说在前面
在40岁老架构师 尼恩的读者交流群(50+)中，最近有小伙伴拿到了一线互联网企业如阿里、滴滴、极兔、有赞、希音、百度、网易的面试资格，遇到很多很重要的面试题：
一个页面要调100 个上游接口，如何优化？
一个场景题，一个页面中，需要通过调用下游系统的很多很多个接口来获取数据，请问最优的高并发设计方案?
就在昨天， 一个小伙伴面试阿里， 遇到这道题：
场景题：一次要调10 个上游接口，如何做高并发？
小伙伴 没有回答好，导致面试挂了，来求助尼恩，如何才能回答得很漂亮， 让面试官刮目相看、口水直流。
尼恩提示：并发调用的知识，既是面试的核心知识，又是开发的核心知识。
所以，尼恩给大家做一下系统化、体系化的梳理，使得大家内力猛增，可以充分展示一下大家雄厚的 "技术肌肉"，让面试官爱到 "不能自已、口水直流"，然后实现"offer直提"。
当然，这道面试题，以及参考答案，也会收入咱们的 《尼恩Java面试宝典PDF》V114版本PDF集群，供后面的小伙伴参考，提升大家的 3高 架构、设计、开发水平。
最新《尼恩 架构笔记》《尼恩高并发三部曲》《尼恩Java面试宝典》的PDF，请关注本公众号【技术自由圈】获取，后台回复：领电子书
文章目录
正确、最佳的答题姿势
尼恩给大家梳理一下正确、最佳的答题姿势。有了这个姿势，面试官自然爱到 "不能自已、口水直流"
页面调10 个上游接口，如何做高并发？
首先， 告诉面试官， 解决这个问题，需要 全链路、多层次、多维度进行 优化和改造。
全链路如何拆分后，进行优化和改造呢？
庖丁解牛，但是也不需要太复杂，可以把简单的把全链路拆分如下：
- 接受下游请求环节
- 上游请求分裂后入列环节
- 执行上游调用环节
- 上游结果聚合和响应环节
多层次如何拆分后，进行优化和改造呢？
核心的措施是：异步化， 但是，要分层进行异步化
可以简单的， 把用户的api调用解耦为三层, 如下图所示：
- 应用层：编程模型的异步化
- 框架层：IO线程的异步化
- OS层： IO模型的异步化
解耦之后，再庖丁解牛，一层一层的进行异步化架构。
如何实现全链路异步，知识非常多，具体请参见尼恩的《全链路异步，让你的 SpringCloud 性能优化10倍+》、《NIO学习圣经》等深度文章。
建议大家把以上这些文章，作为作为一个体系来学习。
多维度优化和改造，主要有哪些呢？
其实有很多， 但是主要聚焦的点是：
业务线程，IO线程，如何进行优化和改造呢？
前面已经庖丁解牛，但是也不需要太复杂，可以把简单的把全链路拆分如下：
- 接受下游请求环节
- 上游请求分裂后入列环节
- 执行上游调用环节
- 上游结果聚合和响应环节
第二个环节涉及到了 业务线程池，第三个环节设计到了 IO线程池
都需要合理的设置线程池的大小、拒绝策略。 并且结合不同的框架和组件，结合自己的业务场景实现异步。
比如：
方案一： 使用 CompletableFuture （自定义业务线程池） + httpClient （池化同步io框架） + CountDownLatch闭锁（聚合结果）
方案二： CloseableHttpAsyncClient（池化异步io框架） + CountDownLatch闭锁（聚合结果）
方案三： 自研Netty 异步IO框架+ CountDownLatch闭锁（聚合结果）
网络传输维度，如何进行优化和改造呢？
核心就是两点：
- 连接复用
- 多路复用
首先看 连接复用。 也就是 短链接，变成长连接
http1.0协议头里可以设置Connection:Keep-Alive。在header里设置Keep-Alive可以在一定时间内复用连接，具体复用时间的长短可以由服务器控制，一般在15s左右。
到http1.1之后Connection的默认值就是Keep-Alive，如果要关闭连接复用需要显式的设置Connection:Close。
多路复用代替原来的序列和阻塞机制。所有就是请求的都是通过一个 TCP 连接并发完成。
因为在多路复用之前所有的传输是基于基础文本的，在多路复用中是基于二进制数据帧的传输、消息、流，所以可以做到乱序的传输。
多路复用对同一域名下所有请求都是基于流，所以不存在同域并行的阻塞。
多路复用复用场景，多次请求如下图：
尼恩提示：由于http1.2 目前普及度不够，一般还是考虑 http1.1连接复用
方案一实操
使用 CompletableFuture （自定义业务线程池） + httpClient （池化同步io框架） + CountDownLatch闭锁（聚合结果）
java
static final HttpClient httpClient = HttpClientBuilder.create().build();
@Benchmark
@Test
public void HttpClient() {
List<String> apis = Arrays.asList(
"http://192.168.56.121/echo?i=1",
"http://192.168.56.121/echo?i=2",
"http://192.168.56.121/echo?i=3"
);
CountDownLatch latch = new CountDownLatch(apis.size());
Map<String, String> results = new ConcurrentHashMap<>();
for (String api : apis) {
CompletableFuture<String> future = CompletableFuture.supplyAsync(() -> {
HttpResponse response = null;
try {
response = httpClient.execute(new HttpGet(api));
} catch (IOException e) {
return null;
}
if (HttpStatus.SC_OK == response.getStatusLine().getStatusCode()) {
try {
return EntityUtils.toString(response.getEntity());
} catch (Exception e) {
log.error("error", e);
throw new RuntimeException(e);
}
}
return null;
});
future.whenComplete((result, throwable) -> {
latch.countDown();
results.put(api, result);
}
);
}
try {
latch.await(10000000, TimeUnit.MILLISECONDS);
} catch (Exception e) {
