一次Java性能调优实践【代码+JVM 性能提升70%】-数字星空

这是我第一次对系统进行调优，涉及代码和JVM层面的调优。如果你能看到最后的话，或许会对你日常的开发有帮助，可以避免像我一样，犯一些低级别的错误。本次调优的代码是埋点系统中的报表分析功能，小公司，开发结束后，没有Code Review环节，所以下面某些问题，也许在Code Review环节就可以避免。

这次调优所使用到的工具有：JProfiler、Arthas、Visual VM。

Arthas用于查看多个方法耗时，JProfiler和Visual VM用于观察JVM运行过程中的堆内存变化，GC活动图，实时对象数和大小等。

调优前后，JDK8，堆内存大小为500M，使用SerialGC，相同数据量的情况下，系统的响应速度提升了70%。

功能介绍

在开始之前，为了大家更好的阅读这篇文章，我会先简要介绍一下这个系统。

此系统是一个埋点系统，客户端上报埋点数据之后，可以在后台对上报的埋点数据进行报表分析。比如统计留存、活跃人数、游戏玩家性别比例等等。

该系统的报表分析功能的逻辑为：

数据获取：从数据库中根据分析时间拉取埋点数据。
全局过滤：对从数据库拉取到的埋点数据执行全局过滤。全局过滤可以对埋点数据中的各个参数执行多个且或或操作。全局过滤后的埋点数据才会进行后续的维度和指标计算。

维度计算：维度(类似于XY轴中的X轴值)是通过将查询到的埋点数据按照分组字段进行分组，该分组字段的值便作为维度值。维度值类型可以是数值、日期、字符串。根据维度值的类型可以进行降序和升序操作，维度可以分为一维和二维。
指标计算：通过将埋点数据按照分组字段进行分组后，得到一组一组的埋点数据，每一组埋点数据由多条埋点数据组成。指标便是通过对每一组中的所有埋点数据执行数值运算，并且可以添加过滤条件(例如只计算性别为”女”的用户)。一个报表可以包含多个指标。

数据组装，前端展示。

上述便是埋点报表功能的主要流程，导致该功能响应超时的原因便是由于维度排序，埋点数据过滤，指标计算导致的。

同事在后台进行报表分析时，发现在分析数据量在3万多的情况下，接口出现了超时(30s)，我一开始以为是由于从数据库拉取数据造成的，但是我通过服务的运行日志发现，在这个接口执行过程中，执行SQL耗时不高并且该SQL走了索引，可以直接将数据库方面的原因排除。

维度优化

定位问题代码

对日志进一步分析发现，发现在处理维度数据时，耗时非常大，因为维度的计算方式很简单，但是耗时却是非常大，这很问题。

从上面的日志中我们可以看到，在对197554条数据进行一维分析时才花了331 ms，但是使用同样的代码，对4012条数据进行维度分析，却花了161 ms，一维和二维都是执行相同的代码，但是耗时却相差这么大。

执行维度分析的代码为：

public List<DimensionData> query(DimensionSetting dimensionSetting, TrackReportSetting trackReportSetting, List<TrackData> trackDataList) {
    List<DimensionData> dimensionDataList = null;
    try {
		    // doQuery方法是根据分组字段对埋点数据进行分组 
        dimensionDataList = doQuery(dimensionSetting, trackReportSetting, trackDataList);
        dimensionDataList = applyDimensionIntervalRange(dimensionDataList, dimensionSetting);
        // 对分组后的维度值进行排序
        sortDimension(dimensionDataList, dimensionSetting);
    } finally {
        completeQuery(dimensionDataList);
    }
    return dimensionDataList;
}

因为这部分的代码比较简单，我一开始并不清楚是由什么导致的，但是后面通过Arthas发现，耗时高是由于执行sortDimension(dimensionDataList, dimensionSetting)方法导致的。

private void sortDimension(List<DimensionData> dimensionDataList, DimensionSetting dimensionSetting) {
    dimensionDataList.sort(new DimensionData());
    AtomicLong atomicSortValue = new AtomicLong(0L);
    dimensionDataList.forEach(t -> {
        t.setSortValue(atomicSortValue.getAndAdd(1L));
    });
}

public class DimensionData implements Comparator<DimensionData> {
    private DimensionSetting dimensionSetting;
    private String dimensionLabel;
    // 省略其它字段

