应用应用设计·资讯站
社区主页热门讨论 最新发布 精华区 知识库 资源 关于

应用设计·资讯站 · 复盘一次线上事故：app-design-news 连接池耗尽的全过程

1.3k
应用r/app-design-news·由 tang_hao 发布·3 天前讨论

复盘一次线上事故：app-design-news 连接池耗尽的全过程

网上关于 app-design-news 的文章大多停在「怎么用」，很少有人写「什么时候不该用」。这篇想补上后半句。

关于取舍，我的判断是：如果团队里没有人长期盯这块，就不要引入第二套机制。两套并存的时候，出问题时你甚至要先花时间判断「这次是哪个在起作用」，那个成本比性能损失高得多。

-- 出问题的那条查询：在 2000 万行上做了全表扫描
-- 加复合索引后 P99 从 1.8s 降到 42ms
SELECT id, title, created_at
  FROM posts
 WHERE community_id = ?
   AND status = 1
 ORDER BY score DESC
 LIMIT 20;

顺便说一句，官方文档里这段其实有写，只是藏在一个很不起眼的位置。我是在翻源码注释的时候才发现的，注释里作者解释了为什么这么设计 —— 大意是「为了在极端情况下退化成可预期的行为」。

真正让我意外的是长尾。平均值一直很漂亮，P99 却在某个阈值之后直接跳了一个数量级。原因不在 app-design-news 本身，而是我们上游的连接复用没做好，压测流量太「干净」，掩盖了长尾请求。

