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 凌晨 02:17，告警群连续炸了三条： [P0] consumer-group order-settle Lag 突破 200 万，持续增长中 [P0] 对账任务延迟超过 30 分钟阈值 [P1] 下游结算服务 QPS 跌至 0 值班同事打开 Grafana 一看，曲线是这样的： Lag 200万 ┤ ╱ 150万 ┤ ╱ 100万 ┤ ╱ 50万 ┤ ╱ 0 ┼━━━━━━━━━━━━━━━━━╯━━━━━━━━━━━━━━▶ 时间 23:00 01:30(上游补数据) 02:17(告警) 根因很快定位：上游订单服务 01:30 做了一次历史数据补发，把积压的 180 万条订单事件一口气灌进了 Kafka。而消费组 order-settle 的处理能力是 800 条/秒——进来的速度是处理速度的 4 倍，Lag 只涨不跌。 更要命的是，消费逻辑里每条消息都要同步调用一次下游结算接口（平均 40ms），还套着"拉取一条、处理一条、提交一条"的朴素写法。消费端不是被消息打垮的，是被自己的串行处理拖垮的。 那一晚我们用四步把 Lag 从 200 万清到 0，耗时 47 分钟： ....

引言 周五晚上 21:30，客服群里涌入一批截图： "我明明把收货地址改了，下单页面还是旧地址！" "商品价格后台已经调成 79 了，用户下单还是按 99 扣的款！" 排查了两个多小时，DB 里的数据是对的，Redis 里的数据是对的，接口日志也没报错——但部分用户看到的就是旧数据。最后定位到的"凶手"让所有人沉默：订单服务的 OrderMapper.xml 里，三年前有人加了一行 <cache/>，二级缓存一直开着。 事故链条清晰得可笑： 订单查询 SQL 关联了 user_address 和 product 两张表，结果缓存在 OrderMapper 的命名空间下； 地址服务、商品服务各自更新自己的表，走的是 AddressMapper、ProductMapper——它们的更新只清自己命名空间的缓存，根本不知道 OrderMapper 里还躺着关联查询的旧结果； 用户改完地址，订单页查到的还是缓存里的旧快照，直到缓存过期（默认永不过期）或订单表自己有更新才"自愈"。 更扎心的是复盘时发现：这个缓存的命中率只有 11%，却制造了一起脏读事故。 性能收益约等于零，正....

引言 今年 3 月的一个凌晨，Kafka 集群做 3.8 → 3.9 的滚动升级，库存服务照常处理订单。 库存扣减的代码长这样： @Transactional // 数据库事务 public void deduct(String orderId, String skuId, int quantity) { stockMapper.deduct(skuId, quantity); // ① DB 扣减并提交 stockLogMapper.insert(orderId, skuId, quantity); kafkaTemplate.send("stock-deducted", orderId, event) // ② 再发消息 .whenComplete((result, ex) -> { if (ex != null) { log.error("send failed, orderId={}", orderId, ex); } }); } 平时这套代码跑了两年，没出过事。但那天凌晨，Broker 滚动重启期间分区 Leader 切换，ISR 一度缩到 1。Broker 端配了 ....

引言 去年大促前，我们给订单服务做了一轮压测。报告很漂亮： 8,000 QPS，平均响应时间 38ms，错误率 0%。 老板批了扩容预算，团队安心等大促。结果开场第 7 分钟，订单服务在 1,200 QPS 就开始超时，网关 504 一片。 复盘会上有人问了一句："那 8,000 QPS，到底是订单服务扛住的，还是压测机扛住的？" 会议室安静了。 把脚本和监控翻出来，四个问题摆上桌： 压测是同事在 JMeter GUI 里点的，本机 16 核开了 2,000 个线程，压测机 CPU 先到 100%，GUI 还在实时刷新结果树； 2,000 线程从第一秒压到最后一秒，没有阶梯、没有预热，JIT 和连接池冷启动阶段的数据被平均值抹平了； 只看平均响应时间 38ms，没人提 P99——事后翻原始数据，当时 P99 已经 2.3 秒； 所有请求都用同一个商品 ID，缓存命中率接近 100%，测出来的是"缓存有多快"，不是"系统能扛多少"。 那次之后我才真正理解：压测工具决定你能不能看清瓶颈，压测方法决定你看到的是不是真相。 这篇文章把四款主流工具放在同一张桌子上：JMeter、wrk、....

