隨著小紅書業務的快速發展，資源消耗和成本壓力顯著增加。在降本增效的大背景下，我們建設了性能持續優化 & 追蹤平臺，來系統性輔助業務團隊解決性能問題，在業務系統日常的演化過程中，持續跟進、追蹤系統的性能退化并推動優化。

目前，這一平臺已覆蓋小紅書搜索、推薦、廣告的 S0 服務，運行兩個多月以來，輔助業務團隊存量優化超1萬 CPU 核；發現性能退化超1萬 CPU 核并跟進優化。

1、背景

當前，小紅書正處在快速發展期間，流量的快速上漲和業務的快速迭代，顯著增加了資源消耗和成本壓力。

在存量的資源占用上，我們要求研發人員對應用做盡可能深度的性能優化。然而，研發人員在對自己的模塊做性能優化時，往往缺少工具來輔助分析，工具的合理選擇、環境配置、使用方式等各個方面，都有較高的學習成本。

另一方面，當前性能優化主要依靠個人經驗進行逐個分析，缺乏通用化的機制，經驗較難在團隊間共享。即使有人發現一個通用的性能問題，也很難衡量其涉及的模塊和整體的優化空間。

此外，小紅書業務的日常迭代往往會帶來增量的資源消耗，即性能退化。特別是對于頻繁迭代的模塊，如一些推薦應用，每天進行發版且每個版本涉及十多次不同的提交。在這些提交中，可能會隱藏著一些性能退化點。顯著的性能退化點會在性能壓測中被發現，而更多的性能退化往往是微小的，比如一個 commit 帶來了整體 CPU 1% 左右的占用，這樣微小的退化是隱蔽的，通過常規壓測等手段比較難以發現。

隨著業務的迭代，日積月累下，多個微小的性能退化會導致應用整體性能的顯著惡化，進而積重難返。經過一段時間的積累后，在排查這種問題時，面對動輒上百次的代碼提交歷史，開發同學很難排查出真正導致性能退化的提交是什么。最終只能以穩定性的名義增加資源擴容，這樣的情況多次發生。

針對此，我們嘗試從整體上解決性能問題，設計開發了一套性能優化和持續追蹤的平臺，來輔助應用研發人員分析性能問題，同時在日常的業務系統演化過程中，持續跟進、追蹤系統的性能退化并推動優化。

2、思路

我們的目標是從整體上解決性能問題。

問題主要聚焦在以下三個方面：

存量性能優化：對應用進行全方位的深入分析、診斷、優化；優化的經驗積累后，橫向擴展，做到通用的優化

增量性能退化攔截：業務迭代過程中，主動發現應用的增量資源占用，即性能退化

性能穩定性問題：對一些突發的性能惡化導致的穩定性問題，快速定位原因

對應的總體技術思路：

分析手段：基于 profiling 等采樣手段，來對應用進行剖析

產品化：做到平臺化來提高易用性，研發人員可以盡可能低門檻、高效的使用；

持續優化：在機制上做到持續優化，將采樣分析做到常態化、例行化，將性能優化、分析、防退化，融入到業務應用的日常迭代中，關注應用的每一個版本、每一次代碼提交、每一個策略實驗進行，持續追蹤業務應用的性能表現。

3、整體方案 

我們的內部落地整體架構如下：

核心思路是通過對業務進程進行持續性的采樣、處理、存儲，并基于采樣數據做分析，來輔助性能優化和發現性能退化。

數據采樣上，我們用單機低頻次持續采樣，降低成本，減少對應用的影響。

在分析上，數據來自大數據存儲，并從縱向、橫向來對比分析：在縱向上，采用 merge + diff 分析，來發現退化點；在橫向上，提供跨應用的通用查詢能力，查詢、分析函數粒度的資源占用。

3.1 數據采集、處理、存儲

3.1.1. 數據采集

當前主要的數據采集方式是通過對進程進行 profiling，profiling 的原理是基于一定的頻率對運行進程進行采樣，來了解進程的特征。當前，profiling 支持從多個方面對程序進行采樣分析，如 CPU、Memory、Thread、Lock、I/O 等。日常使用中，對 CPU 進行 profiling 的應用最為廣泛。

一般的 CPU profiling 是 On-CPU，也就是 CPU 時間花費在哪些代碼執行上。在 On-CPU 之外，還有 Off-CPU，指的是進程不在 CPU 上運行運行的時間，比如進程因為 IO、鎖等原因處于等待，花費了時間。所以，Off-CPU 是對 On-CPU 的補充，整體關系如下：

根據應用的實際情況，綜合的對 On-CPU、Off-CPU 進行采樣，更為全面地了解程序的運行情況。

在多語言支持方面，當前我們支持 C++、JAVA、Golang 等主流語言：

C++ 應用：通過 Linux perf

JAVA 應用：目前主流方案（如 IntelliJ IDEA 和阿里的 Arthas）是通過 Async-profiler 來實現 profiling。Async-profiler 是將 Perf 的堆棧追蹤和 JDK 提供的 AsyncGetCallTrace 結合了起來，低開銷的支持多種 Perf event。我們的方案里也借助了這個工具，并針對我們的需求進一步做了定制開發

