932
从 0 到 1 用 jupyter-pro 搭建内部平台：架构图与决策记录
这个问题我断断续续查了两周，中间走了不少弯路，把过程原样记下来，希望后面遇到的人能少花点时间。
监控这块我们也顺手改了：把原来的平均值告警换成分位数，并且按接口拆分。改完之后误报少了大概七成，值班同学的怨气肉眼可见地下降了。
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。
270 条评论
Jjvns.ca站外链接 · 点击在新标签页打开
270 条评论
· 已加载前 120 条我
Zzhu_zong版主·2 天前已编辑
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。
478
Ttang_hao·2 天前
这不是 jupyter-pro 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。
4391 条直接回复
Oops_wang楼主·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。
2901 条直接回复
Aalice_dev·2 小时前
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。
30
Mmike_xu·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。
4321 条直接回复
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。
447
Nnikic·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。
4301 条直接回复
Sswoole_lee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。
451
Sslow_query·2 天前
这不是 jupyter-pro 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。
411
Lli_ming·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。
407
Mmike_xu·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。
374
Zzhu_zong·1 小时前
刚翻了下 jupyter-pro 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」。
3621 条直接回复
Rrase·2 天前已编辑
刚翻了下 jupyter-pro 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」。
161 条直接回复
Ttang_hao楼主·5 小时前已编辑
这不是 jupyter-pro 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。
2741 条直接回复
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。
2011 条直接回复
Lli_ming·2 天前已编辑
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。
349
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。
351
Mmike_xu·刚刚
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。
348
Ddev_zhou·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。
339
Rran_bo·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。
334
Aalice_dev·2 天前
这不是 jupyter-pro 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。
3032 条直接回复
Wwinter·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。
119
Sswoole_lee·昨天
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。
5
Kkernel_panic·5 小时前
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。
3005 条直接回复
Ttang_hao·2 天前
刚翻了下 jupyter-pro 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」。
2491 条直接回复
Hhuang_ke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。
180
Kkernel_panic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。
55
Zzhu_zong·12 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。
891 条直接回复
Zzhu_zong·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。
64
Cchen_dev·2 天前
这不是 jupyter-pro 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。
471 条直接回复
Bbob_chen·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。
11
Ttang_hao·2 小时前已编辑
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。
13
Mmike_xu·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。
272
Lli_ming·1 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。
2651 条直接回复
Zzhou_yi·刚刚已编辑
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。
24
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。
2181 条直接回复
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。
21 条直接回复
Zzhou_yi楼主·2 小时前
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。
13 条直接回复
Hhuang_ke·28 分钟前已编辑
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
Zzhou_yi版主·2 小时前
已收藏。正好这周要改这块，少走很多弯路。
1104 条直接回复
Kkite·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。
2822 条直接回复
Ttang_hao·2 天前已编辑第 6 层
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。
482
Kkernel_panic·2 天前已编辑第 6 层
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
Ddev_zhou·2 天前已编辑
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。
45
Llinlin·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。
5
Llinlin·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。
22 条直接回复
Wwinter·2 天前第 6 层
已收藏。正好这周要改这块，少走很多弯路。
322
Zzhou_yi·12 分钟前第 6 层
补充一个反例：如果 jupyter-pro 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。
10
Zzhu_zong·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。
31 条直接回复
Rran_bo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。
520
Wwinter·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。
216
Nnikic·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。
2151 条直接回复
Mmike_xu·12 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。
421 条直接回复
Cchen_dev·28 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。
9
Nnikic版主·2 小时前
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
Ttang_hao楼主·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。
127
Aalice_dev楼主·2 天前
补充一个反例：如果 jupyter-pro 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。
91
Ttang_hao楼主·2 天前
刚翻了下 jupyter-pro 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」。
89
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。
148
Zzhu_zong楼主·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。
68
Lli_ming楼主·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。
67
Kkite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。
591 条直接回复
Zzhou_yi·2 天前已编辑
这不是 jupyter-pro 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。
3002 条直接回复
Rran_bo·5 小时前
刚翻了下 jupyter-pro 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」。
113
Zzhou_yi·2 小时前
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。
55
Oops_wang·28 分钟前已编辑
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。
1181 条直接回复
Mmike_xu·2 小时前
已收藏。正好这周要改这块，少走很多弯路。
4652 条直接回复
Nnikic·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。
1281 条直接回复
Rrase·2 天前
补充一个反例：如果 jupyter-pro 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。
133
Wwinter·3 分钟前
刚翻了下 jupyter-pro 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」。
201 条直接回复
Zzhou_yi·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。
265
Ddev_zhou·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。
113
Sswoole_lee版主·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。
1091 条直接回复
Nnikic·2 天前
刚翻了下 jupyter-pro 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」。
1
Cchen_dev·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。
87
Sslow_query楼主版主·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
Ddev_zhou·2 天前已编辑
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。
72
Zzhou_yi楼主·1 小时前
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。
31 条直接回复
Rrase·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。
170
Nnikic·1 小时前
已收藏。正好这周要改这块，少走很多弯路。
591 条直接回复
Kkite·2 天前已编辑
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。
72
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。
571 条直接回复
Mmike_xu·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。
7
Lli_ming·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。
49
Oops_wang·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。
482 条直接回复
Wwinter·昨天已编辑
感谢分享真实数据，比很多只讲概念的文章有用得多。
2644 条直接回复
Cchen_dev·2 天前
已收藏。正好这周要改这块，少走很多弯路。
4991 条直接回复
Rran_bo·1 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。
284
Llinlin·28 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。
1271 条直接回复
Oops_wang版主·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。
3601 条直接回复
Sswoole_lee·2 天前
补充一个反例：如果 jupyter-pro 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。
8
Sslow_query版主·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。
57
Kkite·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。
12 条直接回复
Kkernel_panic·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。
401
Sslow_query·2 小时前
这不是 jupyter-pro 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。
491 条直接回复
Oops_wang楼主版主·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。
165
Llinlin·2 小时前已编辑
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。
149
Hhuang_ke·2 天前已编辑
补充一个反例：如果 jupyter-pro 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。
37
Ttang_hao·3 分钟前
这不是 jupyter-pro 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。
331 条直接回复
Oops_wang·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。
3052 条直接回复
Hhuang_ke·2 天前
已收藏。正好这周要改这块，少走很多弯路。
325
Bbob_chen·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。
319
Ttang_hao·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。
311 条直接回复
Ttang_hao·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。
6
Llinlin·2 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。
301 条直接回复
Sslow_query版主·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。
402
Nnikic·2 天前
补充一个反例：如果 jupyter-pro 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。
27
Hhuang_ke·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。
24
Sswoole_lee·2 天前
已收藏。正好这周要改这块，少走很多弯路。
24
Ddev_zhou·2 天前已编辑
刚翻了下 jupyter-pro 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」。
19
Zzhu_zong·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。
13
Zzhou_yi·2 天前
补充一个反例：如果 jupyter-pro 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。
71 条直接回复
Hhuang_ke·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。
251
Cchen_dev·2 天前已编辑
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。
72 条直接回复
Kkernel_panic·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。
123
Aalice_dev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。
36
Ttang_hao·28 分钟前
补充一个反例：如果 jupyter-pro 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
Llinlin·刚刚
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。
11 条直接回复
Lli_ming·3 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。
475
Nnikic·2 天前已编辑
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。
1
这是帖子详情页 /zh-CN/c/jupyter-pro/post/p0。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 →