引言 三个月前，我们做了一次选型评审。会议室白板上写着三个候选：Kafka、RocketMQ、Pulsar。两小时讨论，最后停在同一个问题上： "你们说的'快'，是看了谁的博客？" 提案 A 说 Kafka 单机百万；提案 B 说 Pulsar 存算分离、弹性最好；提案 C 说 RocketMQ 双 11 扛过万亿级。三个人引用的都是厂商宣传页和几年前的 PPT，环境不同、消息大小不同、持久化语义不同——没有一个数字能横向比较。 于是我们自己搭了一套环境，把三套集群都按同样的机器规格、同样的消息、同样的可靠性语义压了一遍。3 台 8 核 16G 的机器，各 1000 万条 1KB 消息，每轮跑三遍取中位数。 先给结论（细节和原始数据在后文）： 维度第一名第二名第三名一句话 生产吞吐Kafka 26.8 万/s（262 MB/s）Pulsar 14.2 万/sRocketMQ 9.6 万/sKafka 领先 2.8 倍 端到端 P99（稳态）RocketMQ 9msKafka 18msPulsar 42mspush 长轮询占优 积压 1000 万条的消化速度Kafka 55 ....

引言 线上商品详情页有个接口，P99 稳定在 60ms，CPU 5%，GC 正常，数据库慢查询为零。压测报告看了三天没找到瓶颈，最后抓了一次链路： 商品详情页（一个请求要展示 100 个 SKU 的实时价格和库存） for (String skuId : skuIds) { // 100 次循环 String price = redis.get("sku:price:" + skuId); String stock = redis.get("sku:stock:" + skuId); } // 200 次 Redis 调用，耗时 98ms，占接口总耗时 80% 单次 get 0.5ms，看着不多；乘 200 次就是 100ms。而 Redis 服务端真正处理这 200 条命令花的时间，加起来不到 1ms——99% 的时间都花在"客户端发出去、服务端处理完、再传回来"的往返路上。 这不是 Redis 慢，是调用方式错了。消除往返有三把工具，能力边界完全不同： 手段核心作用原子性适用 原生命令（MGET/HMGET/MSET）一条命令拿多个 key单命令原子简单批量读写，最优先 ....

引言 去年大促当晚 21:47，客诉群炸了： "我明明付了钱，订单还是显示待支付！" 更离谱的是有用户截图：已经发货的订单，状态被改回了"待支付"。 排查 40 分钟后真相大白：订单状态流转靠 Kafka 消息驱动，order.created、order.paid、order.shipped 三个事件发到一个 32 分区的 Topic 上——发消息时压根没传 key。Kafka 默认分区策略把同一个订单的三个事件轮询（3.3+ 是粘性策略）散到了不同分区，各分区消费进度不一，paid 比 created 早了 400ms 被消费。消费端逻辑是"收到什么事件就改成什么状态"，于是刚付完款，一条迟到的 created 把状态从"已支付"打回了"待支付"。 当晚 6700 笔订单触发"状态回退"告警，客诉 300+。修完这个事故，团队对 Kafka 顺序的理解被彻底刷新： 以为"Kafka 天然有序"——错，Kafka 只保证单分区内有序，分区之间谁先谁后它管不着 以为"加了分区就更快"——对，但分区越多，没做分区键设计的消息散得越开，乱序概率越高 以为"消息按序到了就稳了"——错，消....

引言 面试场景还原： 面试官："Kafka 为什么比 RocketMQ 快？" 候选人："因为 Kafka 有零拷贝、顺序写、批量发送。" 面试官微微一笑："那 RocketMQ 团队为什么不把这些抄过去？是技术不行吗？" 候选人：？ 这一问就露馅了。因为题目的前提就是错的——Kafka 不是"更快的 MQ"，RocketMQ 也不是"慢一点的 MQ"。它们是两个物种： Kafka 从 LinkedIn 的日志管道演化而来，本质是分布式日志系统，为海量数据的高吞吐流转而生 RocketMQ 从阿里双 11 交易链路演化而来，本质是业务消息中间件，为交易场景的功能完备性而生 先亮核心结论：高吞吐的数据链路选 Kafka，业务交易链路选 RocketMQ。我们公司生产上两者并存——埋点日志、CDC、Flink 流处理走 Kafka（日处理 40 亿条）；订单、支付、库存等业务消息走 RocketMQ，各干各的，谁也没想替代谁。 这篇文章按《本地缓存三巨头》的套路，从 5 个维度拆解两者差异：简介 → 架构对比 → 吞吐实测 → 功能完备性 → 延迟与消费体验，最后给出"谁也替代不了....

