性能工程与可观测性

性能优化的第一原则是测量：不测量就优化是猜。本章讲基准测试的陷阱、采样式剖析器与火焰图、可观测性三支柱与 SLO，以及 Amdahl 定律对优化收益的约束。

测量的纪律

• 不测量就优化是猜：直觉的瓶颈通常错（真正的热点常在想象之外，→ 存储层次与缓存）；
• 先测量，再假设，再验证：profiler 定位热点 → 针对性假设 → 改动后再测。

基准测试的陷阱

• 预热：JIT（→ 运行时、内存管理与垃圾回收）与缓存需要预热，冷启动数字不可信；
• 平均值的谎言：延迟是长尾分布，平均值掩盖 p99（见下）；
• 编译器删代码：基准里的"死代码"被优化掉（基准框架的陷阱，JMH 一类工具防）；
• 环境噪声：共享 CPU（云主机邻居）、频率调节、NUMA——基准要隔离与多次重复。

剖析与火焰图

采样式剖析器（perf、py-spy、async-profiler）：定期采样调用栈，统计热点——开销低（<1%），可上生产。火焰图（flame graph）把采样栈叠成矩形：宽 = 占用时间多——一眼看出热点路径。

剖析的两条纪律：

• 固定变量：一次只改一个东西，否则归因错误；
• 全栈采样：含内核态（系统调用、锁等待）——只看用户态会漏掉"时间花在内核"的真相。

p99 比平均值重要

p99 比平均值重要：用户体验由尾部决定——1000 个请求里 10 个慢 5 秒，平均值几乎不变，但那 10 个用户不会回来。

• p50/p95/p99/p999：尾部延迟的分级观测；
• 尾延迟放大：一次页面请求串行调 10 个后端（每个 p99 = 100ms）→ 页面 p99 ≈ 1s——尾部的乘法效应（并行调用、hedged request 是对策）；
• GC 停顿、缓存过期风暴、锁竞争是 p99 的常客（→ 运行时、内存管理与垃圾回收）。

可观测性三支柱

支柱	回答	成本
日志	发生了什么（细节、上下文）	存储贵，采样与分级
指标	系统状态如何（数值时序）	便宜，可告警
追踪	一次请求经过了哪里	采样（1–10%），上下文传播

• 结构化日志（JSON）+ 集中聚合（ELK/Loki）；
• 指标：RED 方法（Rate、Errors、Duration）面向服务、USE 方法（Utilization、Saturation、Errors）面向资源；
• 分布式追踪：trace ID 沿调用链传播（OpenTelemetry 标准）——微服务的"这次请求慢在哪"只能靠追踪（→ 架构与权衡）。

三支柱的分工：指标发现"有问题"（告警），追踪定位"在哪一段"，日志解释"具体为什么"。

SLO 与错误预算

• SLI（指标：可用性、延迟）、SLO（目标：99.9%）、SLA（合同：违约赔偿）；
• 错误预算：$1 - \text{SLO}$ 的允许失败量——预算内的失败是允许的（用于发布与实验），预算烧完就冻结发布、专注可靠性——SRE 的核心机制：用预算把"稳定性 vs 迭代速度"变成可度量的决策。

Amdahl 定律

$$S = \frac{1}{(1 - p) + p / n},$$

$p$ 为可并行比例、$n$ 为核数——串行部分限制总加速比：95% 可并行的程序，$n \to \infty$ 也只有 20 倍。含义：

• 优化前看占比：把 5% 的部分优化到零，上限就是 5% 的总收益——先优化占比大的；
• 扩展的极限：加核（扩容）的收益被串行部分（锁、协调、单点）封顶——与系统设计的"串行部分"（单点数据库、全局锁）对应（→ 系统设计工具箱）。

生产问题的定位流程

1. 指标告警（哪个服务哪个指标异常）；
2. 追踪定位（这次请求慢在哪一段）；
3. 剖析深挖（那段代码的热点在哪行）；
4. 日志取证（上下文与异常细节）；
5. 改动后验证（指标与 p99 回落）。

每个环节都有工具，工具链先于救火建好——可观测性是平时投入、火灾时救命的投资。

本章要点

• 不测量就优化是猜；基准的陷阱：预热、平均值、死代码、环境噪声
• 采样剖析 + 火焰图：宽 = 时间多；全栈采样含内核态
• p99 比平均值重要；尾部有乘法效应（串行调用链）
• 三支柱分工：指标发现、追踪定位、日志解释；错误预算把稳定性变成可度量决策
• Amdahl 定律：串行部分限制总加速比——先优化占比大的