    @Override
    public int compare(DimensionData data1, DimensionData data2) {
        DimensionSetting dimensionSetting = data1.getDimensionSetting();
        AssertUtils.stateThrow(dimensionSetting != null, () -> new XcyeDataException("埋点维度设置不能为空!"));
        DimensionSetting.DimensionSortTypeEnum sortType = dimensionSetting.getSortType();
        if (DimensionSetting.DimensionSortTypeEnum.NATURAL == sortType) {
            Comparator naturalOrder = Comparator.naturalOrder();
            return naturalOrder.compare(data1.getDimensionLabel(), data2.getDimensionLabel());
        }
        String comparableLabel1;
        String comparableLabel2;
        if (DimensionSetting.DimensionSortTypeEnum.DESC == sortType) {
            // 降序
            comparableLabel1 = data2.getDimensionLabel();
            comparableLabel2 = data1.getDimensionLabel();
        } else {
            // 升序
            comparableLabel1 = data1.getDimensionLabel();
            comparableLabel2 = data2.getDimensionLabel();
        }

        Object comparableObj;
        Comparable comparable;
        if (NumberUtil.isNumber(comparableLabel1) && NumberUtil.isNumber(comparableLabel2)) {
            comparable = Double.parseDouble(comparableLabel1);
            comparableObj = Double.parseDouble(comparableLabel2);
        } else if (((DateUtils.isDate(comparableLabel1, "yyyy-MM-dd") || DateUtils.isDate(comparableLabel1, "yyyy-MM-dd HH:mm:ss"))
                && (DateUtils.isDate(comparableLabel2, "yyyy-MM-dd") || DateUtils.isDate(comparableLabel2, "yyyy-MM-dd HH:mm:ss")))) {
            comparable = new Date(DateUtils.parse(comparableLabel1).getTime());
            comparableObj = new Date(DateUtils.parse(comparableLabel2).getTime());
        } else {
            // 其他 一律当做字符串处理
            comparable = comparableLabel1;
            comparableObj = comparableLabel2;
        }
        return comparable.compareTo(comparableObj);
    }
}

罪魁祸首便是compare(DimensionData data1, DimensionData data2)方法，因为一开始设计的时候，并没有提供设置维度类型的选项，但是通常来说，维度一般只会有三种类型，分别是数值字符串，字符以及日期字符串。

上面compare方法便是先尝试对字符串进行数值解析，如果解析失败，再当作时间字符串进行解析，如果还是解析失败，最后才当作普通字符串。

但是在尝试进行数值，日期解析时，在方法执行的内部，会创建额外的对象，至于会创建多少个对象，和维度值的个数有关，并且上面代码本来就存在大量问题。

通过添加JVM参数也可以看到，在执行上面排序的过程中，确实会触发多次GC，从下图也可以看到，在执行compare方法的过程中，GC很频繁，每次GC应用线程的停顿时间平均5ms。

优化排序

既然已经导致compare方法运行时间长的原因了，只需要对症下药就行了。我是采用缓存+提供维度参数类型方式进行优化。优化后的代码为：

public class DimensionData implements Comparator<DimensionData> {
    private DimensionSetting dimensionSetting;
    private String dimensionLabel;
    private ConcurrentHashMap<String, Object> localComparatorCache;

    @Override
    public int compare(DimensionData data1, DimensionData data2) {
        DimensionSetting dimensionSetting = data1.getDimensionSetting();
        AssertUtils.stateThrow(dimensionSetting != null, () -> new XcyeDataException("埋点维度设置不能为空!"));
        DimensionSetting.DimensionSortTypeEnum sortType = dimensionSetting.getSortType();
        if (DimensionSetting.DimensionSortTypeEnum.NATURAL == sortType) {
            Comparator naturalOrder = Comparator.naturalOrder();
            return naturalOrder.compare(data1.getDimensionLabel(), data2.getDimensionLabel());
        }

        String comparatorLabel;
        String comparedLabel;
        if (DimensionSetting.DimensionSortTypeEnum.DESC == sortType) {
            // 降序
            comparatorLabel = data2.getDimensionLabel();
            comparedLabel = data1.getDimensionLabel();
        } else {
            // 升序
            comparatorLabel = data1.getDimensionLabel();
            comparedLabel = data2.getDimensionLabel();
        }

        Object comparedValue = parseComparedValue(comparedLabel, dimensionSetting, data1);
        Comparable<Object> comparable = (Comparable<Object>) parseComparedValue(comparatorLabel, dimensionSetting, data2);
        return comparable.compareTo(comparedValue);
    }

    private Object parseComparedValue(String comparatorLabel, DimensionSetting dimensionSetting, DimensionData dimensionData) {
        ConcurrentHashMap<String, Object> localComparatorCacheTemp = dimensionData.getLocalComparatorCache();
        if (localComparatorCacheTemp == null) {
            throw new XcyeOtherException("localComparatorCache不能为空!");
        }

        DimensionSetting.DimensionFieldValueTypeEnum fieldValueType = dimensionSetting.getFieldValueType();
        if (fieldValueType == null || DimensionSetting.DimensionFieldValueTypeEnum.STRING == fieldValueType) {
            return comparatorLabel;
        }

