RsRust 社区
社区主页Crates 精选 版本动态 学习路径

Rust 社区 · 复盘一次线上事故：Rust 连接池耗尽的全过程

559
Rsr/rust·由 bob_chen 发布·昨天教程置顶

复盘一次线上事故：Rust 连接池耗尽的全过程

先说结论：Rust 这套东西在中小规模下几乎不需要调优，真正开始难受的位置比大多数人以为的靠后得多。下面是完整的实测过程。

-- 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;

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。

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」。

第一件事是把变量收敛干净。我们最开始同时在改配置和升级版本，结果两组数据的差异根本说不清是哪个带来的。后来回滚到只动一个变量，重跑了三遍，曲线才稳定下来。这一步很枯燥，但省不掉。

175 条评论

175 条评论

· 已加载前 120 条
我
Sslow_query楼主·1 小时前

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。

508
Bbob_chen·2 天前

这不是 Rust 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。

175
Hhuang_ke版主·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。

50
Kkite·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。

40
Mmike_xu·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。

485
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。

449
Mmike_xu·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。

424
Kkite·2 天前

已收藏。正好这周要改这块，少走很多弯路。

40
Nnikic·2 天前

刚翻了下 Rust 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」。

367
Bbob_chen·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。

364
Rran_bo·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。

361
Llinlin·2 天前

这不是 Rust 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。

201
Kkernel_panic楼主·2 天前

这不是 Rust 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。

42
Mmike_xu·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。

170
Bbob_chen·12 分钟前

刚翻了下 Rust 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」。

354
Nnikic楼主·12 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。

2
Oops_wang·12 分钟前

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。

380
Zzhou_yi·昨天

补充一个反例：如果 Rust 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。

28
Sswoole_lee·昨天

这不是 Rust 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。

17
Ddev_zhou·昨天第 6 层

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。

151
Mmike_xu·2 天前第 6 层

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。

130
Rrase·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。

79
Hhuang_ke·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。

314
Bbob_chen·2 天前已编辑

这不是 Rust 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。

313
Aalice_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。

289
Bbob_chen·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。

287
Ddev_zhou·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。

273
Rrase·12 分钟前

补充一个反例：如果 Rust 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。

267
Zzhu_zong版主·刚刚

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。

261
Bbob_chen·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。

1
Mmike_xu·2 天前已编辑

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。

261
Wwinter·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。

256
Ddev_zhou·2 天前

这不是 Rust 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。

2
Aalice_dev·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。

1
Sslow_query·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。

341
Oops_wang楼主·2 天前已编辑

已收藏。正好这周要改这块，少走很多弯路。

217
Nnikic·12 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。

241
Rrase·2 小时前

这不是 Rust 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。

248
Bbob_chen·2 天前

刚翻了下 Rust 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」。

329
Sswoole_lee·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。

79
Ddev_zhou·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。

137
Kkite·刚刚

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。

172
Aalice_dev·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。

393
Mmike_xu楼主·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。

18
Nnikic楼主·3 分钟前

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。

181
Kkite·3 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。

260
Ddev_zhou·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。

337
Nnikic·2 小时前

刚翻了下 Rust 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」。

261
Oops_wang版主·5 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。

146
Aalice_dev楼主·刚刚

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。

4
Zzhu_zong·2 天前

刚翻了下 Rust 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」。

136
Llinlin·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。

32
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。

13
Ddev_zhou·刚刚

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。

394
Mmike_xu·昨天

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。

12
Hhuang_ke版主·刚刚

补充一个反例：如果 Rust 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。

44
Wwinter·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。

56
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。

234
Ttang_hao·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。

33
Lli_ming·2 天前

补充一个反例：如果 Rust 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。

232
Cchen_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。

431
Rrase·5 小时前已编辑

感谢分享真实数据，比很多只讲概念的文章有用得多。

203
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。

373
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。

487
Kkite·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。

253
Bbob_chen·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。

354
Mmike_xu·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。

160
Ddev_zhou·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。

102
Kkite·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。

59
Aalice_dev·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。

14
Kkite·2 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。

1
Hhuang_ke·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。

410
Wwinter楼主·2 天前

补充一个反例：如果 Rust 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
Oops_wang·2 天前

已收藏。正好这周要改这块，少走很多弯路。

94
Zzhou_yi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。

93
Lli_ming·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。

357
Rrase楼主·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。

31
Sslow_query·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。

91
Oops_wang·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。

75
Rran_bo·2 天前

刚翻了下 Rust 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」。

400
Bbob_chen·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。

28
Cchen_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。

273
Lli_ming·2 天前

已收藏。正好这周要改这块，少走很多弯路。

127
Rrase·2 天前

刚翻了下 Rust 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」。

318
Nnikic·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
Rran_bo·2 天前

补充一个反例：如果 Rust 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。

197
Ddev_zhou·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。

5
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。

10
Lli_ming·1 小时前已编辑

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。

1
Llinlin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。

70
Zzhu_zong·2 天前

已收藏。正好这周要改这块，少走很多弯路。

62
Kkite楼主·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。

8
Cchen_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。

29
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。

24
Kkernel_panic·2 天前

这不是 Rust 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。

187
Lli_ming·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。

25
Bbob_chen·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。

1
Bbob_chen·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。

3
Hhuang_ke·2 天前

补充一个反例：如果 Rust 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。

180
Aalice_dev·2 天前

刚翻了下 Rust 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」。

20
Cchen_dev·28 分钟前

补充一个反例：如果 Rust 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。

18
Wwinter·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。

17
Cchen_dev楼主·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。

257
Oops_wang·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。

16
Rran_bo·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。

12
Rran_bo·2 天前

已收藏。正好这周要改这块，少走很多弯路。

329
Llinlin·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。

105
Bbob_chen·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。

15
Rrase·3 分钟前已编辑

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。

10
Kkernel_panic·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。

9
Wwinter·5 小时前

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。

11
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。

489
Zzhou_yi·28 分钟前

已收藏。正好这周要改这块，少走很多弯路。

4
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。

517
Oops_wang·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。

135
Sswoole_lee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。

26
Zzhu_zong·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。

18
Nnikic·12 分钟前

已收藏。正好这周要改这块，少走很多弯路。

3
Cchen_dev·5 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。

1
Wwinter·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/rust/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 →