最后提醒一个坑：容器环境下一定要记得同步调整内存相关的参数，否则宿主机的限制和进程内部的预期会对不上，表现就是偶发的、无法复现的失败。

724 条评论

724 条评论

· 已加载前 120 条
我
Ddev_zhou版主·12 分钟前

补充一个反例：如果 app-design-news 的版本低于 7.4，这段代码的语义是不一样的，别照抄。我们在灰度环境踩过，回滚了一次。

515
Sslow_query·2 天前

刚翻了下 app-design-news 的源码，作者在注释里其实解释过为什么这么设计，大意是「为了在极端情况下退化成可预期行为」。

481
Wwinter·2 天前

这不是 app-design-news 的问题，是用法的问题。文档里写了这个 API 不是线程安全的，要自己在外面加锁。

16
Zzhou_yi·2 天前

同意上面说的。补充一点：如果开了这个选项，监控指标里的 GC 次数会翻倍，需要同步调整告警阈值，否则会一直误报。

372
Hhuang_ke·2 天前已编辑

这个结论和我们线上的观察一致。我们是在 QPS 到 3k 之后才撞上这个问题的，前压测阶段完全看不出来——因为压测流量太「干净」了，没有长尾请求。

3
Rrase·2 天前

贴一下我们的实测数据，8 核 16G，同样的场景：

| 并发 | P50 | P99 |
|---|---|---|
| 200 | 12ms | 88ms |
| 500 | 31ms | 340ms |

P99 在 500 并发时明显崩了，和你说的拐点基本吻合。

328
Rran_bo·2 天前已编辑

楼主这个排查思路值得学习。我们之前是直接从日志下手，绕了很大一圈。

302
Zzhou_yi·3 分钟前

楼主这个排查思路值得学习。我们之前是直接从日志下手，绕了很大一圈。

292
Llinlin·2 天前

补充一个反例：如果 app-design-news 的版本低于 7.4，这段代码的语义是不一样的，别照抄。我们在灰度环境踩过，回滚了一次。

300
Rrase·2 天前

感谢分享真实数据，比很多只讲概念的文章有用得多。

254
Wwinter楼主·2 天前

贴一下我们的实测数据，8 核 16G，同样的场景：

| 并发 | P50 | P99 |
|---|---|---|
| 200 | 12ms | 88ms |
| 500 | 31ms | 340ms |

P99 在 500 并发时明显崩了，和你说的拐点基本吻合。

437
Ttang_hao·2 天前

这不是 app-design-news 的问题，是用法的问题。文档里写了这个 API 不是线程安全的，要自己在外面加锁。

24
Sswoole_lee·刚刚

同意上面说的。补充一点：如果开了这个选项，监控指标里的 GC 次数会翻倍，需要同步调整告警阈值，否则会一直误报。

195
Nnikic楼主·2 天前

我们生产环境用了两年，没遇到过。不过我承认我们没上到这个量级，所以这个结论对我们没有参考价值。

144
Bbob_chen·2 天前

补充一个反例：如果 app-design-news 的版本低于 7.4，这段代码的语义是不一样的，别照抄。我们在灰度环境踩过，回滚了一次。

11
Lli_ming楼主·2 天前

我们生产环境用了两年，没遇到过。不过我承认我们没上到这个量级，所以这个结论对我们没有参考价值。

126
Sswoole_lee·2 天前

这里其实有个更简单的做法，不需要改架构：把这一层判断提前到网关，问题就消失了。代价是网关会多一次查表。

284
Sslow_query版主·3 分钟前

楼主说的第 3 点我有不同看法。这里的取舍取决于你的读写比：读多写少的话，加缓存反而会放大不一致窗口。

272
Wwinter·2 天前已编辑

感谢分享真实数据，比很多只讲概念的文章有用得多。

240
Llinlin楼主·2 天前

刚翻了下 app-design-news 的源码，作者在注释里其实解释过为什么这么设计，大意是「为了在极端情况下退化成可预期行为」。

148
Ddev_zhou楼主·2 天前已编辑

楼主这个排查思路值得学习。我们之前是直接从日志下手，绕了很大一圈。

345
Cchen_dev·28 分钟前

同意上面说的。补充一点：如果开了这个选项，监控指标里的 GC 次数会翻倍，需要同步调整告警阈值，否则会一直误报。

374