        Object value = localComparatorCacheTemp.get(comparatorLabel);
        if (value == null) {
            try {
                if (DimensionSetting.DimensionFieldValueTypeEnum.NUMBER == dimensionSetting.getFieldValueType()) {
                    value = Double.parseDouble(comparatorLabel);
                    localComparatorCacheTemp.put(comparatorLabel, value);
                } else if (DimensionSetting.DimensionFieldValueTypeEnum.DATE == dimensionSetting.getFieldValueType()) {
                    value = DateUtils.parse(comparatorLabel);
                    localComparatorCacheTemp.put(comparatorLabel, value);
                } else {
                    value = comparatorLabel;
                }
            } catch (Exception e) {
                log.error("对维度标签进行排序转换时出错: {}", e.getMessage(), e);
                return comparatorLabel;
            }
        }
        return value;
    }
}

localComparatorCache是一个局部缓存，维度计算完成后便会被移除。在对维度值进行解析时，通过在前端传递此维度值的类型，这样，我们便可以不用执行尝试解析维度值类型，也就不用创建额外的对象。

优化之后的运行结果为：

JVM优化前后对比：

	优化前	优化后
GC次数	每次执行compare，平均触发3次	全部执行完才触发1次

指标优化

优化1

指标部分相对于维度部分来说，比较复杂，因为会涉及到数据过滤，四则运算，公式解析等，这部分是采用多线程方法运行的。

先看一下优化前的运行日志(耗时同样很感人)：

入口方法：

public List<DimensionMetricData> doQuery(MetricSetting metricSetting, List<DimensionData> dimensionDataList, int leftOffset, int rightOffset) {
    // 查询事件参数集合
    for (int i = leftOffset; i <= rightOffset; i++) {
        DimensionData dimensionData = dimensionDataList.get(i);
        TrackDataCalculatorDTO trackDataCalculator = new TrackDataCalculatorDTO();
        trackDataCalculator.setPrecomputeTrackDataList(dimensionData.getTrackDataList());

				// 存在性能问题
        MetricCalculator metricCalculator = new TrackFormulaMetricCalculator(metricSetting, dimensionData);
        Double metricValue = (Double) metricCalculator.calculate(trackDataCalculator);

				// 存在性能问题
        String formatValue = MathUtils.doubleFormat(metricValue, metricSetting.getMaximumFractionDigits());
	      // 其余代码
    }
}

// MathUtils.java
public class MathUtils {
  /**
   * 格式化小数点
   */
  public static String doubleFormat(double num1, int maximumFractionDigits) {
      return numberFormat(getFormatPattern(maximumFractionDigits), num1);
  }

  private static String getFormatPattern(int maximumFractionDigits) {
      StringBuilder format = new StringBuilder("#.");
      for (int i = 0; i < maximumFractionDigits; i++) {
          format.append("#");
      }
      return format.toString();
  }

  private static String numberFormat(String pattern, double num) {
      NumberFormat instance = NumberFormat.getInstance(Locale.CHINA);
      if (!(instance instanceof DecimalFormat)) {
          throw new XcyeOtherException("Unexpected NumberFormat implementation");
      }
      DecimalFormat decimalFormat = (DecimalFormat) instance;
      decimalFormat.setRoundingMode(RoundingMode.DOWN);
      decimalFormat.applyPattern(pattern);
      return decimalFormat.format(num);
  }
}

上面代码并不是导致指标计算耗时高的原因，我这里贴出来，是为了在不影响系统正常运行的情况下，可以优化的点。

从上面代码可以看到，在for循环中创建都创建了TrackFormulaMetricCalculator和TrackDataCalculatorDTO对象，TrackDataCalculatorDTO对象创建的目的是为了封装一些计算所需要的参数，创建TrackFormulaMetricCalculator是为了实例化一个公式计算器，并且通过构造方法传递一些参数。

初步理解上面的代码好像没有问题，但是再加上for循环并且doQuery在被调用多次的情况下，那么上面的代码，同样会存在运行过程中创建大量对象的问题，如果堆大小分配不高的情况下，那必然会触发GC。

TrackFormulaMetricCalculator#calculate()方法的执行需要依赖于几个对象，但是并没有其它的类需要从TrackFormulaMetricCalculator类中获取任何属性变量，也就是说TrackFormulaMetricCalculator类可以完全当作一个工具类或者是静态类使用，或者说这种类所对应的对象是线程安全的，可以在任何地方调用对象中的方法(前提是方法不需要依赖于对象内的属性)。

基于上面的分析以及场景，我将TrackFormulaMetricCalculator类中的属性字段都移除，这些字段通过向calculate方法传参的方式进行传递，这样，TrackFormulaMetricCalculator类就可以创建一个常量对象。

对于 TrackDataCalculatorDTO类来说，该类的作用便是存储方法执行过程中，产生的非返回值数据，但是因为doQuery方法内的局部变量是线程安全的，所以可以在doQuery方法中，控制TrackDataCalculatorDTO类只被new一次。

