解決JAVA服務器性能問題通過負載測試和分析來改善JAVA服務器應用的性能作者：Ivan Small譯者:xMatrix版權聲明：任何獲得Matrix授權的網站，轉載時請務必以超鏈接形式標明文章原始出處和作者信息及本聲明作者:Ivan Small;
xMatrix原文地址:
http://www.javaworld.com/javaworld/jw-02-2005/jw-0207-server-p3.html中文地址:
http://www.matrix.org.cn/resource/article/43/43998_server_capacity.html關鍵詞： server capacity
摘要改善JAVA服務器的性能需要模擬負載下的服務器。創建一個模擬環境、搜集數據并且分析結果可能是對許多開發人員的挑戰。這篇文章中的示例介紹了JAVA服務器性能分析的概念和工具。作者使用這個示例來研究超額請求次數下內存使用和同步竟爭的影響。
作者Ivan Small
項目團隊已經很熟悉如何組織一些具體的任務并完成他們。簡單的性能問題很容易由一個開發人員分離并解決。然而大的性能問題，通常在系統處于高負載情況下發生，就不是這么簡單能處理的了。這些問題需要一個獨立的測試環境、一個模擬的負載，并且需要仔細地分析和跟蹤。
在這篇文章中，我使用比較通用的工具和設備創建了一個測試環境。我會專注于兩個性能問題，內存和同步，他們很難用簡單的分析得到。通過一個具體的例子，我希望比較容易地解決復雜的性能問題而且可以提供處理問題過程中的細節。
改善服務器的性能服
務器的性能改善是依賴于數據的。沒有可靠的數據基礎而更改應用或環境會導致更差的結果。分析器提供有用的JAVA服務器應用信息，但由于從單用戶負載下的
數據與多用戶負載下得到的數據是完全不同的，這導致分析器的數據并不精確。在開發階段使用分析器來優化應用的性能是一個好的方式，但在高負載下的應用分析
可以取到更好的效果。
在負載下分析服務器應用的性能需要一些基本的元素：
1、可控的進行應用負載測試的環境。
2、可控的人造負載使得應用滿負荷運行。
3、來自監視器、應用和負載測試工具自身的數據搜集。
4、性能改變的跟蹤。
不要低估最后一個需求（性能跟蹤）的重要性因為如果不能跟蹤性能你就不能實際的管理項目。性能上10-20%的改善對單用戶環境來說并沒有什么不同，但對支持人員來說就不一樣了。20%的改善是非常大的，而且通過跟蹤性能的改善，你可以提供重要的反饋和持續跟蹤。
雖然性能跟蹤很重要，但有時為了使后續的測試更加精確而不得不拋棄先前的測試結果。在性能測試中，改善負載測試的精確性可能需要修改模擬環境，而這些變化是必須的，通過變化前后的負載測試你可以觀察到其中的轉變。
可控的環境 可
控的環境最少也需要兩臺獨立的機器和第三臺控制的機器。其中一臺用來生成負載，另一臺作為控制機與前一臺建立測試應用并接受反饋，第三臺機器運行應用。此
外，負載和應用機器間的網絡應該與局域網分開?？刂茩C接受運行應用機器的反饋如操作系統、硬件使用率、應用（特別是VM）的狀態。
負載模擬最精確的模擬通常用實際的用戶數據和WEB服務器端的訪問日志。如果你還沒有實際布署或者缺少實際的用戶數據，你可以通過構造類似的場景或詢問銷售和產品管理團隊或做一些有依據的猜想。協調負載測試和實際用戶體驗是一個持續的過程。
在
模擬中一些用戶場景是必須的。如在一個通用地址薄應用中，你應該區分更新和查詢操作。在我的測試應用中GrinderServlet類只有一個場景。單用
戶連接10次訪問這個servlet（在每一次訪問間有一段暫停）。雖然這個應用很小，我認為這可以重復一些常見的東西。用戶通常不會連接給服務器請求而
沒有間斷。如果沒有間斷，我們可能不能得到更精確的實際用戶上限。
串行10個請求的另一個原因是實際應用中不會只有一個HTTP請求。單一而又分離的請求可以影響環境中的許多因素。對Tomcat來說，會為每一個請求創建一個會話，并且HTTP協議允許不同的請求重用連接。我會修改一下負載測試來避免混洧。
GrinderServlet類不會執行任何排序操作，但這個需求在大部分應用中都很普通。在這些應用中，你需要創建模擬的數據集并且用他們來構造相關用例的負載測試。
例如，如果用例涉及到用戶登錄一個WEB應用，從可能的用戶列表中選取隨機的用戶會只使用一個用戶更精確。否則，你可能不經意地使用了系統緩存或其他的優化或一些微妙的東西，而這會使得結果不正確。
負載測試軟件負
載測試軟件可以構造測試場景并且對服務進行負載測試。我會在下面的示例中使用OpenSTA測試軟件。這軟件簡單易學，結果也很容易導出，并且支持參數化
腳本，還可以監視信息的變化，他的主要缺點是基于Windows，但在這兒不是個問題。當然還有很多可選項如Apache的JMeter和Mercury
的LoadRunner。
The GrinderServlet列表1中顯示了GrinderServlet類，列表2中顯示了Grinder類
Listing 1
package pub.capart;
import java.io.*;
import java.util.*;
import javax.servlet.*;
