7位大咖關於軟體性能調優的那些事兒

科技 08-08

無論是科學發展觀的核心以人為本，還是互聯網運營信條用戶為王，都證明用戶感受是產品重要的考量標準。

軟體性能就是一個很用戶主觀的概念，不同的人在使用軟體時會有不同的感受和關心視角。

對於軟體性能，有幾個比較重要的指標：響應時間、吞吐量、並發數、資源利用率等。

軟體性能堪憂，用戶體驗低下，極易造成用戶流失，如何正確高效地分析性能問題並解決；開發和運維人員應當如何對軟體性能進行調優，變成了越來越受重視的話題，QCon 上海 2017 也邀請到眾多大咖對軟體性能進行解析分享。

用戶導向時代體驗為王，如何正確高效地分析性能問題並解決，提升用戶感受，成了越來越多的開發者所關注的問題。軟體的響應時間、吞吐量、高並發下是否能夠順利運行在這裡都能得到啟發。

如何提升 Spark 效能並使其完整發揮硬體效能

效能永遠是客戶在 Spark 落地實踐中的其中一個關鍵。在客戶端，時常會有買了最好的設備，卻無法釋放最好的效能的情況。本演講利用幾個典型的 Spark 應用場景包括 SQL 查詢（TPCx-DS）、Kmeans（HiBench）、Terasort（HiBench）針對不同硬體（CPU，記憶體，存儲設備）做效能分析，搭配相對應的軟體調優，增進 Spark 應用的效能。此議題重點帶來 Spark 應用的效能調優及參考架構，藉由軟體的優化，更好的提高硬體的效能。

聽眾受益

你將得知如何評估，監控，及收集 Spark 工作；

你將了解硬體對於 Spark 工作的影響，包括英特爾平台，處理器，記憶體，及存儲設備；

你將得到如何設定及調整 Spark 及 Hadoop 的技巧，從而得到更好的效能發揮。

性能優化：硬體特性如何影響軟體性能

提到數據中心應用的性能優化，一般而言，大眾所熟知的性能優化方案和技巧大多實施於軟體層面，如熱點方法優化、代碼路徑優化、演算法優化等。硬體通常給軟體工程師的印象就是硬體的計算能力是固定的，軟體的性能問題是軟體造成，應該從軟體層面解決，然而實際情況是硬體的很多特性對於軟體的性能影響有很大的影響。本分享和大家一起回顧一些硬體特性，如 Cache，SMT, Multi-core processor 等，並結合一些實際的例子來了解這些特性對於軟體性能的影響。幫助性能優化工程師更全面地了解數據中心應用性能的影響因素，更好地優化數據中心應用的性能。

主要內容

從 Perf 的一個例子矩陣運算說起；

Cache Prefetchers 如何影響了 Perf 的結果；

SMT 下軟體性能測試「哈哈鏡」效應；

多核不僅僅帶來更多的計算能力。

免費的性能午餐——Alibaba JDK 協程

在分散式應，海量機器的背景下，寫出高效的 WebServer 是巨大的技術挑戰。nginx、memcached 等高效的伺服器使用了高效的線程模型，通過非同步編程結合少量線程來服務海量用戶，獲得了相比同步模型更高的性能，更快的響應時間，更低的機器成本。

主流的 Java Web 容器給了我們一個可以獨佔整個線程的編程環境，操作系統消耗大量計算資源在線程調度上。現有的 Java 程序業務複雜、框架眾多，用非同步改寫需要巨大的代價。Alibaba JDK 使用協程作為非同步 IO 的抽象機制，使得現有基於獨佔線程模型的代碼透明的跑在事件驅動模型上，獲得性能提升。

我將和大家分享事件驅動、非同步、協程間的關係、實現原理；如何通過 JVM 改動零感知地讓應用轉換到非同步模型。並結合阿里巴巴的海量電商、中間件應用場景分析非同步的效果。

主要內容

非同步編程和協程；

協程的實現；

透明的 JDK 協程；

協程在阿里巴巴；

Java 語言配合 Servlet 標準是目前大部分 Web 應用的運行環境，幾乎所有服務端軟體工程師都接觸過。工程師們有必要知道他們的代碼所在的運行環境，以及這套運行環境在線程模型上可以進行的改進。

這個 Talk 將幫助大家學到 WebServer 線程模型的相關知識，了解 Alibaba Jdk 的協程特性及相關場景。有助於幫助大家在工作中寫出更高效的程序，並在系統設計中考慮線程模型開銷和協程這樣的語言特性。

驅動數據中心軟體的極限並發性

在線交易、電子商務和實時資料庫等業務應用都需要高標準的服務，而不符合性能規格則可能會導致業務或責任違規。因此，隨著多核處理器的迅速發展，數據中心軟體必須更有效地管理資源共享和爭用。然而，實現高並發性和高性能變得越來越難了。在這個演講中，我們將會討論資源共享和爭用的幾個案例，分享我們的最佳已知方法，從而了解如何識別和優化性能瓶頸，以提供最高的並發性。

聽眾受益

在複雜的環境中識別性能和可擴展性的問題，並找到問題的根本原因。

如何為數據中心軟體開發優化的同步解決方案。

可配置系統的數據高效性能學習

如今許多軟體系統是可配置的，能夠通過特徵選擇提供定製功能。了解不同的特徵選擇能夠讓性能產生的變化是選擇滿足一系列要求的合適配置的關鍵。由於配置空間的巨大以及性能測量可能會有的高成本，通常來說不可能詳盡地探索一個可配置系統的配置空間。因此，用測量的系統變數小樣本來進行準確預測的難度很大。

為了應對這一難題，我們提出了一種名為 DECART 的數據高效學習方法，它結合了幾種機器學習和統計學技術，用於可配置系統的性能預測。 DECART 憑藉一個可用的測量的系統變數樣本來構建、驗證和確定預測模型。對 10 個現實世界中的可配置系統的實證結果也證明了 DECART 的有效性和實用性。值得一提的是，DECART 僅憑一個有限特徵數量的小樣本就實現了 90％或更高的預測精度。此外，我們提出了一個樣本質量的指標，並為大家介紹了一個能用於性能預測的樣本質量定量分析。