工具类MathUtils中存在的问题为，getFormatPattern(int maximumFractionDigits)方法每次调用的时候，都会构造一个新的字符，然而小数点一般只会有1到4个，所以我们可以将getFormatPattern方法改为，先从缓存中获取指定小数点长度的pattern字符，如果没有，再进行创建。

numberFormat方法同样可以改成走缓存的方式，先根据pattern从缓存中获取DecimalFormat，如果没有，再执行获取DecimalFormat，这样可以减少执行NumberFormat.getInstance的执行。

优化之后的代码为：

private static final MetricCalculator METRIC_FORMULA_CALCULATOR_INSTANCE = new TrackFormulaMetricCalculator();
  @Override
  public List<DimensionMetricData> doQuery(MetricSetting metricSetting, List<DimensionData> dimensionDataList, int reportId,
                                           TrackEvent trackEvent, List<TrackParameter> trackParameterList) {
      TrackDataCalculatorDTO trackDataCalculator = new TrackDataCalculatorDTO();
      trackDataCalculator.setReportId(reportId);

      // 查询事件参数集合
      for (DimensionData dimensionData : dimensionDataList) {
          trackDataCalculator.setPrecomputeTrackDataList(dimensionData.getTrackDataList());
          trackDataCalculator.setDimensionData(dimensionData);
          trackDataCalculator.setMetricSetting(metricSetting);
          trackDataCalculator.setTrackParameterList(trackParameterList);

          Double metricValue = (Double) METRIC_FORMULA_CALCULATOR_INSTANCE.calculate(trackDataCalculator);
          String formatValue = MathUtils.doubleToPercent(metricValue, metricSetting.getMaximumFractionDigits());
          // 其它代码
          
      }
  }

// MathUtil.java
public class MathUtils {

    private static final ConcurrentHashMap<Integer, String> FORMAT_PATTERN_CACHE = new ConcurrentHashMap<>();

    private static final ConcurrentHashMap<String, DecimalFormat> DECIMAL_FORMAT_CACHE = new ConcurrentHashMap<>();

    public static String doubleFormat(double num1, int maximumFractionDigits) {
        return numberFormat(getFormatPattern(maximumFractionDigits), num1);
    }

    public static String doubleToPercent(double num1, int maximumFractionDigits) {
        String formatPattern = getFormatPattern(maximumFractionDigits);
        if (!StringUtils.hasLength(formatPattern)) {
            formatPattern = ".#";
        }
        return numberFormat(formatPattern + "%", num1);
    }

    private static String getFormatPattern(int maximumFractionDigits) {
        String formatCache = FORMAT_PATTERN_CACHE.get(maximumFractionDigits);
        if (StringUtils.hasLength(formatCache)) {
            return formatCache;
        }
        StringBuilder format = new StringBuilder("#.");
        for (int i = 0; i < maximumFractionDigits; i++) {
            format.append("#");
        }
        formatCache = format.toString();
        FORMAT_PATTERN_CACHE.put(maximumFractionDigits, formatCache);
        return formatCache;
    }

    private static String numberFormat(String pattern, double num) {
        DecimalFormat decimalFormat = DECIMAL_FORMAT_CACHE.get(pattern);
        if (decimalFormat == null) {
            NumberFormat numberFormat = NumberFormat.getInstance(Locale.CHINA);
            if (!(numberFormat instanceof DecimalFormat)) {
                throw new XcyeOtherException("Unexpected NumberFormat implementation");
            }
            decimalFormat = (DecimalFormat) numberFormat;
            decimalFormat.setRoundingMode(RoundingMode.DOWN);
            decimalFormat.applyPattern(pattern);
            DECIMAL_FORMAT_CACHE.put(pattern, decimalFormat);
        }
        return decimalFormat.format(num);
    }
}

优化2

核心计算指标数据的方法是calculate，该方法代码为：

public class TrackFormulaMetricCalculator {
public Double calculate(TrackDataCalculatorDTO trackDataCalculator) {

        // 指标计算公式
        String formula = metricSetting.getFormula();
        List<String> formulaElementList = metricSetting.getFormulaElementList();

        // 根据公式组合Aviator参数
        Map<String, Object> env = new HashMap<>();
        Map<String, String> adapterAviatorFormulaElementMap = adapterAviatorFormulaElementMap(formulaElementList);
        for (String formulaElement : formulaElementList) {
            // 判断是否是内置的公式元素
            if (INTERNAL_FORMULA_ELEMENT_SET.contains(formulaElement)) {
                continue;
            }

            // 解析公式表达式
            FormulaExpression formulaExpression = resolveFormulaExpression(formulaElement);

