大数据中如何分析架构性能优化

这篇文章跟大家分析一下"大数据中如何分析架构性能优化"。内容详细易懂，对"大数据中如何分析架构性能优化"感兴趣的朋友可以跟着小编的思路慢慢深入来阅读一下，希望阅读后能够对大家有所帮助。下面跟着小编一起深入学习"大数据中如何分析架构性能优化"的知识吧。

性能压测工具：

通常使用工具：Jmeter及LoadRunner发起压力测试并收集压测指标。

nmon：检测Linux的性能情况，被广泛用于linux系统上进行监控与分析工具。

内存的使用情况：MAT、GC日志、vmstat

I/O情况：iostat

网络情况：Netstat

热点代码：JProfiler、BTrace、JStack、JStat

CPU情况：Linux下的top命令

优化方法论：

阿姆达尔定律：分析对整体影响最大的点，进行优化

不访问不必要的数据：减少不必要的环节，减少故障点和维护点

就近加载：缓存为王

故障隔离：不要因为一个系统瓶颈压垮整个系统

具备良好的扩展能力：合理地利用资源，提高处理效率并避免单点故障

对整个链路进行优化：减少串行同步调用，合理拆分（水平或垂直吃饭）

性能与功能同等重要：5个功能的性能指标是设计阶段的90%，则整体的性能变为设计时的59%。

优化思路：

1、了解现状，发现问题

2、确定清晰的优化目标，分析现状与目标的差距并确认执行路线。

3、对系统进行拆分，分别对逻辑层（Web层、业务层、持久化层）和物理层（客户端、网络、应用服务器、数据库服务器）进行优化。

4、利用工具对系统进行监控和测试，并对监控结果进行分析

5、科学的对系统进行优化，需遵循一定的程序：监控/性能测试 -> 分析瓶颈 罗列瓶颈的原因 验证瓶颈因素 修改系统 确认是否达到优化目标。

影响性能的因素：CPU、内存、IO、网络或其他因素

找出主要瓶颈：先解决关键因素、再重复监控或测试验证

避免过度优化，一个修改一个瓶颈，不要对不需要的地方进行优化

提高CPU性能，写出更快的代码，设计出更好的算法，减少短期生存的对象

提高内存性能：减少长期生存的对象

提高I/O性能：重新设计应用，减少I/O的交互

缓存为王：适度缓存，做到最大化发挥数据库缓存、应用端缓存、客户端缓存的作用。

分层优化：

客户端优化

服务器优化

JVM优化

数据库优化

负载均衡优化

关于大数据中如何分析架构性能优化就分享到这里啦，希望上述内容能够让大家有所提升。如果想要学习更多知识，请大家多多留意小编的更新。谢谢大家关注一下网站！