import javax.servlet.http.*;
public class GrindServlet extends HttpServlet {
protected void doGet(HttpServletRequest req, HttpServletResponse res)
throws ServletException, IOException {
Grinderv1 grinder = Grinderv1.getGrinder();
long t1 = System.currentTimeMillis();
grinder.grindCPU(13);
long t2 = System.currentTimeMillis();
PrintWriter pw = res.getWriter();
pw.print("<html>\n< body> \n");
pw.print("Grind Time = "+(t2-t1));
pw.print("< body> \n< /html> \n");
}
}
Listing 2
package pub.capart;
/**
* This is a simple class designed to simulate an application consuming
* CPU, memory, and contending for a synchronization lock.
*/
public class Grinderv1 {
private static Grinderv1 singleton = new Grinderv1();
private static final String randstr =
"this is just a random string that I'm going to add up many many times";
public static Grinderv1 getGrinder() {
return singleton;
}
public synchronized void grindCPU(int level) {
StringBuffer sb = new StringBuffer();
String s = randstr;
for (int i=0;i<level;++i) {
sb.append(s);
s = getReverse(sb.toString());
}
}
public String getReverse(String s) {
StringBuffer sb = new StringBuffer(s);
sb = sb.reverse();
return sb.toString();
}
}
類
很簡單，但他們會產生兩個很常見的問題。咋一看瓶頸可能由grindCPU()方法的同步修飾符引起，但實際上內存消耗才是真正的問題所在。如圖1，我的
第一個負載測試顯示了常見的負載變化。在這里負載變化很重要因為你正在模擬一個高的負載。這種熱身的方式也更精確因為避免了JSP編譯引起的問題。我通常
習慣于在進行負載測試前先進行單用戶模擬。
Figure 1
我
在這篇文章中會使用相同的容量小結圖。在執行負載測試時還有更多的可用信息，但這里只用了有用的部分。最上面的面板包含每秒完成的請求數和請求時間信息。
第二個面板包含活動用戶數和失敗率，我將超時、不正確的服務器應答和長于5秒的請求認為是失敗的。第三個面板包含JVM內存統計和CPU使用率。CPU值
是所有處理器的用戶時間的平均值，這里所有的測試機器都是雙CPU的。內存統計圖包含垃圾回收表和每秒垃圾回收數。
圖1中兩個最明顯的數據是50%的CPU使用率和大量內存使用和釋放。從列表2中可以看出這個原因。同步修飾符導致所有進程串行處理，就好像只用了一個CPU，而算法導致大量內存消耗在局部變量上。
通過CPU是個受限的資源，如果在這個測試中我可以完全利用到兩個CPU的話就可以提高一倍的性能。垃圾回收器運行得如此頻繁以致于不能忽略。在測試中每秒釋放的內存達到100M，很顯然這是個限制因素。失敗數這么大明顯這個應用是不可用的。
監視在生成合理的用戶負載后，監視工具需要收集進程的運行狀況。在我的測試環境中可以收集到各種有用的信息：
1、 所有計算機、網絡設備
2、 等等的使用率
3、 JVM的統計數據。
4、 個別JAVA方法所花費的時間。
5、 數據庫性能信息，6、 包括SQL查詢的統計。
7、 其他應用相關的信息
當
然這些監視也會影響負載測試，但如果影響比較小也可以忽略?；旧先绻覀兿氆@取所有上面的信息，肯定會影響測試的性能。但如果不是一次獲取所有信息還是
有可能保證負載測試的有效性。僅對特定的方法設置定時器，僅獲取低負載的硬件信息和低頻率地獲取樣例數據。當然不加載監視器來做測試是最好的，然后和加載
監視器的測試來做比較。雖然有時候侵入式監視是個好主意，但就不可能有監視結果了。
獲取所有監視數據到一個中央控制器來做分析是
最好的，但使用動態運行時工具也可以提供有用的信息。例如，命令行工具如PS、TOP、VMSTAT可以提供UNIX機器的信息；性能監視器工具可以提供