            // 计算
            Double computeValue = computeFormulaResult(formulaExpression, dimensionData, trackDataCalculator);
            env.put(adapterAviatorFormulaElementMap.get(formulaElement), computeValue);
        }

        formulaElementList.sort((s1, s2) -> {
            boolean s1Status = s1.contains("{");
            boolean s2Status = s2.contains("{");
            if (s1Status && s2Status) {
                return s2.length() - s1.length();
            }
            if (s1Status) {
                return -1;
            }
            if (s2Status) {
                return 1;
            }
            return s2.length() - s1.length();
        });
        // 公式替换
        for (String formulaElement : formulaElementList) {
            if (INTERNAL_FORMULA_ELEMENT_SET.contains(formulaElement)) {
                continue;
            }
            formula = formula.replace(formulaElement, adapterAviatorFormulaElementMap.get(formulaElement));
        }

        Expression expression = null;
        try {

            expression = instance.compile(formula, false);
        } catch (Exception e) {
            log.error(e.getMessage(), e);
            throw new XcyeOtherException("编译公式: " + formula + "失败!");
        }
        Object executeResult = expression.execute(env);
        // 将值转换为Double类型
        return parseDouble(executeResult);
    }
}

上面代码所执行的方法比较多，我们无法一眼就看出问题所在，这里可以借助阿里巴巴的Arthas工具，查看类中每个方法的耗时。

启动Arthas之后，通过trace命令对calculate，computeFormulaResult，filterTrackDataByConditionalExpress这几个方法进行跟踪。

`---ts=2024-07-06 18:23:38;thread_name=xxx-track-event-metric-compute-7;id=508;is_daemon=true;priority=5;TCCL=org.springframework.boot.web.embedded.tomcat.TomcatEmbeddedWebappClassLoader@50a095cb
    `---[0.7025ms] xxx.calculator.TrackFormulaMetricCalculator:calculate()
        `---[99.19% 0.6968ms ] xxx.calculator.TrackFormulaMetricCalculator:calculate() #39
            `---[99.17% 0.691ms ] xxx.calculator.TrackFormulaMetricCalculator:calculate()
                +---[0.41% 0.0028ms ] xxx.entity.dto.MetricSettingDTO:getFormula() #100
                +---[0.30% 0.0021ms ] xxx.entity.dto.MetricSettingDTO:getFormulaElementList() #101
                +---[0.96% 0.0066ms ] xxx.calculator.TrackFormulaMetricCalculator:adapterAviatorFormulaElementMap() #105
                +---[8.41% min=0.0117ms,max=0.0318ms,total=0.0581ms,count=3] xxx.calculator.TrackFormulaMetricCalculator:resolveFormulaExpression() #113
                +---[29.87% min=0.0409ms,max=0.1144ms,total=0.2064ms,count=3] xxx.calculator.TrackFormulaMetricCalculator:computeFormulaResult() #116
                |   `---[90.99% min=0.0349ms,max=0.1079ms,total=0.1878ms,count=3] xxx.calculator.TrackFormulaMetricCalculator:computeFormulaResult()
                |       +---[2.77% min=0.0017ms,max=0.0018ms,total=0.0052ms,count=3] xxx.entity.analyse.DimensionData:getTrackDataList() #282
                |       +---[58.15% min=0.0078ms,max=0.0935ms,total=0.1092ms,count=3] xxx.calculator.TrackFormulaMetricCalculator:filterTrackDataByConditionalExpress() #281
                |       |   `---[84.34% min=0.0024ms,max=0.0873ms,total=0.0921ms,count=3] xxx.calculator.TrackFormulaMetricCalculator:filterTrackDataByConditionalExpress()
                |       |       +---[2.06% 0.0019ms ] xxx.entity.dto.MultiConditionExpressDTO:getConditionList() #315
                |       |       +---[78.39% 0.0722ms ] xxx.util.TrackDataFilterUtil:filter() #322
                |       |       `---[2.71% 0.0025ms ] xxx.xxx.service.platform.po.TrackParameter:getType() #324
                |       +---[3.19% min=0.0019ms,max=0.0022ms,total=0.006ms,count=3] xxx.entity.dto.TrackDataCalculatorDTO:setFinallyComputeTrackDataList() #283
                |       +---[3.57% min=0.0032ms,max=0.0035ms,total=0.0067ms,count=2] xxx.calculator.FormulaCalculateFactory:createFormulaCalculateFactory() #291
                |       `---[10.06% min=0.0047ms,max=0.0142ms,total=0.0189ms,count=2] xxx.calculator.strategy.FormulaCalculateStrategy:calculate() #292
                +---[49.58% 0.3426ms ] com.googlecode.aviator.AviatorEvaluatorInstance:compile() #145
                +---[2.13% 0.0147ms ] com.googlecode.aviator.Expression:execute() #150
                `---[0.82% 0.0057ms ] xxx.calculator.TrackFormulaMetricCalculator:parseDouble() #152

