nkv客户端性能调优

此文已由作者张洪箫授权网易云社区发布。

欢迎访问网易云社区，了解更多网易技术产品运营经验。

问题描述

随着考拉业务的增长和规模的扩大，很多的应用都开始重度依赖缓存服务，也就是杭研的nkv。但是在使用过程中，发现服务端压力并不是特别大的情况下，客户端的rt却很高，导致应用在到达一定并发的情况下，服务的质量下降的非常严重，甚至出现不可用的情况。这个在大促阶段尤其严重，所以在杭研性能测试团队(这里特别感谢霞姐和小宝的大力支持)的协助下，在线下进行了压测和问题定位。

问题发现过程

测试使用了dubbo接口调用形式对fee工程进行加压，fee会在被调用后通过nkv客户端访问nkv服务端。

第一阶段

在逐步加压的过程中，发现并发到达150时，rt已经涨到50ms左右，此时使用jstack打印堆栈，发现大量的线程在等待消息的返回。反观此时服务端的情况，基本无压力，故此时定位，瓶颈在客户端。
review客户端代码，客户端调用服务端采用的是netty的异步方式，同步接口会在调用netty发送消息后使用future来获得响应;异步则将future返回给应用，交由应用处理。简单的过了一遍代码，并没有发现什么异常。
因为从哨兵监控上观察应用并没有异常，只是上下文切换的次数稍多，差不多有8w左右，怀疑有可能是因为线程数过多导致上下文切换过于频繁导致，所以将dubbo的线程数从400降低到了200，再次压测，发现在同等并发数下，rt比之前低，在40ms左右。
因为40ms并不能满足要求，而且不过压测机的并发数提高多少，qps最高只能在1500-1700左右徘徊，无法继续加压，所以只能继续找问题。

第二阶段

在之后的阶段卡了很久。后来观察到qps不高，load却比较高，邵峰提出是否是netty的一个bug，即在并发不高的情况下，占用大量的cpu，导致响应较慢，尝试把netty的更换到一个较高的版本，再次尝试，问题依然。

第三阶段

百思不得其解的时候，霞姐偶然在监控堆栈的地方看到有几率出现在一个锁的地方停留，然后回过头仔细看了下那段代码，终于发现了问题。
nkv在调用netty发送消息前会做这两个操作，第一个是将channal和seq的信息放到一个DelayQueue中，然后再将seq和channal的对应放到一个ConcurrentHashMap里

然后再收到响应后，从DelayQueue中删除收到消息对应的信息，再根据seq找到channal，然后唤醒等待的线程。

DelayQueue在这里主要是为了防止在某些异常情况下，导致channal未释放，会有另一个线程定时扫描DelayQueue清除超时对象。
但是在大并发下，由于DelayQueue的删除是上锁后遍历整个列表的，所以收到响应后的清除操作，会将网络回调线程和业务的发送线程阻塞，虽然很快就收到服务端的响应，但是回调线程却无法回调，所以导致整体响应非常慢。

第四阶段

找到原因后，解决方案的选择就比较多，后来选择的方案是将DelayQueue去掉，在调用发送后，将获取future的结果的操作放入try-finally中，释放chnnal的操作放在finally，则同步操作时释放肯定会被执行。异步操作则是在网络线程的回调后清除channal。
修改完成后，再次压测，再qps接近3倍的情况下，平均rt降低到原来的1/4，基本满足了本次调优的目标。

第五阶段

调优是没有止境的，所以再过了一遍代码，发现在调用netty发送后，客户端调用了await来等待网络的回调，

但是因为nkv的rt正常情况下非常低，很多操作都是毫秒内的，但是await的单位是毫秒，这样很有可能导致有些情况下本来需要1.1.毫秒的操作，却变成了2ms。
所以就将await改成了awaitNanos，纳秒级等待。
修改后测试，在使用batch操作时，平均rt降低1.6ms，可能有些人觉得才1.6ms，差别不大，但是在99%响应在10ms内的缓存服务中，降低1.6毫秒的影响已经很大了。

总结

需要好的工具，像霞姐他们的性能测试工具，这样事半功倍
往往优化的点就是备忽略的点，还是得自己review
优化无止境，小的点也会有很大的影响

免费体验云安全(易盾)内容安全、验证码等服务

更多网易技术、产品、运营经验分享请点击。