WINDOWS機器的信息；而TeamQuest, BMC Patrol, SGI's Performance Co-Pilot, and
ISM's
PerfMan這樣的工具會在所有的測試環境中的機器安裝代理并且將需要的信息傳回中央控制機，這樣就可以提供文本或可視化的信息。在本文中，我使用開源
的Performance Co-Pilot作為測試統計的工具。我發現他對測試環境的影響最小，并且以相對直接的方式來提供數據。
JAVA
分析器提供很多信息，但通常對負載測試來說影響太大而沒有太多的用處。工具甚至可以讓你在負載服務器上做一些分析，但這也很容易便測試無效。在這些測試
中，我激活了詳細的垃圾收集器來收集內存信息。我也使用jconsole 和jstack工具（包含在J2SE
1.5中）來檢查高負載下的VM。我沒有保留這些測試用例中負載測試的結果因為我認為這些數據不是很正確。
同步瓶頸在
診斷服務器問題時線程的信息是非常有用的，特別是對同步之類的問題。jstack工具可以連接到運行的進程并且保存每一個線程的堆棧信息。在UNIX系統
可以用信號量3來保存線程的堆棧信息，在WINDOWS系統的控制臺中可以用Ctrl-Break。在第一項測試中，jstack指出許多線程在
grindCPU()方法中被阻塞。
你可以已經注意到列表2中grindCPU()方法的同步修飾符實際上并不必須。我在后一項測試中刪除了他，如圖2顯示
Figure 2
在圖2中，你會注意到性能下降了。雖然我使用了更多的CPU，但吞吐量和失敗數都更差了。雖然垃圾回收周期變了，但每秒依然需要回收100M。顯然我們還沒有找到主要的瓶頸。
非
竟爭的同步相對于簡單的函數調用還是很費時的。竟爭性的同步就更費時了，因為除了內存需要同步外，VM還需要維護等待的線程。在這種狀況下，這些代價實際
上要小于內存瓶頸。實際上，通過消除了同步瓶頸，VM內存系統承擔了更多的壓力最后導致更差的吞吐量，即使我使用了更多的CPU。顯然最好的方式是從最大
的瓶頸開始，但有時這也不是很容易確定的。當然，確保VM的內存處理足夠正常也是一個好的開始方向。
內存瓶頸現在我會首先也定位內存問題。列表3是GrinderServlet的重構版本，使用了StringBuffer實例。圖3顯示了測試結果。
Listing 3
package pub.capart;
/**
* This is a simple class designed to simulate an application consuming
* CPU, memory, and contending for a synchronization lock.
*/
public class Grinderv2 {
private static Grinderv2 singleton = new Grinderv2();
private static final String randstr =
"this is just a random string that I'm going to add up many many times";
private StringBuffer sbuf = new StringBuffer();
private StringBuffer sbufrev = new StringBuffer();
public static Grinderv2 getGrinder() {
return singleton;
}
public synchronized void grindCPU(int level) {
sbufrev.setLength(0);
sbufrev.append(randstr);
sbuf.setLength(0);
for (int i=0;i<level;++i) {
sbuf.append(sbufrev);
reverse();
}
return sbuf.toString();
}
public String getReverse(String s) {
StringBuffer sb = new StringBuffer(s);
sb = sb.reverse();
return sb.toString();
}
}
Figure 3
通
常重用StringBuffer并不是一個好主意，但這里我只是為了重現一些常見的問題，而不量提供解決方案。內存數據已經從圖上消失了因為測試中沒有垃
圾回收器運行。吞吐量戲劇性的增加而CPU使用率又回到了50%。列表3不只是優化了內存，但我認為主要了改善了過度的內存消耗。
檢視同步瓶頸列表4另一個GrinderServlet類的重構版本，實現了一個小的資源池。圖4顯示了測試結果。
Listing 4
package pub.capart;
/**
* This is just a dummy class designed to simulate a process consuming
* CPU, memory, and contending for a synchronization lock.