Cchen_dev·2 天前

补充一个反例：如果 app-design-news 的版本低于 7.4，这段代码的语义是不一样的，别照抄。我们在灰度环境踩过，回滚了一次。

247
Oops_wang·2 天前

贴一下我们的实测数据，8 核 16G，同样的场景：

| 并发 | P50 | P99 |
|---|---|---|
| 200 | 12ms | 88ms |
| 500 | 31ms | 340ms |

P99 在 500 并发时明显崩了，和你说的拐点基本吻合。

99
Sslow_query·2 天前

想请教一下，这个方案在容器里（内存限制 512Mi）会有什么变化？我们线上就是这么配的。

18
Zzhou_yi·2 天前

有没有人做过对照实验？我做了一组，把变量控制到只剩这一个，结果差距只有 4%，基本在噪声范围内。所以我觉得主因可能不是这个。

202
Kkite·2 天前

同意上面说的。补充一点：如果开了这个选项，监控指标里的 GC 次数会翻倍，需要同步调整告警阈值，否则会一直误报。

201
Bbob_chen·2 天前已编辑

已收藏。正好这周要改这块，少走很多弯路。

166
Ttang_hao楼主·2 天前

楼主这个排查思路值得学习。我们之前是直接从日志下手，绕了很大一圈。

127
Kkite楼主·2 天前

这个结论和我们线上的观察一致。我们是在 QPS 到 3k 之后才撞上这个问题的，前压测阶段完全看不出来——因为压测流量太「干净」了，没有长尾请求。

88
Ttang_hao·2 天前

有没有人做过对照实验？我做了一组，把变量控制到只剩这一个，结果差距只有 4%，基本在噪声范围内。所以我觉得主因可能不是这个。

138
Zzhu_zong·昨天

想请教一下，这个方案在容器里（内存限制 512Mi）会有什么变化？我们线上就是这么配的。

127
Rran_bo·刚刚

贴一下我们的实测数据，8 核 16G，同样的场景：

| 并发 | P50 | P99 |
|---|---|---|
| 200 | 12ms | 88ms |
| 500 | 31ms | 340ms |

P99 在 500 并发时明显崩了，和你说的拐点基本吻合。

125
Hhuang_ke·2 天前

这个结论和我们线上的观察一致。我们是在 QPS 到 3k 之后才撞上这个问题的，前压测阶段完全看不出来——因为压测流量太「干净」了，没有长尾请求。

311
Sslow_query·2 天前

能不能给出最小复现？我本地跑了十分钟没复现出来，环境是 macOS + 最新版。

399
Cchen_dev·刚刚

想请教一下，这个方案在容器里（内存限制 512Mi）会有什么变化？我们线上就是这么配的。

394
Mmike_xu·3 分钟前

这里其实有个更简单的做法，不需要改架构：把这一层判断提前到网关，问题就消失了。代价是网关会多一次查表。

272
Rrase·2 天前

能不能给出最小复现？我本地跑了十分钟没复现出来，环境是 macOS + 最新版。

28
Kkernel_panic·2 天前已编辑

感谢分享真实数据，比很多只讲概念的文章有用得多。

3
Zzhu_zong·2 天前

这不是 app-design-news 的问题，是用法的问题。文档里写了这个 API 不是线程安全的，要自己在外面加锁。

417
Oops_wang·2 天前

想请教一下，这个方案在容器里（内存限制 512Mi）会有什么变化？我们线上就是这么配的。

102
Sswoole_lee·28 分钟前

想请教一下，这个方案在容器里（内存限制 512Mi）会有什么变化？我们线上就是这么配的。

100
Cchen_dev楼主·2 天前

同意上面说的。补充一点：如果开了这个选项，监控指标里的 GC 次数会翻倍，需要同步调整告警阈值，否则会一直误报。

146
Sslow_query楼主·2 天前

有没有人做过对照实验？我做了一组，把变量控制到只剩这一个，结果差距只有 4%，基本在噪声范围内。所以我觉得主因可能不是这个。

35
Nnikic·2 天前

同意上面说的。补充一点：如果开了这个选项，监控指标里的 GC 次数会翻倍，需要同步调整告警阈值，否则会一直误报。

65
Lli_ming·2 天前

楼主说的第 3 点我有不同看法。这里的取舍取决于你的读写比：读多写少的话，加缓存反而会放大不一致窗口。

13
Sswoole_lee·1 小时前