log.error("error", e);
// throw new RuntimeException(e);
}
// System.out.println(results.toString());
}方案一性能基线测试
这里使用linux + jmh 框架，完成性能基线测试
达到 5000qps
方案二实操：
方案二：CloseableHttpAsyncClient（池化异步io框架） + CountDownLatch闭锁（聚合结果）
这里去掉了业务线程池。 提升了性能
java
@Benchmark
@Test
public void HttpAsyncClient() {
List<String> urls = Arrays.asList(
"http://192.168.56.121/echo?i=1",
"http://192.168.56.121/echo?i=2",
"http://192.168.56.121/echo?i=3"
);
CountDownLatch latch = new CountDownLatch(urls.size());
Map<String, String> results = new ConcurrentHashMap<>();
for (int i = 0; i < urls.size(); i++) {
final String url = urls.get(i);
Future<HttpResponse> f0 = asyncClient.execute(new HttpGet(url), new FutureCallback<HttpResponse>() {
public void completed(HttpResponse response) {
latch.countDown();
if (HttpStatus.SC_OK == response.getStatusLine().getStatusCode()) {
try {
String result = EntityUtils.toString(response.getEntity());
results.put(url, result);
} catch (IOException e) {
log.error("error", e);
// throw new RuntimeException(e);
}
}
}
public void failed(Exception ex) {
latch.countDown();
log.error("error", ex);
// ex.printStackTrace();
}
public void cancelled() {
latch.countDown();
}
});
}
try {
latch.await(10000000, TimeUnit.MILLISECONDS);
} catch (
InterruptedException e) {
throw new RuntimeException(e);
}
// System.out.println("results = " + results);
}方案二性能基线测试
这里使用linux + jmh 框架，完成性能基线测试
达到 4300qps
理论上性能会更优，但是，看上去性能更差。
why？
具体原因，尼恩还在思考， 有写眉目， 具体可以来技术自由圈社群交流。
方案三实操：
方案三： 自研Netty 异步IO框架+ CountDownLatch闭锁（聚合结果）
尼恩在网上找了一个 生产环境上的 qps达到 9000的 自研Netty 异步IO框架
完成了实验
java
@Benchmark
@Test
public void nettyGet() {
// setup();
List<String> urls = Arrays.asList(
"/echo?i=1",
"/echo?i=2",
"/echo?i=3"
);
CountDownLatch latch = new CountDownLatch(urls.size());
Map<Integer, Object> results = new ConcurrentHashMap<>();
ReqOptions options = new ReqOptions(TypeReference.from(String.class));
for (int i = 0; i < urls.size(); i++) {
int finalI = i;
longConnHttpClient.getAsync("/echo?i=" + i, options, response -> {
Object content = response.content();
results.put(finalI, content);
latch.countDown();
}, e -> {
e.printStackTrace();
latch.countDown();
});
}
try {
latch.await(10000000, TimeUnit.MILLISECONDS);
} catch (
InterruptedException e) {
throw new RuntimeException(e);
}
// System.out.println("results = " + results);
}方案三性能基线测试
这里使用linux + jmh 框架，完成性能基线测试
第一次个版本，性能就 300 ops
尼恩都晕了
进行优化之后，第二次验证， 也就4300qps， 但是，看上去性能也很差。
不用jmh进行基线测试， 达到 6000多qps，这下明白了。
为啥 技术越高明，性能反而不高呢？
还有有原因的，当然目前来看，具体的原因尼恩也是猜测，不能大放厥词。
具体的原因，尼恩还需要再做实验验证一下，确认之后再发布。
但是，目前没时间了，在录制《10Wqps netty网关架构与实操》， 所以，这里做个遗留问题，后面录个视频说吧。
说在最后
异步调用面试题，是非常常见的面试题。
以上的内容，如果大家能对答如流，如数家珍，基本上 面试官会被你 震惊到、吸引到。
在面试之前，建议大家系统化的刷一波 5000页《尼恩Java面试宝典PDF》，并且在刷题过程中，如果有啥问题，大家可以来 找 40岁老架构师尼恩交流。
最终，让面试官爱到 "不能自已、口水直流"。offer， 也就来了。
推荐阅读
《阿里2面：你们部署多少节点？1000W并发，当如何部署？》
《网易一面：25Wqps高吞吐写Mysql，100W数据4秒写完，如何实现？》
《尼恩 架构笔记》《尼恩高并发三部曲》《尼恩Java面试宝典》PDF，请到下面公号【技术自由圈】取↓↓↓