用户6854537597769

很多人刚学分布式系统时，会下意识觉得：既然是同一份数据，那所有机器当然应该立刻一模一样。 这句话在单机房里还算顺耳，到了跨地域场景就开始“卡壳”了：北京机房刚写完，新加坡机房还没收到；这时如果你非要所

大促一来，最先尖叫的往往不是 CPU，而是事务。 你明明已经加了机器、加了连接池、加了缓存，结果一下单还是慢；再一查，热点行锁住了、跨分区事务拉长了、重试还把系统打得更抖。这个时候，很多系统会做一件听

你可能见过这种场面：服务一上并发，CPU 还没满，延迟先炸了。排查下来，不是算法慢，而是线程在锁前排队。 这篇文章只解决一件事：当你的业务是“读多写少”或“冲突概率低”时，怎么把“全程加锁”改成“关键

你可能有过这种体验：CPU 看起来很闲，任务却慢得像在散步。 这时很多人第一反应是“多开点并发”。结果吞吐没上去，反而出现锁等待、上下文切换飙升、最后汇总卡死。 这篇文章只做一件事：帮你用一套可落地的

你可能遇到过这种场景：平均延迟看起来不错，但用户总在“偶尔几次”卡住。真正把体验拖垮的，往往不是均值，而是尾延迟（比如 p99）。 这篇文章只解决一个问题：如何用“额外请求量”去换“更低尾延迟”，以及

中午 12 点，奶茶店门口 40 个人排队。店员有两种做法： 来一单做一单，顾客几乎不用等“凑单”，但机器频繁切换，整体出杯慢。 先把订单攒到一小批再统一操作，单个顾客会多等一会儿，但一小时能出更多杯

你点了“发送”，消息 200ms 就到，对方马上看到“正在输入”；你等了 2 秒才看到，体验立刻像穿越回拨号上网时代。 这就是很多系统要做的取舍：少追一点总吞吐，换更短的单次等待时间，也就是“吞吐换延

很多系统的事故现场都长这样：监控看起来“平均延迟挺漂亮”，用户却一边刷新一边骂卡。 问题不在“平均值”，而在“尾巴”。 这篇文章就讲一件事：为什么有些场景要主动接受平均性能小幅下降，换来 P99/P9

你有没有遇到过这种场景：一个任务已经跑了 2 小时，最后 10 分钟挂了。重跑时你看着风扇狂转，心里只剩一句话：前面那 2 小时白算了吗？ 这正是 I/O 换 CPU 要解决的问题。 一句话先讲清：