1. 性能優化面對的挑戰
以下是整個PaaS平臺的架構
其中主要包括這些子系統：
微服務治理框架：爲應用提供自動註冊、發現、治理、隔離、調用分析等一系列分佈式/微服務治理能力，屏蔽分佈式系統的複雜度。
應用調度與資源管理框架：打通從應用建模、編排部署到資源調度、彈性伸縮、監控自愈的生命週期管理自動化。
應用開發流水線框架：打通從編寫代碼提交到自動編譯打包、持續集成、自動部署上線的一系列CI/CD全流程自動化。
雲中間件服務：應用雲化所需的數據庫、大數據、通信和應用中間件服務；通過服務集成管控可集成傳統非雲化的中間件能力。
面對一個如此複雜的系統，性能優化工作是一個非常艱鉅的挑戰，這裏有這麼一些痛點：
源代碼及開發組件多，100+ git repo，整體構建超過1天
運行架構複雜，全套安裝完需要30+VM，200+進程
軟件棧深，網絡平面複雜
集羣規模大，5k — 10k節點環境搭建非常困難
系統操作會經過分佈式的多個組件，無法通過單一組件診斷髮現系統瓶頸
無法追蹤上千個處於不同層次的API的時延和吞吐
大部分開發人員專注於功能開發，無法意識到自己的代碼可能造成性能問題
2. 優化分析
那麼，對於這麼一個大的、複雜的系統，從方法論的角度來講，應該怎麼去優化呢？基本思路就是做拆分，把一個大的問題分解爲多個互相不耦合的維度，進行各個擊破。從大的維度來講，一個PaaS容器集羣，可以分爲3個大的子系統。
控制子系統：控制指令的下發和運行(k8s)，例如創建pod
業務流量子系統：容器網絡(flannel)、負載均衡(ELB/kube-proxy)
監控子系統：監控告警數據的採集(kafka, Hadoop)
這個看起來僅僅是一個架構上的劃分，那麼如何和具體的業務場景對應起來呢？我們可以考慮如下一個場景，在PaaS平臺上大批量的部署應用。看看在部署應用的過程中，會對各個子系統產生什麼壓力。
應用軟件包大小：400M
應用模板大小：10M
1000個節點，每個節點一個POD，一個實例
10種類型的軟件包，依賴長度爲3，10GB 網絡
調度及資源管理 3VM
這是一個典型的部署應用的一些規格，那麼對於這樣的一個輸入，我們可以按照架構把壓力分解到每個子系統上，這樣得出的子系統需要支撐的指標是：
控制子系統： kubernetes調度速度 > 50 pods/s，倉庫支持300併發下載，>40M/s
數據子系統：overlay容器網絡TCP收發性能損耗 <5%
監控子系統：在上面這個場景中不涉及，但可以從別的場景大致告警處理能力100條/秒
這裏的業務場景：架構分析：子系統指標，這三者是m:1:n的，也就是說在不同場景下對不同的組件的性能要求不同，最後每個組件需要取自己指標的最大值。
指標決定了後續怎麼進行實驗測試，而測試是要花較大時間成本的，所以在指標的選取上要求少求精，儘量力圖用2-3個指標衡量子系統。
3. 優化測試 & 工具
上面講的還是偏紙上的推演和分析，接下來進入實戰階段
對於服務器後端的程序來講，推薦使用Promtheus這個工具來做指標的定義和採集。Promtheus的基本工作原理是：後端程序引入Promtheus的SDK，自定義所有需要的測量的指標，然後開啓一個http的頁面，定期刷新數據。Promtheus服務器會定期抓取這個頁面上的數據，並存在內部的時間序列數據庫內。這種抓而非推的方式減少了對被測試程序的壓力，避免了被測程序要頻繁往外發送大量數據，導致自身性能反而變差而導致測量不準確。Promtheus支持這幾種數據類型：
計數(對應收集器初始化方法NewCounter、NewCounterFunc、NewCounterVec，單一數值，數值一直遞增，適合請求數量統計等)
測量(對應收集器初始化方法NewGauge、NewGaugeFunc、NewGaugeVec，單一數值，數值增減變動，適合CPU、Mem等的統計)
直方圖測量(對應收集器初始化方法NewHistogram、NewHistogramVec，比較適合時長等的統計)
概要測量(對應收集器初始化方法NewSummary、NewSummaryVec，比較適合請求時延等的統計)
我們可以看看在kubernetes項目裏面是怎麼用的：
