让 SpringBoot 飞起来！15条性能优化秘籍，轻松应对百万并发！

不才陈某

于 2025-07-29 13:40:28 发布

阅读量61

点赞数

CC 4.0 BY-SA版权

文章标签： spring boot 性能优化后端 java spring

原文链接：https://mp.weixin.qq.com/s?__biz=MzU3MDAzNDg1MA==&mid=2247538631&idx=1&sn=7a1730b14a639cd83d476ec3e02b4ced&chksm=fdac7493232065efe154af188dae373c0bbfe83aa4e2a1c209438f7988cecccf51de84e86b45&scene=126&sessionid=0

引言

为何提前暴露指标与分析的重要性

在正式进行性能优化之前，必须先“看得到”系统运行状况：缓存命中率、数据库连接池使用情况、响应时长分布、CPU/内存消耗、垃圾回收停顿等。只有掌握真实数据，才能有针对性地优化；盲目调整往往事倍功半，甚至适得其反。

指标暴露与监控接入

Prometheus 集成

1.Maven 依赖

<dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-actuator</artifactId>
</dependency>
<dependency>
    <groupId>io.micrometer</groupId>
    <artifactId>micrometer-core</artifactId>
</dependency>
<dependency>
    <groupId>io.micrometer</groupId>
    <artifactId>micrometer-registry-prometheus</artifactId>
</dependency>

2.application.properties/application.yml 配置

management.endpoint.metrics.enabled=true
management.endpoint.prometheus.enabled=true
management.endpoints.web.exposure.include=health,info,prometheus,metrics
management.metrics.export.prometheus.enabled=true
management.endpoint.health.show-details=always
# 可根据需要开放其他端点，如 httptrace、threaddump

3.启动与访问

启动后，访问 http://<host>:<port>/actuator/prometheus 可看到所有默认与自定义指标。

配置 Prometheus server 抓取该 endpoint，例如在 prometheus.yml:

scrape_configs:
  - job_name: 'springboot-app'
    metrics_path: '/actuator/prometheus'
    static_configs:
      - targets: ['app-host:port']

4.自定义业务指标示例

@RestController
publicclassTestController{
    privatefinal MeterRegistry registry;
    publicTestController(MeterRegistry registry){
        this.registry = registry;
    }
    @GetMapping("/test")
    public String test(){
        registry.counter("app_test_invocations", "from", "127.0.0.1", "method", "test").increment();
        return"ok";
    }
}

在 Prometheus 中可见指标如 app_test_invocations_total{from="127.0.0.1",method="test"} 5.0

对于缓存命中率，可在缓存拦截或 CacheManager 事件中注册 Counter/Gauge，例如：

Cache<Object, Object> cache = ...; // 若使用 Caffeine，可 attach 监听
// 当命中时 registry.counter("cache_hit", "cache", "myCache").increment();
// 当未命中时 registry.counter("cache_miss", "cache", "myCache").increment();

5.Grafana 可视化与 AlertManager

在 Grafana 中配置 Prometheus 数据源，创建 Dashboard 展示：

JVM 内存、GC 停顿、线程数
HTTP 请求速率、延迟分布（可借助 Histogram/Summary）
缓存命中率：hit/(hit+miss)
数据库连接池使用率：活跃连接数 vs 最大连接数

AlertManager 配置告警规则，例如：

95% 延迟超过阈值
GC 停顿时长过长
连接池耗尽告警

此部分可参考 Prometheus 与 Grafana 官方文档，自行搭建实验环境。

性能剖析工具：火焰图与 async-profiler

async-profiler 下载与使用

1.从 GitHub 下载 async-profiler release 包，解压至服务器目录，如 /opt/async-profiler。关注公众号：码猿技术专栏，回复关键词：1111 获取阿里内部Java性能调优手册！

2.启动 SpringBoot 应用时，添加 javaagent 参数：

java -agentpath:/opt/async-profiler/build/libasyncProfiler.so=start,svg,file=profile.svg -jar your-app.jar