如何通过Arthas寻找到突破口？

可以对跟踪结果进行分析，重点关注，调用耗时高的那些方法。

从上面可以看到，在执行calculate方法时，在computeFormulaResult和AviatorEvaluatorInstance:compile()方法上花费了太多时间。

先来分析computeFormulaResult方法，该方法执行过程中，58%的时候花在filterTrackDataByConditionalExpress()方法上，而该方法最终调用TrackDataFilterUtil#filter()。

使用trace -E TrackDataFilterUtil ‘filter|getFilterTrackDataExpress’ -n 20对该方法及内部其它方法进行跟踪，跟踪结果如下：

---ts=2024-07-06 18:42:48;thread_name=xxx-track-event-metric-compute-4;id=501;is_daemon=true;priority=5;TCCL=org.springframework.boot.web.embedded.tomcat.TomcatEmbeddedWebappClassLoader@50a095cb
    `---[0.0843ms] xxx.xxx.util.TrackDataFilterUtil:filter()
        +---[17.08% 0.0144ms ] xxx.xxx.util.TrackDataFilterUtil:getFilterTrackDataExpress() #66
        |   `---[78.47% 0.0113ms ] xxx.xxx.util.TrackDataFilterUtil:getFilterTrackDataExpress()
        |       +---[29.20% 0.0033ms ] xxx.xxx.util.MultiConditionExpressUtil:parseMultiConditionExpressMap() #198
        |       +---[10.62% 0.0012ms ] org.slf4j.Logger:isDebugEnabled() #200
        |       `---[14.16% 0.0016ms ] com.googlecode.aviator.AviatorEvaluatorInstance:compile() #206
        `---[73.55% 0.062ms ] xxx.xxx.util.TrackDataFilterUtil:createMultiKeyMap()
            +---[12.26% 0.0076ms ] xxx.xxx.utils.object.MapUtils:convertObjToMap() #122
            +---[11.13% 0.0069ms ] xxx.xxx.util.TrackDataFilterUtil:createParamValueMap() #123
            +---[1.61% 0.001ms ] xxx.xxx.service.platform.po.TrackData:getOtherData() #125
            +---[5.00% 0.0031ms ] xxx.xxx.utils.json.JSONUtils:parseJsonToObj() #126
            +---[2.10% 0.0013ms ] xxx.entity.dto.TrackOtherDataAdminDTO:getRequestAddressInfo() #128
            +---[2.10% 0.0013ms ] xxx.entity.dto.TrackOtherDataAdminDTO:getOperationSystem() #129
            +---[1.77% 0.0011ms ] xxx.entity.dto.TrackOtherDataAdminDTO$RequestAddressInfo:getLocationAddress() #135
            +---[1.61% 0.001ms ] xxx.entity.dto.TrackOtherDataAdminDTO$OperationSystem:getName() #140
            +---[1.61% 0.001ms ] xxx.entity.dto.TrackOtherDataAdminDTO$OperationSystem:getVersion() #141
            +---[1.77% 0.0011ms ] xxx.entity.dto.TrackOtherDataAdminDTO$RequestAddressInfo:getIp() #144
            +---[1.77% 0.0011ms ] xxx.entity.dto.TrackOtherDataAdminDTO$RequestAddressInfo:getLocationAddress() #146
            +---[1.61% 0.001ms ] xxx.xxx.utils.http.IpLocationUtil$LocationAddress:getCity() #146
            +---[1.77% 0.0011ms ] xxx.entity.dto.TrackOtherDataAdminDTO$RequestAddressInfo:getLocationAddress() #148
            +---[1.45% 9.0E-4ms ] xxx.xxx.utils.http.IpLocationUtil$LocationAddress:getIsp() #148
            +---[1.94% 0.0012ms ] xxx.entity.dto.TrackOtherDataAdminDTO$RequestAddressInfo:getLocationAddress() #150
            +---[1.61% 0.001ms ] xxx.xxx.utils.http.IpLocationUtil$LocationAddress:getCountry() #150
            +---[1.77% 0.0011ms ] xxx.entity.dto.TrackOtherDataAdminDTO$RequestAddressInfo:getLocationAddress() #152
            +---[1.61% 0.001ms ] xxx.xxx.utils.http.IpLocationUtil$LocationAddress:getRegion() #152
            +---[1.77% 0.0011ms ] xxx.entity.dto.TrackOtherDataAdminDTO$RequestAddressInfo:getLocationAddress() #154
            `---[1.61% 0.001ms ] xxx.xxx.utils.http.IpLocationUtil$LocationAddress:getProvince() #154

从上面可以得到，导致TrackDataFilterUtil#filter方法执行慢的原因主要是是由于createMultiKeyMap方法以及getFilterTrackDataExpress方法，所以我们可以尝试对这两个方法进行优化，减少执行这两个方法所花费的时间。