引言 一个安静得可怕的对账日： 风控月度对账发现：37 笔已支付成功的订单，下游库存服务完全没有收到"支付成功"消息。Kafka 集群日志没有任何 ERROR，Producer 端没有回调异常，Consumer 端没有报错——消息就是凭空消失了。 复盘结论更扎心：这不是一次故障，是三个"配置漏洞"的接力——生产者 acks=1 时恰好赶上分区 Leader 切换、Broker 没设 min.insync.replicas（ISR 缩到 1 也照收不误）、消费者开了自动提交（先提交 offset 后处理，业务处理失败消息就"确认掉了"）。三层各漏一个，消息就没了。Kafka 从不承诺"你配错了我也不丢"，它只承诺"你配对了我不丢"。 这篇文章按消息的生命周期拆三层保障：生产者端（acks + retries + 幂等）→ Broker 端（副本 + ISR + Unclean 选举）→ 消费者端（手动提交）。每一层讲三件事：消息怎么丢的、每条配置的语义是什么、为什么必须这么设。先放结论总表（完整可抄清单在第七章）： 层配置设定值防住什么代价 生产者acksallLeader ....

引言 先看一次真实压测的内存报告： 网关服务切到虚拟线程（JDK 21 + spring.threads.virtual.enabled=true）后吞吐立涨 40%，团队很满意——直到压测 10 万并发时 Old 区从 800MB 涨到 2.3GB， young GC 每 10 分钟 41 次。MAT 打开 heap dump（方法见《堆外内存排查》），榜首触目惊心： Class Name | Instances | Retained java.lang.ThreadLocal$ThreadLocalMap | 992,317 | 1.5 GB java.lang.ThreadLocal$ThreadLocalMap$Entry| 2,976,951 |（每个 map 里 3 个 Entry） ↳ TraceIdContext.TRACE_ID | ↳ UserContext.USER | ↳ TenantContext.TENANT | 三个 ThreadLocal，10 万并发请求线程，每人一份 ThreadLocalMap 副本——平台线程时代"几百个池化线程共享几十个 Th....

引言 一个看似无关痛痒的数字，正在悄悄吃掉你们的效率： 我们的订单服务，单实例启动 8.2 秒。听起来还行？算笔账就知道了： 滚动发布：80 个实例，K8s 滚动窗口 25%，一次发布光等启动就要 8 分钟 弹性扩容：大促前扩 40 个实例，业务方在群里催了 5 分钟，实例还在 Starting K8s 健康检查：liveness 探针 6 秒超时，实例启动慢的节点被反复杀掉重建，发布雪崩 本地开发：改一行代码重启 8 秒，一天重启 50 次，一个多小时没了 启动时间不是"体验问题"，是资源、发布效率和稳定性三重账单。 这篇文章把订单服务从 8.2 秒压到 2 秒出头的全过程拆成 5 个优化点：关闭多余自动配置 → 懒加载 → 缩小类扫描 → AOT 编译 → Undertow，每一步都给出实测的前后耗时对比和"什么场景该开什么"的判断。先放总成绩单（基线：Spring Boot 3.2、JDK 21、4C8G 容器、含 MyBatis/Redis/Kafka/RabbitMQ 全家桶）： 优化点配置耗时变化适用场景 ① 关闭多余自动配置spring.autoconfigu....