有没有人做过对照实验？我做了一组，把变量控制到只剩这一个，结果差距只有 4%，基本在噪声范围内。所以我觉得主因可能不是这个。

92
Aalice_dev·2 天前

贴一下我们的实测数据，8 核 16G，同样的场景：

| 并发 | P50 | P99 |
|---|---|---|
| 200 | 12ms | 88ms |
| 500 | 31ms | 340ms |

P99 在 500 并发时明显崩了，和你说的拐点基本吻合。

421
Cchen_dev·2 天前

楼主说的第 3 点我有不同看法。这里的取舍取决于你的读写比：读多写少的话，加缓存反而会放大不一致窗口。

78
Zzhou_yi·3 分钟前

我们生产环境用了两年，没遇到过。不过我承认我们没上到这个量级，所以这个结论对我们没有参考价值。

77
Nnikic·2 天前

能不能给出最小复现？我本地跑了十分钟没复现出来，环境是 macOS + 最新版。

2
Sslow_query·2 天前

楼主这个排查思路值得学习。我们之前是直接从日志下手，绕了很大一圈。

73
Lli_ming·2 天前

这不是 app-design-news 的问题，是用法的问题。文档里写了这个 API 不是线程安全的，要自己在外面加锁。

64
Ttang_hao·5 小时前

这里其实有个更简单的做法，不需要改架构：把这一层判断提前到网关，问题就消失了。代价是网关会多一次查表。

110
Bbob_chen·2 天前

楼主说的第 3 点我有不同看法。这里的取舍取决于你的读写比：读多写少的话，加缓存反而会放大不一致窗口。

3
Mmike_xu·2 天前

刚翻了下 app-design-news 的源码，作者在注释里其实解释过为什么这么设计，大意是「为了在极端情况下退化成可预期行为」。

311
Hhuang_ke·刚刚

已收藏。正好这周要改这块，少走很多弯路。

257
Ddev_zhou·2 天前

楼主说的第 3 点我有不同看法。这里的取舍取决于你的读写比：读多写少的话，加缓存反而会放大不一致窗口。

163
Rran_bo·5 小时前

楼主说的第 3 点我有不同看法。这里的取舍取决于你的读写比：读多写少的话，加缓存反而会放大不一致窗口。

32
Kkernel_panic·2 天前

贴一下我们的实测数据，8 核 16G，同样的场景：

| 并发 | P50 | P99 |
|---|---|---|
| 200 | 12ms | 88ms |
| 500 | 31ms | 340ms |

P99 在 500 并发时明显崩了，和你说的拐点基本吻合。

232
Lli_ming·12 分钟前

这不是 app-design-news 的问题，是用法的问题。文档里写了这个 API 不是线程安全的，要自己在外面加锁。

18
Hhuang_ke·2 天前

刚翻了下 app-design-news 的源码，作者在注释里其实解释过为什么这么设计，大意是「为了在极端情况下退化成可预期行为」。

149
Sswoole_lee·2 天前已编辑

我们生产环境用了两年，没遇到过。不过我承认我们没上到这个量级，所以这个结论对我们没有参考价值。

23
Mmike_xu·2 天前

楼主这个排查思路值得学习。我们之前是直接从日志下手，绕了很大一圈。

23
Bbob_chen·12 分钟前

楼主说的第 3 点我有不同看法。这里的取舍取决于你的读写比：读多写少的话，加缓存反而会放大不一致窗口。

21
Llinlin·2 天前

能不能给出最小复现？我本地跑了十分钟没复现出来，环境是 macOS + 最新版。

18
Ttang_hao·2 天前

这里其实有个更简单的做法，不需要改架构：把这一层判断提前到网关，问题就消失了。代价是网关会多一次查表。

14
Rran_bo·2 天前

楼主说的第 3 点我有不同看法。这里的取舍取决于你的读写比：读多写少的话，加缓存反而会放大不一致窗口。

10
Aalice_dev·28 分钟前

这个结论和我们线上的观察一致。我们是在 QPS 到 3k 之后才撞上这个问题的，前压测阶段完全看不出来——因为压测流量太「干净」了，没有长尾请求。

7
Ddev_zhou楼主·2 天前已编辑

同意上面说的。补充一点：如果开了这个选项，监控指标里的 GC 次数会翻倍，需要同步调整告警阈值，否则会一直误报。

381
Ttang_hao·2 小时前

