常见问题归类
逻辑缺陷：例如NPE、死循环、边界情况未覆盖（校验不全，幂等未处理、数据一致性未保证等）。
性能瓶颈：例如接口RT陡增、吞吐率上不去。
内存异常：例如OOM、内存泄露、频繁FGC、GC卡顿。
并发/分布式：例如存在竞争条件、时钟不同步。
数据问题：例如出现脏数据、序列化失败。
安全问题：例如DDoS攻击、数据泄露、敏感数据未加密等。
环境故障：例如宿主机宕机、网络不通、丢包。（8）操作失误：例如配置推错（jar包推错环境、jone/jdos覆盖文件不同步等）、删库跑路。
排查流程
快速止血
发布问题：回滚
部分机器：隔离
入口流量：流控
下游依赖：降级
资源问题：重启
保留现场
应用、中间件日志
GC、内核日志
线程、堆栈Dump
堆内存映射Dump
监控、Metrics数据
定位原因
关联近期变更
全链路追踪分析
还原事件时间线
找到根本原因
尝试复现
解决问题
修复走流程：回归、灰度
修复后验证：对比、回归
故障复盘：找到根本解、避免再发生
性能优化—指标&分析&原则
指标&分析&原则
性能优化—优化手段
简化：业务层面（流程精简、需求简化）、编码层面（循环内减少高开销操作）、架构层面（减少没必要的抽象/分层）、数据层面（数据清洗、提取、聚合）；
并行：单机并行（多线程）、多机并行（分布式），充分利用机器资源，不好的一点会造成同步开销、线程开销、数据倾斜。
异步：消息队列+任务线程+通知机制，好处是提升吞吐量、组件解耦、削峰填谷，缺点是排队延迟。
批量：多次单一操作—>合并为单次批量操作，好处是能避免单次操作的固有开销，均摊后总开销更低，缺点是等待延迟+聚合延迟，比如DB批量读写。
时间空间互换：空间换时间，可以避免重复计算、拉近传输距离、分流减少压力，比如缓存、CDN、索引、只读副本，时间换空间有时候也能达到“更快”的效果（数据量减少——》传输时间减少），比如数据压缩传输。
数据结构与算法优化：多了解数据结构和一些简单的算法思想（递归、分治、贪心、动态规划）。
池化&局部化：池化：减少资源创建和销毁开销，比如线程池、内存池、DB连接池等；局部化：避免共享资源竞争开销，比如多级缓存（本地局部缓存——》共享全局缓存；
更多优化手段： SQL优化，超时降级，数据更新避免流量高峰期等。
稳定性优化—指标&测量&原则
稳定性优化—指标&测量&原则
稳定性优化—优化手段
避免单点：集群部署、数据副本、多机房容灾，需要具备故障转移的能力；
流控/限流：避免意料之外的突增流量，粒度：接口级，用户级，全局，类型：QRS流控、并发度流控；工具：nginx，反爬，Hystrix等；
熔断：防止连锁故障（雪崩效应），止损，工具：ppfb(Hystrix)4.降级：流控、熔断、负载过高时触发。常见降级方式：关闭非核心功能，停止应用日志打印；牺牲数据时效性：返回缓存中旧数据；牺牲数据精确性，降低数据采集频率，返回托底数据等。
超时/重试：超时：设置超时时间，避免调用端长时间等待，造成阻塞；重试：jsf重试，mq重试，但是确保重试操作的幂等性；
资源设限：防止资源被异常流量耗尽，保护资源，使用一些资源池化、有界对列方式，比如线程、队列、DB连接会设置池子大小和队列大小；
资源隔离：防止资源被部分异常流量耗尽，采用队列划分、独立集群部署等方式；
安全生产：程序动态性：开关、配置、热升级等，减少开发，实时生效，降低风险；审核机制：代码Review、发布审核；灰度发布；分批部署；上线步骤，回滚预案；
可维护性优化—可维护性优化
衡量指标：
1.复杂度：是否可控？编码：简洁度、命名一致性、代码行数等；架构：组件耦合度、层次清晰度、职责单一性等。
2.可扩展性：是否易于变更？需要变更代码或配置时，是否简单优雅、不易出错。
3.可运维性：是否方便运维？日志、监控是否完善；部署、扩容是否容易。
4.重要性：整个软件的生命周期：维护周期远远大于开发周期；破窗效应、熵增定律：可维护性会趋向于越来越差；遗留系统的危害：理解难度，修改成本，变更风险；陷入不断踩坑、填坑、又挖坑的循环，所以可维护性是非常非常重要的。
优化原则：遵循KISS原则、DRY原则、各种代码可读性和架构设计原则等，避免引入过多临时性、Hack代码；认为功能能跑起来就OK，欠下一堆技术债，而我们要记住出来混迟早是要还的，产生上述大大小小的问题、救火。
优化手段：
1.遵循编码规范；
2.代码重构：当发现代码不规范、难以维护、性能差等等时进行重构，小步迭代、回归验证；但是是重构还是重写：综合考虑成本、风险、并行版本维护等因素，选择适合自己的；
3.数据驱动：系统数据：监控覆盖广，对于理解系统、排查问题至关重要；业务数据：一致性校验、旧数据清理、归档等。
4.技术演进：对于一种技术架构，是死守阵地，还是跟随新潮流，综合评估风险、生产力、学习成本。
网友评论