服务端开发博客 | 后端架构 · 高并发 · 性能优化 · 微服务实战 👋🏼

引言 618 开场 3 分钟，客服群先是安静，然后炸了：大量用户反馈"点进去就是系统繁忙"，但后台监控显示后端 QPS 只有预期的四分之一，服务器闲得发慌。 翻网关日志，429 占比 87%。也就是说，我们自己的限流把 87% 的真实用户拒了，同时那批刷子请求畅通无阻。 配置是四个 Nginx 实例，每个上面一行 limit_req_zone $binary_remote_addr zone=perip:10m rate=5000r/s;。 我当时的理解是"每个用户每秒 5000 次"，显然过于宽松，肯定是刷子打太多了。第一反应是把 rate 调到 50000，多放点人进来。 调完 5 分钟，后端 QPS 从 2 万冲到 19 万，数据库连接池瞬间打满，订单服务开始超时，事故从"网关误杀"升级成"后端雪崩"。 先给结论：限流限的是"谁"，不是"多少"。 你把 key 选错，rate 配得再准也是在限一个不存在的人；你把单机限流当全局限流，四个实例就是四份配额，总量永远是配置值的 N 倍。这篇按事故顺序讲完三层限流的完整配置：CDN 边缘 → Nginx 原生 + Lua 分布式 → 应....

引言 3 月压测第二天，下单成功率从 99.2% 掉到 87.3%，一天 2,136 单创建失败。 报错不是"库存不足"，也不是"锁超时"，而是一个很多人第一次见的异常： org.springframework.transaction.UnexpectedRollbackException: Transaction silently rolled back because it has been marked as rollback-only （Spring 6.x 的提示语；5.x 是 Transaction rolled back because it has been marked as rollback-only，意思一样。） 更让人看不懂的是代码：发积分那段明明包在 try-catch 里，异常被吞了，主流程还打了一行 log.warn("add points failed, continue")。日志确实打出来了，说明 catch 生效；但事务最后还是回滚了，订单没建成。 先给结论：catch 能拦住异常往外抛，拦不住内层事务已经把你标记成 rollback-only。 ....

引言 09:02，告警群里跳出一条：jvm_gc_pause_seconds P99 = 2.8 秒。 09:12，我先拍脑袋扩了两台实例——没用，CPU 只有 20%，瓶颈不在算力。 09:20，jstat 显示老年代从 45% 涨到 99%，Full GC 每两分钟一次，每次 STW 2.5 秒。接口 P99 从 60ms 变成 3.1s，网关 5xx 占到 12%。 09:40，我摘掉一台机器做堆分析，才发现占着 2.1GB 老年代的既不是缓存，也不是连接池，是日志——一个报表接口把 35MB 的 JSON 塞进了 log.info，而异步日志的队列把它钉在了老年代里。 这篇复盘讲清一条链：一行看起来人畜无害的日志，怎么在 40 分钟里喂满 8G 堆，把 GC 变成"空转"；以及用三条命令，怎么在 10 分钟内从"怀疑内存泄漏"走到那行代码。 如果你手上也有一个"GC 很忙但回收不掉"的服务，这套排查顺序能直接复用。 先给结论：Full GC 频繁有两种，一种是垃圾太多，一种是活对象太多。前者加内存加机器能缓解，后者只能靠改代码。判据只有一个——Full GC 之后老年代有没有明....

引言 去年大促，1,000 件商品的秒杀刚开抢，监控上三条曲线同时变形： 入口 QPS 冲到 12 万 库存服务的扣减请求 3 万 QPS MySQL 连接池 100%，等待队列堆到 2,000+ 结果库存被扣成 -37，超卖 37 单；数据库 CPU 打满，连商品详情查询都开始超时；Redis 上那个 stock:1001 的单分片 CPU 100%——3 万个扣减请求全砸在同一个 key 上。 当时的代码用的是最直觉的写法：UPDATE stock SET count = count - 1 WHERE sku_id = ? AND count > 0。这条 SQL 看着无懈可击，它的真实含义却是 3 万个请求在数据库行锁上排队。单行更新的上限就在那，连接池先满，超时、重试、更多请求涌进来，雪崩不到 10 秒。 这篇文章不讨论"库存怎么扣得快"，只回答三个问题：10 万 QPS 该被拆成哪几条流量、每一层要多少机器、架构为什么长成这个形状。 读完你能带走一套可复用的容量推导方法，以及一张能直接照着画的架构图。 一、需求拆解：先问清"10 万 QPS 是谁的 10 万" "....

引言 面试官问："分库分表之后，跨库分页和聚合查询怎么做？" 我答："每个库查出来，在内存里合并排序，再取对应的页。" 面试官追问："16 个库，每库 100 万订单，要查第 100 页，你这套要查多少行？" 我算了一下： 每页 10 条，第 100 页 → offset = 990 每个库要查 990 + 10 = 1000 条 16 个库 → 16,000 条 应用层再对这 16,000 条排序，取第 991–1000 条 "16,000 条不算多吧？"我还嘴硬。 "那第 10,000 页呢？" offset = 99,990 每个库查 100,000 条 16 个库 → 1,600,000 条 会议室安静了。 这不是段子。我们线上真踩过：运营后台的订单列表支持跳页，某次查到第 50 页，接口 30 秒超时，16 个库的 CPU 同时飙到 90%。DBA 拿着慢查询日志找过来，每条都是 LIMIT 5000, 10——单看一条不慢，16 条并发的 LIMIT 5000,10，加上应用层归并，直接把连接池打满。 那次之后我把跨库查询拆成两张账单： 分页的账单：分片数 × (of....

引言 去年双十一前扩容，我们从 3 台 Broker 扩到 6 台。 机器加完，监控上看新 Broker：CPU 2%，磁盘 IO 为零，网络流量只有心跳。3 小时后有人问了一句："新机器是不是没加入集群？" 查了一圈，集群成员确实是 6 台，但 kafka-topics.sh --describe 里所有分区的 Replicas 还是老三台的 ID： Topic: order-events Partition: 0 Leader: 1 Replicas: 1,2,3 Isr: 1,2,3 Topic: order-events Partition: 1 Leader: 2 Replicas: 2,3,1 Isr: 2,3,1 ...所有分区，一个新 Broker 都没有 Kafka 不会自动把分区搬到新 Broker。 加机器只是让集群多了一个可用节点，要把负载真正分过去，必须做分区重分配——这一步没人做，新机器就是白买的。 同一次扩容还差点出第二个事故：重分配方案生成后直接 --execute，没加 --throttle。跨机房带宽瞬间打满，在线消费的 P99 从 15ms 飙到....