最近，业务增长的很迅猛，对于我们后台这块也是一个不小的挑战，这次遇到的核心业务接口的性能瓶颈，并不是单独的一个问题导致的，而是几个问题揉在一起：我们解决一个之后，发上线，之后发现还有另一个的性能瓶颈问题。这也是我经验不足，导致没能一下子定位解决；而我又对我们后台整个团队有着固执的自尊，不想通过大量水平扩容这种方式挺过压力高峰，导致线上连续几晚都出现了不同程度的问题，肯定对于我们的业务增长是有影响的。这也是我不成熟和要反思的地方。这系列文章主要记录下我们针对这次业务增长，对于我们后台微服务系统做的通用技术优化，针对业务流程和缓存的优化由于只适用于我们的业务，这里就不再赘述了。本系列会分为如下几篇：

1. 改进客户端负载均衡算法
2. 开发日志输出异常堆栈的过滤插件
3. 针对 x86 云环境改进异步日志等待策略
4. 增加对于同步微服务的 HTTP 请求等待队列的监控以及云上部署，需要小心达到实例网络流量上限导致的请求响应缓慢
5. 针对系统关键业务增加必要的侵入式监控

增加对于同步微服务的 HTTP 请求等待队列的监控

同步微服务对于请求超时存在的问题

相对于基于 spring-webflux 的异步微服务，基于 spring-webmvc 的同步微服务没有很好的处理客户端有请求超时配置的情况。当客户端请求超时时，客户端会直接返回超时异常，但是调用的服务端任务，在基于 spring-webmvc 的同步微服务并没有被取消，基于 spring-webflux 的异步微服务是会被取消的。目前，还没有很好的办法在同步环境中可以取消这些已经超时的任务。

我们的基于 spring-webmvc 的同步微服务，HTTP 容器使用的是 Undertow。在 spring-boot 环境下，我们可以配置处理 HTTP 请求的线程池大小：

server:
  undertow:
    # 以下的配置会影响buffer,这些buffer会用于服务器连接的IO操作
    # 如果每次需要 ByteBuffer 的时候都去申请，对于堆内存的 ByteBuffer 需要走 JVM 内存分配流程（TLAB -> 堆），对于直接内存则需要走系统调用，这样效率是很低下的。
    # 所以，一般都会引入内存池。在这里就是 `BufferPool`。
    # 目前，UnderTow 中只有一种 `DefaultByteBufferPool`，其他的实现目前没有用。
    # 这个 DefaultByteBufferPool 相对于 netty 的 ByteBufArena 来说，非常简单，类似于 JVM TLAB 的机制
    # 对于 bufferSize，最好和你系统的 TCP Socket Buffer 配置一样
    # `/proc/sys/net/ipv4/tcp_rmem` (对于读取)
    # `/proc/sys/net/ipv4/tcp_wmem` (对于写入)
    # 在内存大于 128 MB 时，bufferSize 为 16 KB 减去 20 字节，这 20 字节用于协议头
    buffer-size: 16364
    # 是否分配的直接内存(NIO直接分配的堆外内存)，这里开启，所以java启动参数需要配置下直接内存大小，减少不必要的GC
    # 在内存大于 128 MB 时，默认就是使用直接内存的
    directBuffers: true
    threads:
      # 设置IO线程数, 它主要执行非阻塞的任务,它们会负责多个连接, 默认设置每个CPU核心一个读线程和一个写线程
      io: 4
      # 阻塞任务线程池, 当执行类似servlet请求阻塞IO操作, undertow会从这个线程池中取得线程
      # 它的值设置取决于系统线程执行任务的阻塞系数，默认值是IO线程数*8
      worker: 128

其背后的线程池，是 jboss 的线程池：org.jboss.threads.EnhancedQueueExecutor，spring-boot 目前不能通过配置修改这个线程池的队列大小，默认队列大小是 Integer.MAX

我们需要监控这个线程池的队列大小，并针对这个指标做一些操作：

• 当这个任务持续增多的时候，就代表这时候请求处理跟不上请求到来的速率了，需要报警。
• 当累积到一定数量时，需要将这个实例暂时从注册中心取下，并扩容。
• 待这个队列消费完之后，重新上线。
• 当超过一定时间还是没有消费完的话，将这个实例重启。

