性能——看不到的压力

去年过年之前参与了一个项目，对执行项目有了更加深刻的认识，特此记录。

首先项目的功能大致如下：

1. 系统每天定时从某个外部系统用FTP 的方式获取电话号码相关文件，从周日到周五是增量数据，周六是全量数据。
2. 系统每天8 点开始处理获取的数据—— 将所有的数据load 到内存中（增量数据大概2万条，全量数据一千两百万左右）
3. 这个客户本身有自己的用户数据，接近一百五十万条，系统每个小时都需要将所有数据load 到内存中。
4. 系统为外部系统提供socket 和http 的查询服务。

这个项目实际上是一个已经上线5 年的项目，这次的功能改进是涉及到刚才列出的第一个，这部分最早不是使用文件的方式，而是使用数据库的方式。由于是功能改进，所以这次项目的一个基本原则就是必须延续之前的设计。之前的设计考虑到大数据量load 到memory 里面，并且不能影响用户查询的速度，所以：

• 所有的数据按照电话号码的前四位，分成100 个组（因为前两位是一样的），每个组叫做一个subCache 。
• load 数据的时候，按照号码顺序将所有前缀相同的号码加载到一个新的subCache 中，每当一个subcache 加载结束，与原有的subCache 进行切换，原有的subCache 即可释放。
• subCache 保存的数据，为了方便查询使用了STL 提供的标准的map 。

这个项目看起来没有多难，又有之前的代码参考，所以当时安排接手项目的是我们组一个新来没多久的孩子，本科毕业两年多一点，姑且叫他cc 吧。cc 是第一次 做要真正上线的项目，心里很紧张，也自然想借这个项目证明一下自己的能力，一个多月废寝忘食，终于所有功能测试都过了，项目的PM 也很满意，大家很高兴，cc 终于可以轻松一下了！

等到上线的那一天，也是格外的顺利，两台64 位的有8G 内存的机器都上线成功。大家终于松了一口气。 但是，刚刚第三天，噩耗传来，程序使用的内存一直在涨，直到，系统没有内存了，程序挂了。

Faint ，Faint ，程序挂了！！两台Active/Active 的机器已经挂了一台，另一个的内存使用量眼瞅着冲着7G 就去了，离挂也不远了。天哪， Memory Leak ！！！！一定是memory leak ！！！！

项目出了这么大的问题，直接惊动了CTO ，立即召开紧急会议，分析原因并安排对策。项目执行过程中，最大的失误就是—— 没有做性能测试！追究完责任，得解 决问题啊，接下来就要开发人员努力去查找root cause ；系统维护人员在生产环境的机器上运行监控脚本，监控机器的内存使用情况，并每个小时定时发邮件给相关人等。

cc 和我开始找原因，我们还尝试寻求几个高手的帮助。刚开始所有人都以为，那么大量的memory leak ，应该很容易就找到，可是事实证明，cc 写的code ，完全查不到有内存泄露的地方。我们做了能够做的所有的code review ，使用了purify 和一些开源的工具，也没有查到任何leak 的地方。

就这样，两个星期过去了，每天每隔一个小时的production 上内存监控的邮件都让我们压力剧增。从内存的增长看起来，只要一有数据load 操作，内存就会涨，每隔三到四天，有一台机器的程序就必定要重新启动。那段时间最期盼的事情就是，有人突然发现出现了问题的代码，然后劈头盖脸的骂过来：“ 你们！ 居然会犯这么弱智的错误！！” 系统基本上有三种操作，一种是load 文件中的数据，一种是load 数据库里面的数据，还有，就是查询操作。在我们自己的测试系统中，单独做哪一个操作，系统的内存都会稳定下来，但是，只要三种操作掺杂在一起，内存就out of control.

找不到内存泄露的地方，就只能推测（说不好听点，就是用猜的），最后能够想到问题就是STL 的map 没有及时的把memory 还给操作系统。可是，可是，全世界有无数的程序使用STL 的MAP ，为什么别人的程序没有碰到这种问题？！！

眼看着就山穷水尽了，执着于当下是不够的，不能找到root cause ，那么必须有替代方案，否则，每三天重启一下机器，客户也不能答应啊！经过讨论，选了两条路：

1. 用memory pool 的方式，在map 里面保存指针，new 出来的对象都从memory pool 里面获取，这样至少可以控制住new 出来对象的内存；
2. 使用opensource 的memory db 。

但是阅读了一下memory DB 的代码，发现这么做程序代码改动太大了，因为已经上线的系统，原则只有一个——尽量少的改动。所以实际上只剩一种选择—— memory pool 。

既然决定了，那么就开始动手修改吧。cc 开始添加memory pool ，另外还多加了一个修改，因为map 里面的key 使用的电话号码，之前用的是string 类型，为了节省内存，加上电话号码的特殊性，全部改成 long 型。写代码的过程中，memory pool 使用了STL 的list 。改动做完，在测试环境程序依然会从刚启动的2.1G ，攀升到最高的6.8G 。6.8G 啊，按照以前的经验，性能一旦开始出问题，就可能急剧恶化，完全失去控制。这时一个比较有经验的同事建议在memory pool 里面使用STL 的deque 。就这一个改动，程序终于可以运行在6G 以下了！！！神奇啊，STL 真是博大精深。

在cc 改完，做了两轮完整的功能测试，以及长达7 天的性能测试之后，终于在过年之前上线了。到目前为止，运行良好。

就在cc 代码改进的过程中，我们竟然又有想到可以改进的空间。其实现在想来倒也不难，既然我们认为可能是map 的内存回收出现问题，那么有两种选择，第一，不用map ；第二，改进map 的回收算法。所以，就有了下面两种方法。

1. 使 用map 是为了查找的时候更快。那么有什么可以替换的方式呢？在我们这个应用中，有一个比较特别的点，就是电话号码可以用long 型表示，那么，可以选择 使用一维数组的方式来替换map ，而电话号码的后半部分（除去前四位）可以作为数组的下标。按照号码的长度就能够计算出来每次new subCache 的时候会用到的内存，并且可以自己控制释放。（^_^ ，说说到这个想法，居然是有一天在我下班回家的路上，突然蹦到我的脑袋里面的，我还是有点小得意的。）
2. 改进map 的回收算法。这个是cc 研究侯捷的《STL 源码剖析》之后找到的想法。既然目前使用起来的对我们的应用而言，看起来不够合理，那么可以重写之。

新的版本上线之后，cc 也根据上面的两种方法修改了程序，事实证明这两种方式下，内存是可以稳定的。虽然这两个版本可能永远不会上线，但是在这个过程中，我们的思维得到了极大的开拓，心理承受能力也飞速增长。

事实再一次证明，所有会上线，并且需要7*24 小时运行的程序，就没有简单的，功能之外，性能是非常重要的。为了这个项目真是，衣带渐宽终不悔，为伊消得人憔悴哇。