引言 两个投诉，隔着不到十分钟打进来，把一个普通的周四下午变成了事故复盘会： 14:40，用户 A："我刚下的订单，列表里怎么找不到？刷新也没用。" 14:48，用户 B（内测商家）："你们后台给我的报表是三个月前的吧？我上周的销量呢？" 排查结果比投诉更扎心：订单从库延迟 3 小时 12 分钟（用户 A 的问题），而排查时顺手做的全量巡检还揪出一个更吓人的——报表归档从库的复制位点停在三个月前（用户 B 的问题），期间没有任何告警，因为监控清单里压根没有这台"冷从库"。 根因不在什么高深的东西：14:02 一个定时任务发了单个 50 万行的大事务 UPDATE，主库 6 分钟执行完，从库却要整事务串行回放 42 分钟——在这 42 分钟里，这个事务之后的所有 binlog 都只能排队，单线程回放的从库被彻底堵死。更早的 1 个半小时积压叠上去，就是 3 小时 12 分钟的账。 这篇文章按真实排查顺序展开：事故还原 → 复制原理补课（延迟是架构属性不是故障）→ Seconds_Behind_Master 的读法与三个坑 → 定位大事务 → 三重修复（大事务拆小 + 并行复制 + 关....

引言 先还原一个真实的排障现场： 业务方反馈"消费有延迟"，你登录服务器： 先看 Broker 日志？几千行，没有明显报错 再看监控大盘？只有集群级指标，看不出哪个组慢了 想查 Lag，敲 kafka-consumer-groups.sh --describe？几十个消费组、几百个分区刷屏，肉眼比对到眼花 最后定位到根因只花 20 分钟，但**"找到该看什么"花了 2 小时**。 Kafka 排障的痛点从来不是"看不到问题"，而是没有趁手的工具把问题呈现出来。这篇文章把我运维 Kafka 集群（3 副本、50+ Topic、日均 2 亿消息）沉淀下来的 5 个工具一次性讲清： Kafka UI——开源 Web 管理界面，Topic/消费组/Lag 一目了然，日常排障主力 kafka-topics.sh——命令行建/删/改 Topic，一切自动化操作的基础 Kafka Manager——Yahoo 出品，集群级监控的鼻祖 CMAK——Kafka Manager 的社区延续版，现状与选型必知 Burrow——LinkedIn 出品，消费 Lag 的智能告警（不靠拍脑袋定阈值） 每个....

引言 面试高频题，也是最难答好的一题： "Kafka 的消息都持久化到磁盘了，为什么还能单机扛百万级消息？Redis 数据放内存不是更快吗？" 大多数人的回答是背一句"Kafka 顺序写 + 零拷贝"，再往下追问就露馅了： 为什么顺序写就快？内存 25GB/s，磁盘顺序写才 200MB/s，差 100 倍呢 PageCache 是什么？Kafka 为什么自己不搞个缓存？ 零拷贝到底省了几次拷贝？省的是谁的钱？ 批量和压缩跟"快"有什么关系？ 先给一组我们生产环境的真实数据（3 副本、NVMe 盘、2KB 消息、acks=all）：单 Broker 稳定跑 80 万 msg/s，CPU 使用率不到 40%，磁盘 util 长期低于 30%。既没吃满 CPU，也没吃满磁盘——因为它在四个环节上同时"不浪费"。 这篇文章按一条消息的生命周期拆四板斧：顺序写（消除磁盘随机 IO）→ PageCache（读写走内存）→ 零拷贝 sendfile（消除无谓的数据拷贝）→ 批量+压缩（消除网络往返）。每板斧都给原理图 + 性能数据对比 + 关键参数。先放结论总表，后文逐个展开： 环节普通....

引言 "上周三晚上，支付服务突然不响应，登录到机器上 screen 早已刷不动。值班同学的第一反应是重启——被拦下来了。30 分钟后我们还原出了完整的事故链条：top -H 看到一个线程 CPU 100%（不是进程，是 GC 线程），jstack 确认是 Young GC 风暴，ss -s 发现 ESTAB 连接只有 47 条但 SYN-RECV 堆了 4000+，lsof 揪出一个 Tomcat 容器拿着已被删除的 42GB 日志文件不放手——磁盘早满了，GC 日志都写不出来，一连串症状相互掩盖。如果按'感觉像什么就查什么'的乱枪打法，这 30 分钟可能变成 3 小时。" 排障和破案一样：新手靠猜，高手靠证据链。而证据链的生产工具，就是那几个看起来平平无奇的 Linux 命令。这篇文章按"从系统到进程、从现象到根因"的排查路径，精选 5 个我日常使用频率最高、也最容易拉开效率差距的命令：ss（网络连接）、lsof（谁占着端口/文件）、strace（进程卡在哪次系统调用）、top -H（哪个线程在烧 CPU）、jstack（Java 线程在等什么）。每个命令只讲三件事：实战场景（什么症....