var ( // TODO(a-robinson): Add unit tests for the handling of these metrics once // the upstream library supports it. requestCounter = prometheus.NewCounterVec( prometheus.CounterOpts{ Name: "apiserver_request_count", Help: "Counter of apiserver requests broken out for each verb, API resource, client, and HTTP response contentType and code.", }, []string{"verb", "resource", "client", "contentType", "code"}, ) requestLatencies = prometheus.NewHistogramVec( prometheus.HistogramOpts{ Name: "apiserver_request_latencies", Help: "Response latency distribution in microseconds for each verb, resource and client.", // Use buckets ranging from 125 ms to 8 seconds. Buckets: prometheus.ExponentialBuckets(125000, 2.0, 7), }, []string{"verb", "resource"}, ) requestLatenciesSummary = prometheus.NewSummaryVec( prometheus.SummaryOpts{ Name: "apiserver_request_latencies_summary", Help: "Response latency summary in microseconds for each verb and resource.",// Make the sliding window of 1h. MaxAge: time.Hour, }, []string{"verb", "resource"}, ) )
在這裏，一個http請求被分爲verb, resource, client, contentType, code這五個維度，那麼後面在PromDash上就能圖形化的畫出這些請求的數量。 從而分析哪種類型的請求是最多，對系統造成最大壓力的，如圖
除了Promtheus，還可以引入其他的測量手段，對系統進行分析。
在kubernetes調度過程中，各個狀態Pod的數量，看哪一步是最卡的
go pprof分析，哪些函數是最耗CPU的
4. 優化開發
發現了瓶頸之後，下一步就是解決瓶頸，和具體業務邏輯有關，本文在這裏就不做過多的闡釋。需要對相關代碼非常熟悉，在不改變功能的情況下增強性能，基本思路爲併發/緩存/去除無用步驟等。
5. 優化的優化
在上面的優化過程當中，基本上工程師要做幾百次優化的測試和開發。這裏會產生一個循環：
測試尋找瓶頸點
修改代碼突破這個瓶頸點
重新測試驗證這段代碼是否有效，是否需要改優化思路
這就是一個完整的優化的迭代過程，在這個過程當中，大部分時間被浪費在構建代碼、搭建環境、輸出報告上。開發人員真正思考和寫代碼的時間比較短。爲了解決這個問題，就需要做很多自動化的工作。在kubernetes優化的過程中，有這麼幾項方法可以節省時間：
kubemark模擬器 ：社區項目，使用容器模擬虛擬機，在測試中模擬比達到1：20，也就是一臺虛擬機可以模擬20臺虛擬機對apiserver產生的壓力。在測試過程當中，我們使用了500臺虛擬機，模擬了10000節點的控制面行爲。
CI集成：提交PR後自動拉性能優化分支並開始快速構建
CD集成：使用I層的快照機制，快速搭建集羣並執行測試案例輸出測試報告
以上都是在實踐過程中總結的一些點，對於不同的項目工程應該有很多點可以做進一步的優化，提升迭代效率。
在搭建完這套系統後，我們發現這個系統可以從源頭上預防降低系統性能的代碼合入主線。如果一項特性代碼造成了性能下降，在CI的過程當中，功能開發者就能收到性能報告，這樣開發者就能自助式的去查找自己代碼的性能問題所在，減少性能工程師的介入。