1
淘宝前台系统优化实践
“吞吐量优化”
1
淘宝业务增加迅猛
2
0
200,000,000
400,000,000
600,000,000
800,000,000
1,000,000,000
1,200,000,000
1,400,000,000
2007-05-08 2008-5-8 2009-5-8 2010-5-8
pv
pv
0
5,000,000
10,000,000
15,000,000
20,000,000
25,000,000
30,000,000
35,000,000
40,000,000
2007-05-08 2008-5-8 2009-5-8 2010-5-8
uv
uv
3
0
50
100
150
200
250
300
2009-1-X 2009-3-x 2009-6-x 2010-2-x 2010-5-x
某前台系统服务器数量
服务器
服务器总量超过15000
100000
Choice
持续增加的服务器数量 VS 持续提升单机吞吐量
运维、管理
成本持续增加
增加单机吞吐量1倍，服务器数量减少1倍
在服务器数量达到一定级别的时候，非常合算 4
• 目的
– 控制服务器增长数量
• 主题
– 提升淘宝前台系统单服务器的QPS
5
主要内容
• QPS（吞吐量）三要素
• 优化模板
– 至少提升50%
• 优化大数据的处理
– 至少提升5%
• 优化jvm参数
– 合理配置young区的大小（0%~100%）
– 减少GC的总时间
• 保持优化的成果
– Daily load running
– Daily hotspot code analysis
6
QPS的3要素
• 线程
• 响应时间
• 瓶颈资源
7
线程
• 设置多少线程合适？
– 设置过少
– 设置过多
• 线程过多导致QPS下降
8
有个系统：线程数量在12~20之间的时候QPS几乎稳定在120左
右，但是一旦线程数量超过30时候，FGC开始频繁，由于FGC导致
的线程被挂起时间变成了整个系统的瓶颈，QPS下降，随着线程数
量的增加，QPS下降非常明显，线程数量在100的时候，QPS只有
60左右
1、对象生命周期
2、内存占用总量
设置多少线程合适？
• CPU+1
• CPU-1
9
有这样一个模块
•cpu计算时间18ms（running）
•查询数据库，网络io时间80ms（waiting）
•解析结果2ms
如果服务器2CPU，大家看看这里多少线程合适？
18 80 2
充分利用CPU资源：
线程数量=100/20 * 2 =10
• 所以从CPU角度而言
线程数量=((CPU时间+CPU等待时间) / CPU时间) * CPU数量
10
• 线程数量的设置就是由CPU决定的？
有这样一个模块：
•线程同步锁(数据库事务锁)50ms
•cpu时间18ms
•查询数据库，网络io时间80ms
•解析结果2ms
如果服务器有2个CPU，这个模块线程多少
合适？
18 50 2 80
lock unlock
• 以CPU计算为瓶颈，计算线程数量
– 线程数=(18 + 2 + 50 + 80) / 20 * 2 = 15
• 以线程同步锁为瓶颈，计算线程数
– 线程数=(50 + 18 + 2 + 80) / 50 * 1/1 = 3
11
公式1：
线程数量=（线程总时间/瓶颈资源时间） * 瓶颈资源的线程并行数
准确的讲
瓶颈资源的线程并行数=瓶颈资源的总份数/单次请求占用瓶颈资源的份数
约束：
在计算的时候，对同一类资源的消耗时间进行合幵
18 50 2 80
lock unlock
QPS的3要素2
• 响应时间
– QPS = 1000/响应时间
– QPS = 1000/响应时间 * 线程数量
– 响应时间决定QPS？
12
分析数据(10) 搜索商城 (50) 搜索产品(25) 搜索商品(100) 处理结果(15)
cpu waiting waiting waiting cpu
QPS = 线程数量 * 1000/响应总时间
QPS = 32 * 1000/(10 + 50 + 25 + 100 + 15 )
= 160
线程数量=线程总时间/瓶颈资源时间 * 瓶颈资源幵行数
线程数量=(10 + 50 + 25 + 100 + 15 )/ (10 + 15) * 4 = 32
改进
分析数据(10) 搜索商城 (50)
搜索产品(25)
搜索商品(100)
处理结果(15)
13
分析数据(10) 搜索商城 (50) 搜索产品(25) 搜索商品(100) 处理结果(15)
cpu waiting waiting waiting cpu
线程数量=线程总时间/瓶颈资源时间 瓶颈资源幵行数
线程数量=(10 + 100 + 15)/ (10 + 15) * 4= 20
QPS = 20 * 1000 / (10 + 100 + 15)
= 160
总体响应时间变化
200ms—125ms
线程数量=线程总时间/瓶颈资源时间 * 瓶颈资源幵行数
QPS = 线程数量 * 1000/线程总时间
14
公式2：
QPS = 1000/瓶颈资源时间 * 瓶颈资源并行数
汇总
• 公式1：
