凡亿skill在高并发场景下的性能优化实战

2次阅读

没有评论

共计 1589 个字符，预计需要花费 4 分钟才能阅读完成。

凡亿 skill 作为一个业务系统，在高并发场景下常常面临以下性能问题：

数据库查询响应时间增加，特别是在复杂查询场景下
系统吞吐量达到瓶颈，无法处理突发的流量高峰
资源利用率不均衡，部分节点负载过高
响应时间波动较大，用户体验不一致

这些问题主要源于系统最初设计时对高并发场景考虑不足，以及随着业务增长带来的数据量膨胀。

针对上述问题，我们评估了以下几种优化方案：

数据库层面优化
优点：直接解决查询性能问题，见效快
缺点：优化空间有限，无法完全解决高并发问题
引入缓存机制
优点：显著减轻数据库压力，提升读取性能
缺点：需要考虑缓存一致性问题，增加系统复杂度
服务拆分与微服务化
优点：长期可扩展性好，资源隔离
缺点：改造成本高，需要团队具备相应技术能力
异步处理非关键路径
优点：提升系统吞吐量
缺点：实现复杂度高，需要考虑消息可靠性

经过综合评估，我们决定采用以缓存为主，结合数据库优化和部分异步处理的混合方案。

索引优化
为高频查询字段添加复合索引
避免过度索引，定期分析索引使用情况
查询重构
拆分复杂查询为多个简单查询
避免 N + 1 查询问题
使用 JOIN 替代多次单表查询
分库分表
按业务维度进行数据分片
采用一致性哈希算法减少数据迁移

多级缓存架构
本地缓存（Caffeine）作为一级缓存
Redis 集群作为二级缓存
设置合理的过期策略
缓存预热
定时任务预加载热点数据
启动时异步加载常用数据
缓存一致性保障
采用双删策略
引入消息队列保证最终一致性

// 使用 Spring Cache 注解实现多级缓存
@Cacheable(value = "userCache", key = "#userId", unless = "#result == null")
public User getUserById(Long userId) {
    // 数据库查询逻辑
    return userRepository.findById(userId).orElse(null);
}

// 缓存更新示例
@CacheEvict(value = "userCache", key = "#user.id")
public void updateUser(User user) {userRepository.save(user);
    // 异步发送消息保证其他节点缓存一致性
    messageQueue.sendCacheEvictMessage("userCache", user.getId());
}

-- 优化前的查询
SELECT * FROM orders WHERE user_id = 123 AND status = 'PAID';

-- 优化后的查询（添加复合索引后）SELECT id, order_no, amount FROM orders 
WHERE user_id = 123 AND status = 'PAID'
ORDER BY create_time DESC LIMIT 10;