Golang 應用：通過 Golang 內置的 pprof

在采樣形式上，我們支持定時、主動和條件觸發三大形式。當前，小紅書的線上應用基本開啟了常態化、定時的 profiling

3.1.2 業務接入

采樣的 agent 以 daemonset 方式部署，支持對物理機上的多個業務 pod 進行采樣。對應用的采樣開啟、關閉是通過配置中心來下發。此外，支持更多的采樣配置，如：單次采樣的采樣頻率、采樣時間配置；多次采樣之間的采樣周期；采樣方式切換等。

因此，我們當前做到了業務無感知接入，接入在分鐘級別生效。

3.1.3 存儲

在采樣結束后，對采樣后的數據進行解析、處理，如根據函數調用鏈統計 sample 數、過濾占比過低的函數調用鏈等。處理后，我們將數據進行存儲，用于后續的分析。我們的存儲方案選擇的是 clickhouse，在存儲 profiling 的數據之外，同時會把相關的環境變量信息一起存儲，如應用名、應用版本、機房等。此外，采樣后生成單 Pod 的火焰圖，將火焰圖壓縮并保存在對象存儲中，如騰訊云 cos。

3.1.4 資源消耗

在成本上，單次采樣的持續時間一般不超過一分鐘，多次采樣之間的周期間隔是小時級別，因此對應用程序基本沒有影響；單次 pod 單次采樣，經處理并保存到 clickhouse 的數據在千行的規模。所以整體的項目成本基本是存儲成本，即 clickhouse 和對象存儲，都很便宜，整體近乎零成本。

3.2 存量優化

3.2.1 目標

根據我們的觀察和經驗，一線研發同學對生產服務的診斷分析訴求長期是被壓制的，主要原因在：

· 公司出于安全需要，會對生產環境的網絡和權限進行管控。

這導致一些診斷會非常麻煩，例如，小紅書有一些系統采用了超大 Java Heap，如果要對此應用做堆分析需要的步驟：

1. dump 堆到本機指定為止；
2. 傳輸 hprof 文件到指定跳板機；
3. 從跳板機下載 hprof 文件到本地；
4. 本地需要花數小時對 hprof 文件建索引，對于幾十 GB 的堆，本地往往由于機器性能不夠，最終可能還是無法完成分析；

· 通過一些診斷工具，我們可以觀測到很多系統運行指標，但對指標的解讀往往需要很多經驗和對業務的理解。

如運行 free 命令，我們可以得到系統的內存使用指標（free/buffer/cache）。然而這些指標到底意味著什么？對一個特定的應用，當前水位是否合理？這對使用者是有較高的基礎和業務背景知識要求。

由于這些限制和不便，使得我們一線資深研發同學日常對性能的關注逐漸變少，而一些新同學更是望而卻步。最終系統由于缺乏“體檢”，既不能治于未病；又因缺乏對系統的足夠認知，導致需要治療時又無從下手。

為此，我們設定了一個小目標：把診斷變成一個日常觸手可及的事：

· 開箱即用：

我們將一些常用的工具打包成一個工具箱，一鍵（或默認）安裝到目標容器里；

· 白屏化：

所有操作都在網頁上通過點擊拖拽完成，研發同學不需要記住很多命令參數，同時對工具的輸出做解析和解釋；

· 知識庫：

縱向上，我們會積累歷史指標供參考。橫向上，我們會總結一些共性的優化點供研發同學參考。

3.2.2 工具

3.2.2.1 基礎信息展示

這部分主要展示一些進程和環境相關的基礎信息，OS、JVM、機器配置、啟動參數、環境變量等。方便用戶迅速了解一些應用的基本信息。

3.2.2.2 運行時指標

這塊主要涵蓋一些秒級運行時的 Metrics（如 CPU 利用率，GC 信息），loaded class，線程池狀態等。這塊作為大盤指標的補充，在 agent 測內嵌了一個小型的時序數據庫，直接在端上存儲幾個重要的秒級指標。幫助用戶捕捉一些更細粒度的信號。

3.2.2.3 采樣&分析

目前我們主要提供了針對 Java 的一些在線分析能力。對于 Java 程序，目前使用頻率最高的是堆分析，用戶可以在平臺上一鍵觸發 Heap dump，dump 文件生成后會自動上傳到內部部署的 apache-jifa worker 上，用戶可以在列表里面找到對應的入口，跳轉到 jifa 頁面去做詳細的堆分析。

同時，基于 profiling 工具，如 async-profler，用戶可以一鍵生成 cpu、alloc 及 lock 的火焰圖，并在線展示。通過這些火焰圖，能很方便找到系統的一些熱點，從而有針對性的去優化。