线程数量= 线程必须总时间/瓶颈资源时间 * 瓶颈资源幵行数
• 约束：
在计算的时候，对同一类资源的消耗时间进行合幵
• 公式2：
QPS = 1000/瓶颈资源时间 * 瓶颈资源幵行数
15
QPS的3要素3
• 瓶颈资源
– 淘宝的前台系统的瓶颈资源是什么？
16
CPU
• 淘宝前台系统特点
– 劢态页面渲染输出
– 页面非常大
– 数据来自多个远程服务
– 除了日志几乎没有对磁盘的读写
– 相对一些后台服务QPS低
17
系统
搜索
引擎
商品
中心
交易
中心
用户
中心
DB
数据
模板
渲染
影响系统QPS的瓶颈
18
CPU
内存GC hold
Threads limit
Thread Syn lock
Remoting Sys QPS limit
Disk IO
Net IO
• AB 压测系统，系统的CPU基本上都跑到了85%以上
19
模板渲染65%
搜索结果解析18%
优化模板2式
• 第1式：char to byte
20
测试例子1：
private static String content = “…94k…”;
protected doGet(…){
().print(content);
}
测试例子2：
private static String content = “…94k…”;
Private static byte[] bytes = ();
protected doGet(…){
().write(bytes);
}
21
• 压测结果：
系统 页面大小（K） 最高QPS
测试例子1
Servlet print
94 1800
测试例子2
Servlet byte
94 3500
Char to byte
• Why?
– 1、通过,. StringCoding进行encode
– 2、找到挃定的编码Charset ，默认ISO8859-1
– 3、 利用CharsetEncoder的实现类，对每个Char转成byte
22
”只做一次的事情丌要每次都做，可以预先
做的事情，预先处理”，一旦底层代码没有遵
循这个原则，那么影响是多么的深远
static byte[] encode(String charsetName, char[] ca, int off, int len)
throws UnsupportedEncodingException
{
StringEncoder se = (StringEncoder)deref(encoder);
String csn = (charsetName == null) ? "ISO-8859-1" : charsetName;
if ((se == null) || !((())
|| (()))) {
se = null;
try {
Charset cs = lookupCharset(csn);
if (cs != null)
se = new StringEncoder(cs, csn);
} catch (IllegalCharsetNameException x) {}
if (se == null)
throw new UnsupportedEncodingException (csn);
set(encoder, se);
}
return (ca, off, len);
}
byte[] encode(char[] ca, int off, int len) {
int en = scale(len, ());
byte[] ba = new byte[en];
if (len == 0)
return ba;
();
ByteBuffer bb = (ba);
CharBuffer cb = (ca, off, len);
try {
CoderResult cr = (cb, bb, true);
if (!())
();
cr = (bb);
if (!())
();
} catch (CharacterCodingException x) {
// Substitution is always enabled,
// so this shouldn't happen
throw new Error(x);
}
return safeTrim(ba, (), cs);
}
}
private CoderResult encodeArrayLoop(CharBuffer src,
ByteBuffer dst)
{
char[] sa = ();
int sp = () + ();
int sl = () + ();
assert (sp <= sl);
sp = (sp <= sl ? sp : sl);
byte[] da = ();
int dp = () + ();
int dl = () + ();
assert (dp <= dl);
dp = (dp <= dl ? dp : dl);
try {
while (sp < sl) {
char c = sa[sp];
if (c <= '\u00FF') {
if (dp >= dl)
return ;
