保持对系统可观测性。
  • 渐进式改动：在非生产环境验证，避免一次性大改带来风险；生产环境小步部署与监控回滚准备。
  • CI/CD 集成：可在持续集成/部署流程中集成简单的健康检查和性能基准测试。
  • 定期回顾：定时检查关键接口的性能指标，防止代码或依赖升级带来性能回退。
  • 团队协作：文档化优化经验，分享给团队成员，形成共识和规范。

在这里插入图片描述

http://www.xdnf.cn/news/14281.html

相关文章：

  • C#设计模式之AbstractFactory_抽象工厂_对象创建新模式-学习
  • leetcode23-合并K个升序链表
  • Docker + PyFlink1.17 数据写入 MySQL
  • 技术选型指南：如何选择更适合项目的开源语言及其生态系统
  • ESP32 005 MicroPython I2S 实现音频传输与播放
  • 【数据可视化】Pyecharts-家乡地图
  • 从0开始学习语言模型--Day02-如何最大化利用硬件
  • Python OpenCV 4.10 库详解
  • 中科院医学1区Top：解放军医学院利用多组学+网络药理学+转录组测序联合解析苗药七角生白胶囊抗白细胞减少症的分子机制
  • AORSA编译指南
  • 探索niri：让你的Linux桌面布局无拘无束
  • HTTP 协议里15种请求方法及示例
  • 无监督 vs 有监督的本质区别
  • 数据赋能（256）——数据赋能业务——产品和服务变现
  • Linux 命令：source 用法详解与直接执行脚本的区别
  • 2.7 Conan简单使用
  • open GL 和 vulkan
  • Docker容器中运行OpenMPI并行程序, 参数调优
  • 嵌入式学习笔记 - HAL库对外设的封装
  • 【Linux命令】查看内核版本命令
  • C++批量读取指定后缀文件
  • 【C++进阶篇】哈希的应用（位图）
  • 深度解析Vue.js组件开发与实战案例
  • 商用密码基础知识介绍（上）
  • python与java的区别
  • 深入解析ReentrantReadWriteLock读写锁机制
  • 【python深度学习】Day53 对抗生成网络
  • 人工智能学习23-BP-图像编码
  • c++编译第三方项目报错# pragma warning( disable: 4273)
  • HTML5白云飘飘动态效果教程