别看上面filter方法耗时很小(感觉时间不太对，耗时不止这点)，但是filter方法会被调用很多次，积少成多，也会对系统的性能造成影响。

parseMultiConditionExpressMap和AviatorEvaluatorInstance:compile是影响getFilterTrackDataExpress的主要因素，而AviatorEvaluatorInstance:compile方法因为Avator内部已经使用LRU进行了优化，而parseMultiConditionExpressMap方法的主要逻辑是对参数进行解析，从中拼接出最终的表达式，如果要优化的话，就只能使用缓存的方式，我最终因为一些因素，并没有对该方法进行优化。

现在就只剩下createMultiKeyMap方法了，该方法代码为：

// 优化前
private static Map<String, Object> createMultiKeyMap(TrackData trackData,
                                                     Map<String, TrackParameter> eventParameterMap) {
    Map<String, Object> resultMap = MapUtils.convertObjToMap(trackData);
    createParamValueMap(trackData, eventParameterMap, resultMap);
    
    String otherDataJson = trackData.getOtherData();
    TrackOtherDataAdminDTO otherData = JSONUtils.parseJsonToObj(otherDataJson, TrackOtherDataAdminDTO.class);
    // 其余代码
}

// 优化后
private static Map<String, Object> createMultiKeyMap(TrackDataDTO trackData,
                                                     Map<String, TrackParameter> eventParameterMap) {
    Map<String, Object> resultMap = MapUtils.convertObjToMap(trackData);
    createParamValueMap(trackData, eventParameterMap, resultMap);

    TrackOtherDataAdminDTO otherData = trackData.getTrackOtherDataAdmin();
    // 其余代码
}

上述优化的思想为，通过跟踪发现在将json反序列化为TrackOtherDataAdminDTO时，比较耗时，然后又因为TrackData对象，在从数据库加载到内存之后，后续的所有过程中都不会对TrackData中的数据进行修改，因为该类中的otherData和value字段的值都是json类型并且这两个json反序列化后的数据，在计算的过程会被经常使用但不会对其进行修改。

之前的逻辑都是在使用otherData和value数据时，执行反序列化操作，所以会存在重复的反序列化过程。

优化后，在数据从数据库加载到内存之后，便对TrackData中的otherData和value字段按需反序列化，将反序列后的值存储到TrackData的子类TrackDataDTO中，这样便减少了重复的反序列化过程。

通过上面的优化，优化前后变化如下：

数据库

限制单次查询最大条数

报表分析这个功能，我是一次性便将所有数据从数据库加载到内存中进行计算。测试发现，加载17万条数据大概要占用250多M堆内存，再加上后续计算过程中产生的新对象以及其它接口的使用，我们需要合理的分配堆内存的大小。必须要限制单次最大查询条数。

如果担心设置的最大查询条数和当前堆内存大小不匹配，可以试试动态的方式。通过公式最大条数 = (Xmx - 预留堆内存大小) * 1024 * 1024 / 单个SQL映射的实体类对象大小动态获取单次查询的最大条数，这样也不用担心，在堆内存很大但是单次查询条数很小的情况发生。

可以使用ClassLayout类计算实体类对象大小，如果想要计算一个类的最终大小，还需要对实体类中的字段也进行计算(对象中的字段只存储引用值)。

使用其它数据库

我们目前是将埋点数据存储到MySQL中，并且在存储的时候，是将上报的数据序列化成JSON格式，保存在value字段中，在使用时，在进行反序列化操作。

这样就导致了在从数据库中查询埋点数据时，我们没办法利用SQL的方式，只返回JSON数据中的部分key(MySQL应该是可以在查询时将string转成JSON操作)。

如果我们可以做到这点的话，那么在查询数据时，便可以按需查询，在一定程度上，可以降低内存的开销。可以将埋点数据保存值非关系型数据库(MySQL也支持JSON存储)，比如MongoDB。

响应体优化

响应体优化也是必不可少的一部分。特别是对于响应体比较大&服务器带宽小等情况，我觉得响应体优化是必须的。

响应体优化措施有：

选择合适的响应体格式。
使用分页。
如果是JSON等类似格式，如果存在大量相同的key时，可以减少key的长度。
移除不需要的字段。

对于报表分析来说，响应体格式我使用的时JSON，存在大量重复的key，所以我将这些重复的key尽可能的缩短(如果真这样做，就不必考虑可读性，在代码中把注释写好就行)，以及移除了那些前端不会使用的key。

优化前后响应体对比(未开gzip压缩，ApiFox工具)：

4.82M是将长key缩短为两三个字母的结果

从上面可以看出，我们只是对响应体的key作一些改变，便可以将响应体大小降低50%左右，如果再加上响应体压缩，对响应时间的提升肯定是巨大的。

响应体优化这里，我还想到一个点，但是最终的收益可能就不好说。如果数据比较多，重复度也比较高的情况下，那是不是可以将多条重复的数据整合成一条，也就是后端只返回一条，通过使用其它数据比较小的字段向前端说明，但是这样，可能操作起来比较复杂。