da[dp++] = (byte)c;
sp++;
continue;
}
if ((c, sa, sp, sl) < 0)
return ();
return ();
}
return ;
} finally {
(sp - ());
(dp - ());
}
}
淘宝对Velocity进行了重构
• 利用 char to byte （100%）
• 解析执行改成了编译后执行 （10% ）
23
50%
疑问
• 解析执行转编译后执行的效果
24
1、循环
2、条件判断
3、渲染取值
0
50
100
150
200
250
300
350
400
450
java&jsp velocity mvel
综合
综合
25
"Hello, my name is ${()}, "
"#foreach($user in $) - ${} - ${} #end "
"Hello, my name is ${()}, “
" …5k…"
"#foreach($user in $) - ${} - ${} #end "
0
500
1000
1500
2000
2500
3000
3500
4000
4500
jsp velocity mvel
综合测试
综合测试
总结
• Char 2 byte
• 规模效益
– 取决于脚本（判断，循环，比较，赋值）占整个模板的比例
26
优化模板2式
• 第2式：减少模板大小
27
35%
页面从170K下降到110K
• 减少模板大小的方法
– 压缩模板的空白字符
– 重复数据合幵
– 异步渲染
28
• 压缩空白字符
– 压缩哪些
– 何时压缩
– 工具
29
• 重复数据合幵
– 对一些系统非常有效，凡是代码里涉及到了循环，幵且里面有静
态内容输出均可以采用此方法
30
<a
href="
4b437a411d&pm_id=" title="信用卡"
class="creditcard" target="_blank">信用卡
</a>….
<a class="creditcard“ >信用卡
</a>….
+ javascript
工具的支持？
• 异步渲染
– 将页面中静态幵且相对丌重要的内容抽取出来
– 利用专用服务器的优势
31
CDN化，Cache化
异步加载结合专用Server
总结
• 减少模板大小
– 压缩空白字符
– 合幵相同数据
– 异步渲染，利用专用服务器的优势
• 10%~100%以上内容的节省
• QPS的提升10%~80%
32
33
模板渲染
搜索结果解析
• 优化大数据的处理
– 搜索结果解析案例
• Byte 2 char
– 序列化方式的选择
• thrift，protobuffer vs java序列化
34
时间
&
size
20W用户数据的测试
PB比java序列化，性
能消耗减少2/3
优化jvm的参数
• Yong区的比例调整
• 减少GC的总时间
35
• 某系统操作系统32位升级到64位
• Yong区从500M增加到-Xmn2560m
36
1.-Xmn500m
=100
1.-Xmn2560m
=170
70%
• 对其他系统进行yong区调整，QPS幵没有有效的提升
37
系统 平均
页面大小
平均每次
请求消耗内存
Young
区大小
A（效果明显） 110K 12M 500M
B（丌明显） 66K M 500M
C（丌明显） 65K M 500M
根据每日的压测报表信息，统计得到一些规律：
A B C
• 申请3Mbyte内存，-XX:NewSize=78M~978M，统计QPS
– NewSize 越大QPS越高
– NewSize 越大GC时间越短
NewSize(M) QPS(3M) QPS(4M) QPS(5M) QPS(6M) QPS(7M) GC(count) GC(real)
78 767 509 381 292 240 13590
128 881 634 456 382 314 8098
178 943 704 548 427 350 5533
228 951 739 576 469 385 4219
278 983 757 601 490 409 3316
328 980 767 609 507 427 2734
378 953 769 610 513 436 2306
428 996 766 618 521 449 2002
478 973 757 629 528 450 1756
528 992 765 633 531 453 1576
578 1006 786 624 533 466 1431
628 977 776 634 535 461 1304
678 1003 775 633 544 462 1202
728 1001 783 638 534 465 1115
778 999 792 643 531 474 1037
828 1014 787 642 538 472 971
878 1014 782 640 545 471 913
928 1006 790 645 542 473 859
978 998 793 643 535 466 812
38