3.运行一段业务场景（压测或真实流量），然后停止进程或通过 async-profiler 提供的 CLI 停止采样：

# 若不想重启，可 attach 模式：
./profiler.sh -d 30 -f profile.svg <pid>

4.查看生成的 profile.svg，用浏览器打开：

横轴表示消耗的采样比例，宽度越大表示更耗时的方法。
纵向为调用栈层级。
从最宽处逐层向下分析，找到热点方法，结合源代码定位优化点。

结合 Flame 图优化示例

若热点在某个慢方法，可查看方法内部逻辑：是否存在不必要的循环、I/O 阻塞，或可并行优化。
若热点在序列化/反序列化，可考虑更高效的库或减小返回对象结构。
若大量时间在 GC，可结合 GC 日志分析堆配置是否合理。

HTTP 及 Web 层优化

CDN 与静态资源加速

将常用静态资源（JS、CSS、图片）托管于 CDN，减轻后端压力；用户访问时由地理就近节点提供。
对第三方库可使用公共 CDN；自有资源可上传到 CDN 或静态文件服务器。

Cache-Control/Expires 在 Nginx 中配置示例

location ~* \.(ico|gif|jpg|jpeg|png|css|js)$ {
    add_header Cache-Control "max-age=31536000, immutable";
}

根据资源更新策略设置版本号或文件指纹，保证缓存命中又可及时更新。

减少域名数量

将静态资源和 API 接口合理合并域名；避免过多不同子域导致 DNS 查询延迟。
可启用 HTTP/2 时，多路复用可减少域名依赖，但 HTTP/2 支持需服务器和客户端皆启用。

Gzip 及资源压缩配置

gzip on;
gzip_min_length 1k;
gzip_buffers 4 16k;
gzip_comp_level 6;
gzip_http_version 1.1;
gzip_types text/plain application/javascript text/css application/json;

确保对动态 JSON 接口开启 gzip，减小响应体体积。
对大型静态文件可在构建时先行压缩（如 Brotli），结合 Nginx 支持。

Keep-Alive 配置

客户端与 Nginx：

http {
    keepalive_timeout  60s 60s;
    keepalive_requests 10000;
}

Nginx 与 SpringBoot 后端长连接：

location / {
    proxy_pass http://backend;
    proxy_http_version 1.1;
    proxy_set_header Connection "";
}

SpringBoot/Tomcat 默认支持 Keep-Alive；可通过自定义 Connector 调整超时。

SpringBoot 容器调优

自定义嵌入式 Tomcat

如果项目并发量比较高，想要修改最大线程数、最大连接数等配置信息，可以通过自定义Web 容器的方式，代码如下所示。

@SpringBootApplication(proxyBeanMethods = false)
publicclassAppimplementsWebServerFactoryCustomizer<ConfigurableServletWebServerFactory> {
    publicstaticvoidmain(String[] args){
        SpringApplication.run(App.class, args);
    }
    @Override
    publicvoidcustomize(ConfigurableServletWebServerFactory factory){
        if (factory instanceof TomcatServletWebServerFactory) {
            TomcatServletWebServerFactory f = (TomcatServletWebServerFactory) factory;
            f.setProtocol("org.apache.coyote.http11.Http11Nio2Protocol");
            f.addConnectorCustomizers(c -> {
                Http11NioProtocol protocol = (Http11NioProtocol) c.getProtocolHandler();
                protocol.setMaxConnections(200);
                protocol.setMaxThreads(200);
                protocol.setConnectionTimeout(30000);
                // protocol.setSelectorTimeout(3000); // NIO2 可选项
            });
        }
    }
}

设置协议为 NIO2 可在高并发 I/O 场景下提升性能；需基准测试验证。

setMaxThreads 和 setMaxConnections 值根据服务器硬件资源与业务并发调整，可在压测环境多次尝试并观察响应延迟、CPU 利用率、线程使用情况。

