曾经参与的一次并发优化回顾

本文主要是介绍曾经参与的一次并发优化回顾，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

业务场景：

我们有一个在线考试的模块，当时需要支持用户同时1000人的提交考试试卷。

问题：

测试者采用jmeter测试提交考试答案的接口，100个线程并发的时候。报错Max number of active transactions reached:50。错误率有25%。

问题分析：

我们在提交答案的接口采用了spring的事务@Transactional。我们采用的atomikos来实现分布式事务。在jta.properties中有com.atomikos.icatch.max_actives = 50。如果我们当前我们同时的事务数量大于配置的50的时候，就会报错。

尝试解决：

我们可以增加max_actives，但是我们的并发量大的时候，依然会有问题。

当很多用户同时提交答案的时候，我们同时会有大量的事务处理，对我们的数据库mysql的压力也比较大。我们可以采用队列的形式来削峰，我们用这种异步的形式把请求的数据放到队列，给前端提示一个考试结果正在计算中的展示，我们再从队列中拿数据去消费。我们用的是kafka

实现：

直接采用kafkaTemplate 发送数据，再设置一个监听KafkaListener，获取对应的topic数据

进一步问题：

改进之后，可以支持一定并发，但是速度并不快。

再次分析：

通过观察服务器性能，发现这个问题出现在io上，我们提交的对象包含所有题目的答案，我们的题目数量很多，100道题目时候，还有可能存在简答题的时候，我们这个传过去的对象就很大了，一个空的String对象有24字节，一个题目包含一个Integer的试题类型、Object的考生答案、Long类型的试卷Id。因为是包装类型，含有对象头信息。64位没有开启压缩指针Interger=Header(标记头8字节 + 对象指针8字节） + int(4字节）+ 对齐（4) = 24字节。可以看出一个题目大约有100个字节，100个题目加上用户的基础信息，差不多1万个字节，也差不多是10KB，1000人同时提交就有10M。

我们可以把这个对象优化，序列化我们自己的可以解析，更小的对象传给kafka。我们在kafka中一般会配置producer和consumer的key、value的serializer，一般都是配置StringSerializer，kafka默认提供了一些(de)Serializer，String、byteBuffer、ByteArray、Bytes、Long等，这里我们采用ByteBuffer，可以把我们的数据压缩到很小，这样我们传给kafka的数据就会小很多。

代码

// 序列化我们的对象
public ByteBuffer serialize(TestAnswerVO vo) {
    ByteBuffer byteBuffer = ByteBuffer.allocate(calculateCapacity(vo));
    byteBuffer.putLong(obtainType(vo.getUserId()));
    byteBuffer.putLong(obtainType(vo.getTestId()));
    byteBuffer.putInt(vo.getCostTime());

    byte[] accounts = vo.getAccount().getBytes();
    byteBuffer.putInt(accounts.length);
    if (accounts.length > 0)
        byteBuffer.put(vo.getAccount().getBytes());

    if (CollectionUtils.isNotEmpty(vo.getList())) {
        byteBuffer.putInt(vo.getList().size());
        for (ExaAnswerCardVO e : vo.getList()) {
            byteBuffer.putLong(obtainType(e.getTestPageId()));
            byteBuffer.putLong(obtainType(e.getExaResultId()));
            byteBuffer.putInt(e.getType());

            if (Objects.isNull(e.getExaAnswer())) {
                byteBuffer.putInt(0);
            } else {
                byte[] bytes = e.getExaAnswer().toString().getBytes();
                byteBuffer.putInt(bytes.length);
                if (bytes.length > 0) {
                    byteBuffer.put(bytes);
                }
            }
        }
    }
    byteBuffer.flip();
    return byteBuffer;
}

// 反序列化对象 我们只需要从ByteBuffer按照我们put的规则取出来
//我们需要给producer配置ByteBufferSerializer，默认的kafkaTemplate是StringSerializer
@Value("${spring.kafka.bootstrap-servers}")
private String bootstrapServers;

@Bean //纳入spring管理，不用每次去取值
public Map<String, Object> producerConfigs() {
    Map<String, Object> props = new HashMap<>();
    props.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG, bootstrapServers);
    props.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, StringSerializer.class);
    props.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, ByteBufferSerializer.class);
    return props;
}
//我们需要给consumer配置ByteBufferSerializer，默认的kafkaTemplate是StringSerializer

@Value("${spring.kafka.bootstrap-servers}")
private String bootstrapServers;