• 每个点，理论上响应时间应该是一样，
波劢，说明线程被hold了
0
200
400
600
800
1000
1200
7
8
1
2
8
1
7
8
2
2
8
2
7
8
3
2
8
3
7
8
4
2
8
4
7
8
5
2
8
5
7
8
6
2
8
6
7
8
7
2
8
7
7
8
8
2
8
8
7
8
9
2
8
9
7
8
QPS(3M)
QPS(4M)
QPS(5M)
QPS(6M)
QPS(7M)
328/3=109
378/4=94
528/5=105
678/6=113
778/7=111
39
0
20
40
60
80
100
120
140
160
GC总时间(毫秒)
GC(real)
GC总时间
横轴：young
区 (M)
GC时间包括Full GC
时间和minorGC时间
40
小结
• Yong区大小至少要大于每次请求内存消耗的100倍
– Old区被挤占的问题
– 单次minorgc是否会变长的问题
41
Jvm参数优化-减少GC总时间
• 减少GC总时间
42
对于淘宝前台系统而言，年老代区一般存放
的内容是什么？
EDEN
S0
S1
OLD
PERM
垃圾回收step
43
• 1、对象在Eden区完成内存分配
• 2、当Eden区满了，再创建对象，会因为申请丌到空间，触发minorGC
，进行young(eden+1survivor)区的垃圾回收
• 3、minorGC时，Eden丌能被回收的对象被放入到空的survivor（Eden
肯定会被清空），另一个survivor里丌能被GC回收的对象也会被放入这
个survivor，始终保证一个survivor是空的
• 4、当做第3步的时候，如果发现survivor满了，则这些对象被copy到
old区，或者survivor幵没有满，但是有些对象已经足够Old，也被放入
Old区 XX:MaxTenuringThreshold
• 5、当Old区被放满的之后，进行完整的垃圾回收
• 数据进入年老代的3个途径
– 直接进入Old区
• 超过挃定size的数据
• 比较少见，一般一下子申请大片缓冲区
– minorGC触发时，交换分区S0或者S1放丌下
• 缓存数据
• 因为线程执行周期缓慢导致未释放的对象的量太多了
– 足够老的数据，在交换区拷贝次数超过了上限（
XX:MaxTenuringThreshold=15）
• 缓存数据
• 因为线程执行周期缓慢导致未释放的对象
44
example1
• -Xmx256m -Xmn15m -XX:SurvivorRatio=6
– Eden
– S0
– Old 241M
45
JSP
<%
int size = (int)(1024 * 1024 * m);
byte[] buffer = new byte[size];
(s);
%>
1个线程进行压测：
ab –c1 -n1000 "http://localhost/
2个线程进行压测：
ab –c2 -n1000 "http://localhost/
3个线程进行压测：
ab –c3 -n1000 “http://localhost/
1、申请1M内存
2、等待10秒钟
example2
46
JSP
<%
int size = (int)(1024 * 1024 * );
byte[] buffer = new byte[size];
buffer = null;
(10);
%>
2个线程进行压测：
ab –c1 -n10000 "http://localhost/"
20个线程进行压测：
ab –c20 -n10000 "http://localhost/"
3个线程进行压测：
ab –c3 -n10000 "http://localhost/"
编写GC有好的代码
{
StringBuffer a = new StringBuffer(“……”);
(“…..”);
…
Object c = (b); // waiting 100ms
…..
}
改进之后
{
StringBuffer a = new StringBuffer(“……”);
(“…..”);
…..
a = null;
Object c = (b); // waiting 100ms
…..
}
47
1、对象a的生命周期=方法的生命周期
2、被gc的时间至少>100ms
1、对象a的生命周期在a=null之后结束
2、可以被随时回收
3、一般认为一个耗时的方法之前的对象尽可能对GC优化
这里触发gc的概率99%以上
总结
• 调整yong区的大于
– 大于每次请求的消耗内存的100倍
• 减少GC的总时间
– 最佳实践，在一些远程调用方法之前，尽量释放掉对象的引用
48
保持优化成果
• Daily load running
• Daily hotspot code analysis
49
50
60Kbyte 6Mbyte 600Mbyte
<100倍 >100倍
淘宝前台系统的一些规律
51
附录：平均单次请求内存消耗计算方法
• 每个请求占用的内存= Eden /（QPS * minorGC的平均
间隔时间(秒)）
52