替换 Undertow

在 pom.xml 中排除 Tomcat 并引入 Undertow：

<dependency>
  <groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-web</artifactId>
<exclusions>
    <exclusion>
      <groupId>org.springframework.boot</groupId>
      <artifactId>spring-boot-starter-tomcat</artifactId>
    </exclusion>
</exclusions>
</dependency>
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-undertow</artifactId>
</dependency>

Undertow 线程模型和资源占用一般较轻；需要在业务场景中压测对比。
注意部分 Tomcat 特有配置不适用，需调整监控指标对应项。

JVM 参数回顾

结合性能优化 - 高级进阶：JVM 常见优化参数，可启动时传入：

-XX:+UseG1GC -Xms2048m -Xmx2048m -XX:+AlwaysPreTouch -XX:MaxMetaspaceSize=256m -XX:ReservedCodeCacheSize=240m -XX:MaxDirectMemorySize=512m
-XX:+HeapDumpOnOutOfMemoryError -XX:HeapDumpPath=/path/to/dumps -XX:ErrorFile=/path/to/hs_err_pid%p.log
-Xlog:gc*,gc+age=trace,safepoint:file=logs/gc.log:utctime,pid,tags:filecount=5,filesize=100m

根据硬件和应用特点调整堆大小；若GC停顿问题突出，可结合 async-profiler 和 GC 日志深入分析。

应用性能监控与分布式追踪

SkyWalking 集成

1.下载与部署

下载 SkyWalking Agent 和后端服务（按存储类型，如 Elasticsearch 存储版）。
部署 SkyWalking 后端：配置 Storage、UI、Collector。

2.启动应用时添加 Agent

java -javaagent:/opt/skywalking-agent/skywalking-agent.jar \
     -Dskywalking.agent.service_name=your-service-name \
     -Dskywalking.collector.backend_service=collector-host:11800 \
     -jar your-app.jar

3.查看调用链与指标

访问 SkyWalking UI，可看到每次请求的调用链图、各段耗时、数据库/HTTP 调用详情、JVM 指标、GC 指标。
结合 Prometheus 等指标，综合判断：若某接口响应慢，可查看是哪一段（查询、序列化、远程调用等）成为瓶颈。

4.报警与自动化

可结合 SkyWalking 的告警和 Prometheus AlertManager 设置阈值告警。
定期分析热点接口和突发异常请求流，制定优化计划。

各层优化思路

Controller 层

DTO 精简与分页： 避免一次性返回过大结果集；对列表数据使用分页或流式方式（如 Spring MVC StreamingResponseBody）。
JSON 序列化优化： 选择高性能序列化库（Jackson 已较快，可开启 Afterburner 模块），避免将不必要字段序列化。
输入校验与限流： 对异常或恶意请求提前拦截，减少无效处理。
幂等性与缓存： 对可缓存接口，如 GET 查询，结合 HTTP 缓存头或后端缓存减少重复计算。

Service 层

无状态设计：Service Bean 默认单例无状态，避免在 Bean 中维护请求级状态。
合理拆分与职责分离： 将复杂逻辑拆成小模块，便于监控与优化。
异步与并行： 对于可并行处理的子任务，可使用 CompletableFuture、异步消息队列等；但要注意线程池配置与上下文传递。
缓存策略：
- 本地缓存（Caffeine）： 低延迟、减轻远程调用压力；监控命中率，避免缓存污染。
- 分布式缓存（Redis）： 适用于共享场景；注意 TTL 策略、防止缓存穿透（布隆过滤、请求预热）、防止雪崩（加随机过期）、防止击穿（互斥锁或预加载）。
避免重复计算与请求合并： 对重复请求可合并或去重，减少下游压力。
分布式事务讨论：
- 两阶段提交、TCC、本地消息表、MQ事务消息等方案都会增加延迟与资源占用；仅在必要场景使用。