@Value("${spring.kafka.consumer.group-id}")
private String consumerGroupId;

public Map<String, Object> consumerConfigs() {
    Map<String, Object> props = new HashMap<>();
    props.put(ConsumerConfig.BOOTSTRAP_SERVERS_CONFIG, bootstrapServers);
    props.put(ConsumerConfig.GROUP_ID_CONFIG, consumerGroupId);
    props.put(ConsumerConfig.KEY_DESERIALIZER_CLASS_CONFIG, StringDeserializer.class);
    props.put(ConsumerConfig.VALUE_DESERIALIZER_CLASS_CONFIG, ByteBufferDeserializer.class);
    return props;
}

@Bean
public ConcurrentKafkaListenerContainerFactory<String, ByteBuffer> eduTestKafkaFactory() {
    ConsumerFactory<String, ByteBuffer> consumerFactory = new DefaultKafkaConsumerFactory<>(consumerConfigs());
    ConcurrentKafkaListenerContainerFactory<String, ByteBuffer> factory = new ConcurrentKafkaListenerContainerFactory();
    factory.setConsumerFactory(consumerFactory);
    return factory;
}

//在KafkaListener的时候，配置containerFactory，就可以获取我们的consumerConfigs
@KafkaListener(topics = EDU_SUBMIT_TEST_TOPIC, containerFactory = "eduTestKafkaFactory")
通过我们自己的指定的serializer，我们可以把我们对象压缩为原来的十分之一，大大减小我们传给kafka的对象，当然我们当前只给指定类做了序列化，以后添加字段也不通用，现在可以采用Avro来(反)序列化对象。KafkaAvroDeserializer也是非常强大的。

问题

当线上考试的时候，每次提交就有可能导致成绩出不来，最开始初步猜想，数据丢失，可是数据为什么会丢失了？到底是kafka没有接受到数据，还是kafka接受到数据没有消费掉，我们采用的是kafkaListenner。还是有一部分提交可以成功的，开发和测试环境都是Ok的，只有生产有问题。

我们借助kafka的命令查看消费情况

kafka 查看所有的消费者组

bin/kafka-consumer-groups.sh --bootstrap-server ip:9092 --list
kafka 查看某个消费者组的消费数据情况
bin/kafka-consumer-groups.sh --bootstrap-server ip:9092 --group strive --describe
我们看到对同一个topic有一个消费组，但是这一个消费者有两个节点在执行，这个两个节点分别是生产和预生产，预生产是运营后台的，但是运营后台消费数据却没有写入到业务库里面，导致考试的成绩总是出不来。我们停掉预生产之后，考试就正常了，但是预生产还是需要启动的，于是我们根据环境来设置不同的groupId，并把对应的factory的autoStartUp设置为false

/**
 * 获取不同环境的消费者组Id
 * @return
 */
public String obtainConsumerGroupId() {
    String logEnv = environment.getProperty("log_env");
    String consumerGroupId = "";
    if (PRE_PROD.equals(logEnv))
        consumerGroupId = environment.getProperty("spring.application.name") + "-consumer-" + PRE_PROD;
    else
        consumerGroupId = environment.getProperty("spring.kafka.consumer.group-id");
    log.info("edu test kafka config curr consumer group id is [{}] .", consumerGroupId);
    return consumerGroupId;
}

/**
 * log_env=preprod  预生产 [预生产 不获取数据]
 * log_env=prod   生产
 * @return
 */
public boolean setAutoStartup() {
    String logEnv = environment.getProperty("log_env");
    log.info("edu test kafka config curr log_env [{}] .", logEnv);
    return !PRE_PROD.equals(logEnv);
}
 

思路：

削峰

优化内存和数据大小

持续观察

思考与讨论：

1.序列化和反序列化这块还没有完全理解，有机会可以再验证下。

2.在多内容传输情况下，可能会出现类似问题，可以从这方面排查。

3.去面试的时候面试我的小哥刚好也做过这块，有一些同感，不过他提出了一些不同的观点，都是设计服务器的，有以下几点：

1) 服务器请求数最高能接受多少

2) 服务器的最大带宽是多少

3) 压力高时，服务器哪块出现性能问题，是CPU、内存、还是IO，不同的指标可能说明不同的问题，比如是CPU，说明可能接口对应的程序处理逻辑复杂；如果是内存，可能是接口对应的方法内存管理不当，比如没有释放一些连接什么的；如果是IO，可能是接口对应的方法内有太多的IO操作，是否可能考虑更换为多路复用的NIO还是其它处理方式

我想了下他说的这几点也有些道理，后面再遇到类似问题也可以从这几方面入手，希望有机会能和他再请教和讨论下。

这篇关于曾经参与的一次并发优化回顾的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---