启用自动压缩

因为报表分析结果需要发送给前端进行展示，响应体的内容也比较大。如果对几十万条数据进行分析，在不压缩情况下，响应体可能会有几十M。

在SpringBoot中，如果要开启响应体压缩，只需要在配置文件中加上

server:
  compression:
    enabled: true
    mime-types: application/json
    min-response-size: 2097152 # 单位byte

并不需要在响应头上增加额外的配置。启用响应体压缩前后对比：

开启响应体压缩的情况下，响应体大小从5.1M降到654Kb。

缓存

缓存大家一定不会忘记，这里我就不多说了。

JVM

增大堆内存大小

如果需要从数据库加载大量的数据到内存中进行计算，我们必须要仔细的设置堆内存大小。如果堆内存设置得比较小，容易发生OOM，就算没有发生OOM，也可能会存在，90%以上时间都用于GC回收。

JVM字符串去重

在报表分析这个功能中，在计算维度和指标值时，会需要使用到埋点数据中的的某个字段值，然而目前是使用MySQL存储，存储的时候，是将埋点数据转成JSON字符存储的，在使用的过程中，再将JSON反序列化成其它对象，比如POJO，Map等。

反序列化这个过程可能会执行多次，也就是会存在将{\"name\": \"xcye\", \"age\": 12,\"site\" :\"www\"}进行多次解析，那么便会存在，相同字符存在多份的情况。这些重复的字符串同样会占据在堆内存中，在触发GC时，因为这些对象还在被使用，根据可达性原理，是无法被回收的。

既然如此，如果可以在GC的时候，能够对重复的字符串进行去重，那么在GC后，便可以释放更多的堆内存，特别是对于，频繁反序列化的场景。

在G1收集器中提供了这个功能，可以使用-XX:+UseStringDeduplication参数开启这个功能，该选项默认情况下是被禁用的，-XX:+PrintStringDeduplicationStatistics参数可以打印字符串去重的统计信息。据介绍，字符串去重可以降低10%的堆内存压力。其基本原理是，许多字符串都是完全相同的，因此可以让这些字符串对象共享同一个字符数组，而不是每个字符串对象都有自己的字符数组。

https://docs.oracle.com/javase/8/docs/technotes/tools/windows/java.html

因为在这个功能中，在进行报表分析的时候，会存在很多重复的字符串，我选了其中一条去重结果，如下：

[GC concurrent-string-deduplication, 21.1M->2127.8K(19.0M), avg 79.6%, 0.0448218 secs]
   [Last Exec: 0.0448218 secs, Idle: 0.1404486 secs, Blocked: 0/0.0000000 secs]
      [Inspected:          224587]
         [Skipped:              0(  0.0%)]
         [Hashed:          224587(100.0%)]
         [Known:                0(  0.0%)]
         [New:             224587(100.0%)     21.1M]
      [Deduplicated:       198174( 88.2%)     19.0M( 90.2%)]
         [Young:                1(  0.0%)     24.0B(  0.0%)]
         [Old:             198173(100.0%)     19.0M(100.0%)]
   [Total Exec: 36/0.1176846 secs, Idle: 36/256.6703979 secs, Blocked: 35/0.0046191 secs]
      [Inspected:          649023]
         [Skipped:              0(  0.0%)]
         [Hashed:          536577( 82.7%)]
         [Known:            48610(  7.5%)]
         [New:             600413( 92.5%)     70.3M]
      [Deduplicated:       463019( 77.1%)     55.9M( 79.6%)]
         [Young:            45391(  9.8%)   4292.6K(  7.5%)]
         [Old:             417628( 90.2%)     51.8M( 92.5%)]
   [Table]
      [Memory Usage: 5256.4K]
      [Size: 131072, Min: 1024, Max: 16777216]
      [Entries: 180582, Load: 137.8%, Cached: 0, Added: 183780, Removed: 3198]
      [Resize Count: 7, Shrink Threshold: 87381(66.7%), Grow Threshold: 262144(200.0%)]
      [Rehash Count: 0, Rehash Threshold: 120, Hash Seed: 0x0]
      [Age Threshold: 3]
   [Queue]
      [Dropped: 0]

上面这条去重记录发生在，首次对所有查询到的数据中的value和otherData(都是JSON)进行反序列化操作(转为Map和其它对象)，存在大量的重复key和重复value。

通过上面的记录也可以看到，本次224587个字符串都是新产生的，其中88.2%的字符串都是重复的，去重结果为，从21.1M降低到2127.8K。【上述记录只代表一次去重，随着程序的执行，还会存在去重操作】

通过JProfiler我们也可以观察到启用和禁用-XX:+UseStringDeduplication时的堆内存情况：