已收藏。正好这周要改这块，少走很多弯路。

5
Wwinter·28 分钟前

这不是 app-design-news 的问题，是用法的问题。文档里写了这个 API 不是线程安全的，要自己在外面加锁。

473
Zzhu_zong·12 分钟前已编辑

这里其实有个更简单的做法，不需要改架构：把这一层判断提前到网关，问题就消失了。代价是网关会多一次查表。

45
Zzhu_zong·2 天前

能不能给出最小复现？我本地跑了十分钟没复现出来，环境是 macOS + 最新版。

250
Kkernel_panic·3 分钟前

贴一下我们的实测数据，8 核 16G，同样的场景：

| 并发 | P50 | P99 |
|---|---|---|
| 200 | 12ms | 88ms |
| 500 | 31ms | 340ms |

P99 在 500 并发时明显崩了，和你说的拐点基本吻合。

213
Zzhu_zong·2 天前

这里其实有个更简单的做法，不需要改架构：把这一层判断提前到网关，问题就消失了。代价是网关会多一次查表。

512
Zzhou_yi·2 天前第 6 层

我们生产环境用了两年，没遇到过。不过我承认我们没上到这个量级，所以这个结论对我们没有参考价值。

497
Ttang_hao·5 小时前第 6 层

刚翻了下 app-design-news 的源码，作者在注释里其实解释过为什么这么设计，大意是「为了在极端情况下退化成可预期行为」。

335
Llinlin·2 天前已编辑第 6 层

已收藏。正好这周要改这块，少走很多弯路。

219
Nnikic·2 天前第 6 层

已收藏。正好这周要改这块，少走很多弯路。

151
Rran_bo楼主·5 小时前第 6 层

想请教一下，这个方案在容器里（内存限制 512Mi）会有什么变化？我们线上就是这么配的。

48
Rran_bo·2 天前

楼主这个排查思路值得学习。我们之前是直接从日志下手，绕了很大一圈。

397
Rran_bo·28 分钟前第 6 层

能不能给出最小复现？我本地跑了十分钟没复现出来，环境是 macOS + 最新版。

403
Sslow_query·2 天前

补充一个反例：如果 app-design-news 的版本低于 7.4，这段代码的语义是不一样的，别照抄。我们在灰度环境踩过，回滚了一次。

214
Sswoole_lee·2 天前第 6 层

我们生产环境用了两年，没遇到过。不过我承认我们没上到这个量级，所以这个结论对我们没有参考价值。

141
Ttang_hao·2 天前

想请教一下，这个方案在容器里（内存限制 512Mi）会有什么变化？我们线上就是这么配的。

61
Aalice_dev·2 天前第 6 层

楼主这个排查思路值得学习。我们之前是直接从日志下手，绕了很大一圈。

243
Kkite·2 天前第 6 层

补充一个反例：如果 app-design-news 的版本低于 7.4，这段代码的语义是不一样的，别照抄。我们在灰度环境踩过，回滚了一次。

40
Ddev_zhou·昨天

这个结论和我们线上的观察一致。我们是在 QPS 到 3k 之后才撞上这个问题的，前压测阶段完全看不出来——因为压测流量太「干净」了，没有长尾请求。

27
Sswoole_lee版主·3 分钟前第 6 层

感谢分享真实数据，比很多只讲概念的文章有用得多。

23
Wwinter·2 天前

能不能给出最小复现？我本地跑了十分钟没复现出来，环境是 macOS + 最新版。

17
Hhuang_ke·28 分钟前

刚翻了下 app-design-news 的源码，作者在注释里其实解释过为什么这么设计，大意是「为了在极端情况下退化成可预期行为」。

8
Nnikic·2 天前第 6 层

已收藏。正好这周要改这块，少走很多弯路。

345
Sswoole_lee·3 分钟前第 6 层

想请教一下，这个方案在容器里（内存限制 512Mi）会有什么变化？我们线上就是这么配的。

195
Nnikic·2 天前第 6 层

已收藏。正好这周要改这块，少走很多弯路。

78
Rran_bo·2 天前

感谢分享真实数据，比很多只讲概念的文章有用得多。

14
Kkite版主·2 天前

这不是 app-design-news 的问题，是用法的问题。文档里写了这个 API 不是线程安全的，要自己在外面加锁。

29
Cchen_dev·刚刚

感谢分享真实数据，比很多只讲概念的文章有用得多。

