1. 性能分析基础：性能指标定义、性能模型、性能分析方法论
大家好，我是你们的老朋友。今天咱们聊聊性能分析的基础。说实话，这章内容看着简单，但它是整个课程的根基。我见过太多人一上来就调优，结果连指标都没搞清楚，白忙活一场。
1.1 性能指标定义
性能指标，说白了就是衡量系统快不快、稳不稳的尺子。我个人习惯把指标分成三类：
- 响应时间：用户发请求到收到响应的时间。嗯，这个最直观。
- 吞吐量：单位时间内能处理多少请求。比如每秒1000次。
- 资源利用率：CPU、内存、IO用了多少。别让资源闲着，也别让它爆了。
核心公式：响应时间 = 服务时间 + 等待时间
我在项目中遇到过，很多人只盯着服务时间，忽略了排队等待。结果优化了半天，效果不明显。
还有一个容易被忽略的指标——并发用户数。你想想看，系统能同时支撑多少人？这跟吞吐量不一样。并发用户数高，不代表吞吐量高，因为用户可能都在发呆。
1.2 性能模型
性能模型，就是给系统画个像。我常用的模型有三个：
| 模型名称 | 适用场景 | 核心思想 |
|---|---|---|
| 排队论模型 | 请求排队场景 | 请求到达率 < 服务率 |
| 马尔可夫链 | 状态转移分析 | 系统状态概率分布 |
| Little定律 | 通用场景 | L = λ × W |
Little定律我特别喜欢。它说：系统中平均请求数 = 平均到达率 × 平均响应时间。这个公式简单，但威力巨大。我曾经用它快速估算出一个数据库连接池该设多大，省了不少测试时间。
小技巧：用Little定律反推。如果你知道吞吐量和响应时间，就能算出系统里有多少请求在跑。这比直接数请求数方便多了。
1.3 性能分析方法论
方法论这块，我总结了一套自己的套路。你听听看：
- 定义目标：先搞清楚要优化到什么程度。比如响应时间从2秒降到1秒。
- 建立基线：跑一次测试，记录当前数据。没有基线，你都不知道自己进步了没。
- 定位瓶颈：用工具找最慢的环节。CPU？IO？还是锁？
- 制定方案：针对瓶颈改代码或架构。别瞎改，要有依据。
- 验证效果：再跑一次测试，对比基线。如果没效果，回到第3步。
为什么会这样？因为性能问题往往不是单一的。你修了一个瓶颈，另一个瓶颈就冒出来了。我记得有一次优化一个支付系统，修了数据库慢查询，结果发现网络带宽成了新瓶颈。嗯，这就是典型的“按下葫芦浮起瓢”。
避坑指南：我曾经在优化时直接跳到第4步，没做基线。结果改了一堆代码，性能反而下降了。后来花了三天才找到原因——原来新代码引入了额外的锁竞争。所以，基线一定要做，别偷懒。
1.4 实战中的常见误区
最后，我分享几个常见误区。这些都是我在项目中踩过的坑：
- 只看平均值：平均值会骗人。比如99%的请求都在100ms内，但1%的请求要10秒。这1%的用户体验极差。我建议看P99、P999分位值。
- 忽略冷启动：系统刚启动时性能差，跑一会儿才稳定。测试时记得预热。
- 过度优化：有些优化收益很小，但复杂度大增。你想想看，为了省5%的CPU，把代码改得没人能看懂，值吗？
好了，这一章就聊到这儿。性能分析基础，说白了就是三件事：定指标、建模型、用方法。下一章咱们深入聊聊响应时间，我会带大家看一个真实的调优案例。