添加同步微服务 HTTP 请求等待队列监控

幸运的是，org.jboss.threads.EnhancedQueueExecutor 本身通过 JMX 暴露了 HTTP servlet 请求的线程池的各项指标：

我们的项目中，使用两种监控：

• prometheus + grafana 微服务指标监控，这个主要用于报警以及快速定位问题根源
• JFR 监控，这个主要用于详细定位单实例问题

对于 HTTP 请求等待队列监控，我们应该通过 prometheus 接口向 grafana 暴露，采集指标并完善响应操作。

暴露 prometheus 接口指标的代码是：

@Log4j2
@Configuration(proxyBeanMethods = false)
//需要在引入了 prometheus 并且 actuator 暴露了 prometheus 端口的情况下才加载
@ConditionalOnEnabledMetricsExport("prometheus")
public class UndertowXNIOConfiguration {
    @Autowired
    private ObjectProvider<PrometheusMeterRegistry> meterRegistry;
    //只初始化一次
    private volatile boolean isInitialized = false;

    //需要在 ApplicationContext 刷新之后进行注册
    //在加载 ApplicationContext 之前，日志配置就已经初始化好了
    //但是 prometheus 的相关 Bean 加载比较复杂，并且随着版本更迭改动比较多，所以就直接偷懒，在整个 ApplicationContext 刷新之后再注册
    // ApplicationContext 可能 refresh 多次，例如调用 /actuator/refresh，还有就是多 ApplicationContext 的场景
    // 这里为了简单，通过一个简单的 isInitialized 判断是否是第一次初始化，保证只初始化一次
    @EventListener(ContextRefreshedEvent.class)
    public synchronized void init() {
        if (!isInitialized) {
            Gauge.builder("http_servlet_queue_size", () ->
            {
                try {
                    return (Integer) ManagementFactory.getPlatformMBeanServer()
                            .getAttribute(new ObjectName("org.xnio:type=Xnio,provider=\"nio\",worker=\"XNIO-2\""), "WorkerQueueSize");
                } catch (Exception e) {
                    log.error("get http_servlet_queue_size error", e);
                }
                return -1;
            }).register(meterRegistry.getIfAvailable());
            isInitialized = true;
        }
    }
}

之后，调用 /actuator/prometheus 我们就能看到对应的指标：

# HELP http_servlet_queue_size  
# TYPE http_servlet_queue_size gauge
http_servlet_queue_size 0.0

当发生队列堆积时，我们能快速的报警，并且直观地从 grafana 监控上发现：

对于公有云部署，关注网络限制的监控

现在的公有云，都会针对物理机资源进行虚拟化，对于网络网卡资源，也是会虚拟化的。以 AWS 为例，其网络资源的虚拟化实现即 ENA（Elastic Network Adapter）。它会对以下几个指标进行监控并限制：

• 带宽：每个虚拟机实例（AWS 中为每个 EC2 实例），都具有流量出的最大带宽以及流量入的最大带宽。这个统计使用一种网络 I/O 积分机制，根据平均带宽使用率分配网络带宽，最后的效果是允许短时间内超过额定带宽，但是不能持续超过。
• 每秒数据包 (PPS，Packet Per Second) 个数：每个虚拟机实例（AWS 中为每个 EC2 实例）都限制 PPS 大小
• 连接数：建立连接的个数是有限的
• 链接本地服务访问流量：一般在公有云，每个虚拟机实例 （AWS 中为每个 EC2 实例）访问 DNS，元数据服务器等，都会限制流量

同时，成熟的公有云，这些指标一般都会对用户提供展示分析界面，例如 AWS 的 CloudWatch 中，就提供了以下几个指标的监控：

在业务流量突增时，我们通过 JFR 发现访问 Redis 有性能瓶颈，但是 Redis 本身的监控显示他并没有遇到性能瓶颈。这时候就需要查看是否因为网络流量限制导致其除了问题，在我们出问题的时间段，我们发现 NetworkBandwidthOutAllowanceExceeded 事件显著提高了很多：

对于这种问题，就得需要考虑垂直扩容（提升实例配置）与水平扩容（多实例负载均衡）了，或者减少网络流量（增加压缩等）