3.2.3 通用優化機制

在存量優化方面，我們的一個創新點就是通用優化機制。在對各應用進行常態化的 profiling 后，我們有了所有應用的性能原始數據，進一步的想法就是大數據檢索：經過眾多的性能優化 case 后，將常見的基礎庫和已知的通用性能問題抽象成規則庫，從而可以匹配其在線上所有模塊的消耗占比和整體占用核數，來發現更多優化空間，達到批量優化并且追蹤優化的效果。

下圖所示，為線上一個基礎庫 SDK 在各個應用中的資源消耗情況，分別統計了 CPU 占比和對應的核數。在此基礎上，批量的推動應用進行優化。

3.3 性能持續優化

3.3.1 總體思路

針對業務迭代過程中發生的性能退化，持續跟進、追蹤。

總體的思路是：首先是發現性能退化點，精確到函數級別；并進一步關聯、發現對應的變更事件(代碼提交、算法實驗等)；后續跟進整個性能退化的生命周期，推動優化，直到最終解決性能退化。

3.3.2 發現

3.3.2.1 機制

首先是自動化巡檢，即每天會定期檢查接入的服務是否存在潛在性能退化，通過昨天和前天晚高峰性能數據，檢查各應用是否有性能退化情況，并推送到相關企微群。

此外，通過接入 QA 流水線、上線平臺等方式，在上線前、上線后回調，更早期攔截性能退化。

3.3.2.2 發現方式

通過性能數據 merge + diff 分析：根據查詢條件，在將新版本和基準版本分別進行數據聚合后，進行對比；通過分析對比后的 diff，發現異常變化點并判斷是否有性能退（精確到函數）。當前支持機房、版本和時間區間等多種條件。

此外，為了衡量性能退化點的影響，將退化的程度與對應占用的 CPU 核數相關聯，也可以讓研發人員們了解對應退化點對于系統整體性能的影響，有更直觀的感受。

3.3.2.3. 退化點展示

火焰圖是一種比較理想的展示函數調用關系的形式，同時也可以方便的定位其在整體中的位置。因此，我們通過定制化的差分火焰圖，展示退化點對應的詳細函數棧情況，并用顏色來標記、突出性能退化點，用不同的顏色來區分退化的程度；同時在火焰圖上展示對應的 CPU 核數，來強化退化程度，增加火焰圖的表達內容。

此外，為了支持版本間消失的代碼邏輯，使用了消失火焰圖。這樣，組合起來，可以展示兩個版本之間函數棧的新增、修改、消失等場景。

在技術實現上，我們在開源的 flamescope（https://github.com/Netflix/flamescope）基礎上定制開發，進行實時進行處理和渲染，根據需求可以靈活的支持各種應用場景。所有的火焰圖和 diff 計算均從 clickhouse 中讀取數據處理。

線上的一個實際性能退化例子如下，其中差分火焰圖中展示了退化點對應的函數調用、退化對應的 CPU 核數；消失火焰圖展示了版本之間消失的代碼邏輯。

3.3.3 定位變更

在確定性能退化后，根據性能退化的情況（如退化的時間點、函數棧），檢索應用對應的變更事件，如算法實驗變更、配置中心下發變更、上線記錄等。未來，會進一步嘗試根據函數棧來管理 git 的提交情況，關聯可能代碼提交。

3.3.4 持續追蹤

為了方便追蹤性能退化問題的進度，我們會把核實過的信息推送至內部風險平臺來錄入留痕，并且通過趨勢圖追蹤優化情況。

如上圖所示，這是一個線上應用性能退化的實際 case，通過函數調用鏈的 CPU 使用率趨勢圖可以看出性能退化發生的起始點，同時可以看出該性能退化是否得到了修復、何時修復，這樣可以清晰的看到性能退化問題的過程，方便持續追蹤性能問題。

3.4 性能異常問題定位

在采樣的方式上，支持條件觸發方式，即配置描述異常態的觸發條件(比如 CPU 突漲等)，當滿足條件時進行數據的采集和上報。再基于上述的 merge + diff 數據分析方法，將異常態和正常態的數據分別進行匯聚后，做對比分析，通過 diff 分析來定位出導致突漲的根因，同時關聯對應的變更。

4、展望

未來，我們希望能夠去探索更多的性能優化手段，如 PGO；以及基于 PMU 指標，探索“內存大頁”等技術落地；同時，我們也希望能夠收集更多的性能指標，如 walltime、cpu cache、mem bindwith 等，來覆蓋更多的性能分析場景。

5、作者簡介

韓柏：技術部/可觀測技術組

小紅書可觀測技術工程師，畢業于上海交通大學，從事推薦架構、基礎架構工作，在可觀測、云原生、中間件、性能優化等方面有較為豐富的經驗。

小粟：技術部/可觀測技術組

小紅書可觀測技術工程師，畢業于西安交通大學，先后在推薦架構、云原生、可觀測領域從事相關工作，現專注于通用日志體系的建設。

蘇星河：技術部/可觀測技術組

小紅書可觀測技術工程師，畢業于南京大學計算機系，之前在小紅書供應鏈管理、大數據、推薦等諸多業務積累了豐富的經驗，最近在專注JVM在線診斷及性能優化相關的工作。