七叶笔记 » golang编程 » 发现一个开源项目优化点,点进来就是你的了

发现一个开源项目优化点,点进来就是你的了

hello,大家好呀,我是小楼。

最近无聊(摸)闲逛(鱼)github时,发现了一个 阿里 开源项目可以贡献代码的地方。

不是写单测、改代码格式那种,而是比较有挑战的 性能优化 ,最关键的是还不难,仔细看完本文后,有点基础就能写出来的那种,话不多说,发车!

相信大家在日常写代码获取时间戳时,会写出如下代码:

 long ts = System.currentTimeMillis();
  

读者中还有一些 Gopher ,我们用 Go 也写一遍:

 UnixTimeUnitOffset = uint64(time.Millisecond / time.Nanosecond)
ts := uint64(time.Now().UnixNano()) / UnixTimeUnitOffset
  

在一般情况下这么写,或者说在99%的情况下这么写一点问题都没有,但有位大佬研究了 Java 下时间戳的获取:

他得出了一个结论:并发越高,获取时间戳越慢!

具体到细节咱也不是很懂,大概原因是由于只有一个全局时钟源,高并发或频繁访问会造成严重的争用。

缓存时间戳

我最早接触到用缓存时间戳的方式来优化是在Cobar这个项目中:

由于Cobar是一款数据库中间件,它的QPS可能会非常高,所以才有了这个优化,我们瞅一眼他的实现:

  • 起一个单独的 线程 每隔20ms获取一次时间戳并缓存起来
  • 使用时间戳时直接取缓存

 /**
 * 弱精度的计时器,考虑性能不使用同步策略。
 * 
 * @author xianmao.hexm 2011-1-18 下午06:10:55
 */public class TimeUtil {
     private   static  long  CURRENT _TIME = System.currentTimeMillis();

    public static final long currentTimeMillis() {
        return CURRENT_TIME;
    }

    public static final  void  update() {
        CURRENT_TIME = System.currentTimeMillis();
    }
}
  

 timer.schedule(updateTime(), 0L, TIME_UPDATE_PERIOD); // TIME_UPDATE_PERIOD 是 20ms
...
// 系统时间定时更新任务
private TimerTask updateTime() {
    return new TimerTask() {
        @Override
        public void run() {
            TimeUtil.update();
        }
    };
}
  

Cobar之所以这么干,一是因为往往他的QPS非常高,这样可以减少获取时间戳的 CPU 消耗或者耗时;其次是这个时间戳在Cobar内部只做统计使用,就算不准确也并无大碍,从实现上看也确实是 弱精度

后来我也在其他的代码中看到了类似的实现,比如 Sentinel (不是 Redis 的Sentinel,而是阿里开源的限流熔断利器Sentinel)。

Sentinel作为一款限流熔断的工具,自然是自身的开销越小越好,于是同样都是出自阿里的Sentinel也用了和Cobar类似的实现: 缓存时间戳

原因也很简单,尽可能减少对系统资源的消耗,获取时间戳的性能要更优秀,但又不能和Cobar那样搞个弱精度的时间戳,因为Sentinel获取到的时间戳很可能就决定了一次请求是否被限流、熔断。

所以解决办法也很简单,直接将缓存时间戳的间隔改成 1毫秒

去年我还写过一篇文章《低开销获取时间戳》,里面有Sentinel这段代码:

甚至后来的Sentinel-Go也采取了一模一样的逻辑:

以前没有多想,认为这样并没有什么不妥。

直到前两天晚上,没事在Sentinel-Go社区中瞎逛,看到了一个issue,大受震撼:

提出这位issue的大佬在第一段就给出了非常有见解的观点:

说的比较委婉,什么叫「负向收益」?

我又搜索了一下,找到了这个issue:

TimeUtil吃掉了50%的CPU,这就是「负向收益」,还是比较震惊的!

看到这个issue,我简单地想了下:

  • 耗时:获取时间戳在一般情况下耗时几乎都不会影响到系统,尤其是我们常写的业务系统
  • CPU:假设每毫秒缓存一次时间戳,抛开其他开销不说,每秒就有1000次获取时间戳的调用,如果每次请求中只有1次获取时间戳的操作,那么至少得有1000QPS的请求,才能填平缓存时间戳的开销,况且还有其他开销

但这只是我们的想当然,如果有数据支撑就又说服力了。为此前面提出「负向收益」的大佬做了一系列分析和测试,我们白嫖一下他的成果:

看完后我跪在原地,久久不能起身。

课代表来做个总结:

  • 缓存时间戳开销最大的地方是sleep和获取时间戳
  • 理论上来说单机QPS需要大于4800才会有正向收益,真实测试结果也是在4000QPS以内都没有正向收益
  • 如果不要这个缓存时间戳,获取时间戳耗时会增加,但这在可接受范围内
  • 鉴于常规情况下QPS很少会达到4K,所以最后结论是在Sentinel-Go中默认禁用这个特性

这一顿操作下来,连Sentinel社区的大佬也觉得很棒,竖起来大拇指:

然而做了这么多测试,最后的修改就只是把true改成false:

自适应算法

本来我以为看到这位大佬的测试已经是非常有收获了,没想到接下去的闲逛又让我发现了一个更了不得的东西。

既然上面分析出来,在QPS比较高的情况下,收益才能抵消被抵消,那么有没有可能实现一个自适应的算法,在QPS较低的时候直接从系统获取,QPS较高时,从缓存获取。

果不其然,Sentinel(Java版,版本>=1.8.2)已经实现了!

issue参考:

我们捋一下它的实现:

我们首先看最核心的缓存时间戳的循环(每毫秒执行1次),在这个循环中,它将 缓存 时间戳分成了三个状态:

  • RUNNING:运行态,执行缓存时间戳策略,并统计写时间戳的QPS(把对缓存时间戳的读写QPS分开统计)
  • IDLE:空闲态(初始状态),什么都不做,只休眠300毫秒
  • PREPARE:准备态,缓存时间戳,但不统计QPS

这三个状态怎么流转呢?答案在开头调用的 check 方法中:

首先check逻辑有个间隔,也就是每隔一段时间(3秒)来做一次状态转换;

其次如果当前状态是 空闲态 并且读QPS大于 HITS_UPPER_BOUNDARY (1200),则切换为 准备态

如果当前状态是 运行态 且读QPS小于 HITS_LOWER_BOUNDARY (800),则切换为 空闲态

发现似乎少了切换到 运行态 的分支,看上面的循环中,第三个 准备态 的分支运行一次就将状态切换为 运行态 了。

这是为啥?其实 准备态 只是为了让程序从 空闲态 切换到 运行态 时过渡的更平滑,因为 空闲态 下缓存时间戳不再更新,如果没有过渡直接切换到 运行态 ,那可能切换后获取的时间戳是有误差的。

文字可能不直观,我们画一个状态流转图:

最后这些准备好了,获取时需要做两件事:一是统计读时间戳的QPS,二是获取时间戳;如果是 空闲态 准备态 则直接获取系统时间返回,如果是 运行态 则从缓存中拿时间戳。

当程序比较空闲时,不会缓存时间戳,降低CPU的消耗,QPS较高时缓存时间戳,也能降低CPU的消耗,并且能降低获取时间戳的时延,可谓是一举两得。

但这中间我有个疑问,这里QPS的高低边界不知道是如何得出的,是拍脑袋还是压测出来的,不过这个数值似乎并不一定绝对准确,可能和机器的配置也有关系,所以我倾向这个值可以配置,而不是在代码中写死,关于这点,这段代码的作者也解释了原因:

最后可能你会问,这QPS咋统计呀?

这可是Sentinel的强项,利用 LeapArray 统计,由于这不是本文重点,就不展开了,有兴趣可以参考我之前的文章《Sentinel-Go 源码系列(三)滑动时间窗口算法的工程实现》,虽然文章是Go的,但算法和Java的是一模一样,甚至实现都是照搬。

有没有测试数据支撑呢?有另一位大佬在评论区贴出了他的测试数据,我们看一下:

在低负载下,CPU消耗降低的特别明显,高负载则没什么变化,这也符合我们的预期。

看到这里你是不是觉得该点题了?没错,Sentinel-Go还没实现上述的自适应算法,这是个绝佳的机会,有技术含量,又有参考(Java版),是不是心动了?

社区中也有该issue:

这个issue在2021年8月有个哥们认领了,但截止目前还没贡献代码,四舍五入等于他放弃了,所以你懂我意思吧?

最后说一句

如果你觉得文章还可以,麻烦动动小手,点个 关注 在看 ,你的鼓励是我持续创作的动力!

对了,如果觉得还不过瘾,可以再看看这些相关文章:

  • 《参与 开源项目 很难吗?》
  • 《Sentinel-Go 源码系列(一)|开篇》
  • 《Sentinel-Go 源码系列(二)|初始化流程和责任链设计模式》
  • 《Sentinel-Go 源码系列(三)滑动时间窗口算法的工程实现》
  • 《Sentinel在docker中获取CPU利用率的一个BUG》
  • 《低开销获取时间戳》

感谢阅读,我们下期再见~


搜索关注”捉虫大师”,后端技术分享,架构设计、性能优化、源码阅读、问题排查、踩坑实践。

相关文章