*/
public class Grinderv3 {
private static Grinderv3 grinders[];
private static int grinderRoundRobin = 0;
private static final String randstr =
"this is just a random string that I'm going to add up many many times";
private StringBuffer sbuf = new StringBuffer();
private StringBuffer sbufrev = new StringBuffer();
static {
grinders = new Grinderv3[10];
for (int i=0;i<grinders.length;++i) {
grinders[i] = new Grinderv3();
}
}
public synchronized static Grinderv3 getGrinder() {
Grinderv3 g = grinders[grinderRoundRobin];
grinderRoundRobin = (grinderRoundRobin +1) % grinders.length;
return g;
}
public synchronized void grindCPU(int level) {
sbufrev.setLength(0);
sbufrev.append(randstr);
sbuf.setLength(0);
for (int i=0;i<level;++i) {
sbuf.append(sbufrev);
reverse();
}
return sbuf.toString();
}
public String getReverse(String s) {
StringBuffer sb = new StringBuffer(s);
sb = sb.reverse();
return sb.toString();
}
}
Figure 4
吞吐量有一定的增加，而且使用更少的CPU資源。竟爭和非竟爭性同步都是費時的，但通常最大的同步消耗是減少了系統的可伸縮性。我的負載測試不再滿足系統的需求了，因此我增加了虛擬的用戶數，如圖5 所示。
Figure 5
在圖5 中吞吐量在負載達到飽和時下降了一些然后在負載減少時又提高了。此外注意到測試使得CPU使用率達到100%，這意味著測試超過了系統的最佳吞吐量。負載測試的一個產出是性能計劃，當應用的負載超過他的容量時會產生更低的吞吐量。
水平可伸縮性水平伸縮允許更大的性能，但并不一定是費用相關的。運行在多個服務器上的應用通常比較運行在單個VM上的應用復雜。但水平伸縮支持在性能上的最大增加。
圖6是我的最后一項測試的結果。我已經在三臺基本一致的機器上使用了負載平衡，只是在內存和CPU速度上稍有不同。總的吞吐量要高于三倍的單機結果，而且CPU從來沒有完全利用。在圖6中我只顯示了一臺機器上的CPU結果，其他的是一樣的。
Figure 6
小結我曾經花了9個月來布署一個復雜的JAVA應用，但卻沒有時間來做性能計劃。但差勁的性能使得用戶合約幾乎中止。開發人員使用分析器花了很長時間找到幾個小問題但沒有解決根本的瓶頸，而且被后續的問題完全迷惑了。最后通過負載測試找到解決方法，但你可以想到其中的處境。
又一次我碰得更難的問題，應用只能達到所預期性能的1/100。但通過前期檢測到的問題和認識到負載測試的必要性，這個問題很快被解決了。負載測試相對于整個軟件開發的花費并不多，但其所歸避的風險就高多了。
關于作者Ivan
Small擁有14年的軟件開發經驗。他在LBNL從開發Supernovae Cosmology
Project開始他的職業生涯。這個項目是導致反重力和無限擴展宇宙理論被發現的兩個項目之一。他從此工作于數據挖掘和企業級JAVA應用。現在他是
nnovative Interfaces公司的首席軟件工程師。
資源·javaworld.com:
javaworld.com·Matrix-Java開發者社區:
http://www.matrix.org.cn/·JAVA性能調優第二版:http://www.amazon.com/exec/obidos/ASIN/0596003773/javaworld
·并發編程技術：JAVA并發編程第二版:http://www.amazon.com/exec/obidos/ASIN/0201310090/javaworld
·JAVA網站分析：JAVA網站的性能分析:http://www.amazon.com/exec/obidos/ASIN/0201844540/javaworld
·JAVA性能：高性能JAVA平臺計算:http://www.amazon.com/exec/obidos/ASIN/0130161640/javaworld
·JAVA2性能和術語指南:http://www.amazon.com/exec/obidos/ASIN/0130142603/javaworld
·BEA WebLogic服務器性能調優，包含有用的一般信息：BEA WebLogic服務器上J2EE應用性能測試:http://www.amazon.com/exec/obidos/ASIN/1904284000/javaworld
·JAVA性能調優:http://www.javaperformancetuning.com
·過度的JAVA同步:“輕量級線程”:http://www-106.ibm.com/developerworks/java/library/j-threads1.html
·負載和性能測試工具：http://www.softwareqatest.com/qatweb1.html#LOAD