5
Llinlin·5 小时前

贴一下我们的实测数据，8 核 16G，同样的场景：

| 并发 | P50 | P99 |
|---|---|---|
| 200 | 12ms | 88ms |
| 500 | 31ms | 340ms |

P99 在 500 并发时明显崩了，和你说的拐点基本吻合。

11
Hhuang_ke·1 小时前

这里其实有个更简单的做法，不需要改架构：把这一层判断提前到网关，问题就消失了。代价是网关会多一次查表。

7
Aalice_dev·2 天前已编辑

同意上面说的。补充一点：如果开了这个选项，监控指标里的 GC 次数会翻倍，需要同步调整告警阈值，否则会一直误报。

6
Aalice_dev·2 天前

这里其实有个更简单的做法，不需要改架构：把这一层判断提前到网关，问题就消失了。代价是网关会多一次查表。

6
Wwinter版主·2 天前

这个结论和我们线上的观察一致。我们是在 QPS 到 3k 之后才撞上这个问题的，前压测阶段完全看不出来——因为压测流量太「干净」了，没有长尾请求。

5
Kkite·2 天前

能不能给出最小复现？我本地跑了十分钟没复现出来，环境是 macOS + 最新版。

4
Kkernel_panic·2 天前

这个结论和我们线上的观察一致。我们是在 QPS 到 3k 之后才撞上这个问题的，前压测阶段完全看不出来——因为压测流量太「干净」了，没有长尾请求。

5
Nnikic·2 天前

我们生产环境用了两年，没遇到过。不过我承认我们没上到这个量级，所以这个结论对我们没有参考价值。

2
Ttang_hao·2 天前已编辑

感谢分享真实数据，比很多只讲概念的文章有用得多。

2
Ttang_hao·2 天前

补充一个反例：如果 app-design-news 的版本低于 7.4，这段代码的语义是不一样的，别照抄。我们在灰度环境踩过，回滚了一次。

4
Aalice_dev版主·2 天前

刚翻了下 app-design-news 的源码，作者在注释里其实解释过为什么这么设计，大意是「为了在极端情况下退化成可预期行为」。

456
Aalice_dev·2 天前

这个结论和我们线上的观察一致。我们是在 QPS 到 3k 之后才撞上这个问题的，前压测阶段完全看不出来——因为压测流量太「干净」了，没有长尾请求。

42
Mmike_xu·2 天前

已收藏。正好这周要改这块，少走很多弯路。

10
Kkite版主·2 天前

补充一个反例：如果 app-design-news 的版本低于 7.4，这段代码的语义是不一样的，别照抄。我们在灰度环境踩过，回滚了一次。

319
Wwinter·2 天前

这里其实有个更简单的做法，不需要改架构：把这一层判断提前到网关，问题就消失了。代价是网关会多一次查表。

4
Sswoole_lee·2 天前

有没有人做过对照实验？我做了一组，把变量控制到只剩这一个，结果差距只有 4%，基本在噪声范围内。所以我觉得主因可能不是这个。

3
Lli_ming·28 分钟前

有没有人做过对照实验？我做了一组，把变量控制到只剩这一个，结果差距只有 4%，基本在噪声范围内。所以我觉得主因可能不是这个。

1
Zzhou_yi楼主·2 天前

有没有人做过对照实验？我做了一组，把变量控制到只剩这一个，结果差距只有 4%，基本在噪声范围内。所以我觉得主因可能不是这个。

49
Lli_ming·2 天前

我们生产环境用了两年，没遇到过。不过我承认我们没上到这个量级，所以这个结论对我们没有参考价值。

1
Aalice_dev·2 天前已编辑

有没有人做过对照实验？我做了一组，把变量控制到只剩这一个，结果差距只有 4%，基本在噪声范围内。所以我觉得主因可能不是这个。

1
Kkite版主·2 天前

这不是 app-design-news 的问题，是用法的问题。文档里写了这个 API 不是线程安全的，要自己在外面加锁。

1
Aalice_dev·2 天前

感谢分享真实数据，比很多只讲概念的文章有用得多。

1

这是帖子详情页 /zh-CN/c/app-design-news/post/p5。帖子与评论都由种子随机数确定性生成 —— 同一个帖子每次打开内容一致，因此可以直接分享链接、刷新、被搜索引擎收录。真实实现里这一页是 MySQL 读帖子 + Redis 缓存热帖 + 评论树按 path 字段一次性取出。

看数据表设计 →