高并发优化核心思路：先扩容，再分层，最后削峰、隔离、限流；优先优化 IO，再优化 CPU，最后业务逻辑。优化分为：架构层、应用层、存储层、网络层、运维监控层，同时配套流量治理。
基本原则：不要过早优化。先压测定位瓶颈（CPU / 内存 / IO / 锁 / 数据库），再针对性优化。
一、架构层优化
1. 水平扩容（最简单有效）
无状态化设计：业务服务不保存会话，会话放 Redis，支持多实例弹性扩缩容；
负载均衡：Nginx / 网关做四层 / 七层负载，轮询、加权轮询、最小连接；
集群化部署：多实例部署，单点故障不影响整体。
2. 分层架构，多级缓存
缓存是高并发第一利器，减少对底层存储访问
本地缓存：Caffeine、Guava Cache（JVM 内存，速度最快，注意数据一致性、内存溢出）
分布式缓存：Redis，热点数据缓存，缓存预热、缓存过期策略
CDN：静态资源（图片、js、视频）下沉到边缘节点，回源限流
缓存经典问题处理：
缓存穿透：布隆过滤器、空值缓存
缓存击穿：互斥锁、热点数据永不过期
缓存雪崩：过期时间随机打散、集群高可用、限流降级
3. 读写分离 & 分库分表
读写分离：主库写，从库读，应对读多写少场景；注意主从延迟问题
分库分表：水平分表（按 uid/id 哈希 / 范围分片）、垂直分库（按业务模块拆分）
代价：分布式事务、跨库 join、分页排序、ID 生成器、数据迁移复杂度上升
4. 异步化、消息队列削峰
同步调用：请求必须等待结果，流量突增直接打垮下游 异步方案：使用 Kafka/RocketMQ/RabbitMQ，流量削峰、解耦、异步处理 适用场景：短信、日志、订单后续通知、非实时业务 注意：消息可靠性（生产者确认、持久化、死信队列）、消息重复消费（幂等）、消息堆积监控。
5. 服务拆分与隔离
微服务拆分：按领域拆分，故障隔离，避免一个模块拖垮全站
资源隔离：线程池隔离、信号量隔离（Sentinel/Hystrix），核心业务优先保障
熔断降级：下游服务异常时快速失败，返回兜底数据，防止雪崩；非核心业务直接降级关闭
6. 流量控制：限流
防止超出系统承载能力的流量进入，保护系统。 常见限流算法：
固定窗口、滑动窗口、漏桶、令牌桶（Sentinel 常用令牌桶） 限流位置：网关层（Nginx/API 网关）> 应用层 > 数据库层 策略：IP 限流、uid 限流、接口维度限流，区分普通流量和核心流量。
二、应用层优化（Java 为例，SpringBoot）
1. 减少锁竞争，优化并发模型
优先无锁：CAS、原子类；避免大锁、锁粒度太大
区分读写锁：读多写少场景用 ReentrantReadWriteLock
避免 synchronized 锁膨胀带来开销；杜绝锁内执行 IO 操作
避免伪共享，合理使用线程池：禁止手动 new Thread，统一线程池，设置合理队列、核心线程、拒绝策略；不同业务分开线程池隔离。
2. 减少 CPU 开销
减少对象创建：复用对象，避免循环内频繁 new；减少大对象、短生命周期对象，降低 GC 压力
字符串优化：减少字符串拼接，使用 StringBuilder
序列化优化：替换 Jackson，使用 Protobuf、Hessian 等更高效序列化；减少序列化 / 反序列化次数
JVM 调优：
选择垃圾收集器：高并发低延迟优先 G1/ZGC
合理堆大小，控制新生代比例，避免 Full GC；监控 GC 停顿、对象晋升
3. 减少 IO（磁盘 / 网络 IO 是性能最大瓶颈）
批量操作：批量插入、批量更新，减少网络往返；避免循环单条 DB 查询
连接池优化：数据库连接池（HikariCP）、Redis 连接池，设置合理最大连接数，防止连接耗尽
避免不必要远程调用：减少 RPC 调用次数，接口聚合；多并发查询用并行编排（CompletableFuture）
4. 代码与接口优化
接口精简：只返回需要字段，禁止
select *幂等设计：防止重复请求造成脏数据（唯一索引、token、分布式锁）
参数校验前置：网关层提前拦截非法参数，减少无效请求进入业务逻辑
三、数据库优化（高并发最容易卡的地方）
1. SQL 与索引优化
建立合适索引，避免索引失效（like % 前缀、函数运算、隐式转换）
避免大事务：事务越长，锁持有时间越长，并发下降，死锁概率上升；拆分大事务
避免长连接、慢查询；慢 SQL 监控，定期 explain 分析执行计划
禁止大分页：offset 过大性能差，改用主键分页
2. 数据库本身配置
调整连接数、buffer pool、日志刷盘策略；
高写入场景：分表、时序库替代 MySQL；
热点行问题：商品库存这类热点，可做库存分段、Redis 预扣减。
3. 存储选型匹配场景
高读写热点：Redis
结构化事务数据：MySQL
海量日志 / 时序数据：InfluxDB、ClickHouse
海量文档：MongoDB
四、网络层优化
Nginx 优化：长连接复用、压缩静态资源、调整 epoll 参数、连接数；
HTTP 协议：HTTP2/HTTP3 减少握手开销；
减少跨机房调用：核心业务同机房部署，降低延迟；
TCP 内核参数调优：调整
tcp_tw_reuse、连接队列、文件句柄数。
五、运维 & 可观测性（优化前提）
优化不能靠猜，必须靠监控和压测
压测：JMeter、Locust，模拟高并发，找到瓶颈点；基准压测、容量压测、极限压测
监控：
系统指标：CPU、内存、磁盘 IO、网络、文件句柄
应用指标：QPS、RT、线程池状态、GC、异常数
中间件：Redis 内存、命中率、MQ 堆积、数据库慢查询、连接数
链路追踪：SkyWalking/Pinpoint，定位慢调用链路
告警：核心指标告警，提前发现问题
六、优化优先级总结（实战顺序）
先做流量治理：限流、熔断、降级，保障系统不雪崩；
引入缓存，降低 DB 压力（收益最高）；
优化 SQL、索引、事务，解决数据库瓶颈；
异步化，MQ 削峰，改造同步长耗时接口；
代码、锁、JVM、连接池调优；
架构扩容、读写分离、分库分表（改动大，放后面）；
内核 / 网络参数微调。
七、常见误区
上来就分库分表：分库分表是最后手段，很多场景只需要缓存 + 读写分离；
盲目加机器：不解决底层瓶颈，扩容效果有限；
只优化吞吐量不考虑 RT：高并发下延迟升高同样会压垮系统；
缓存滥用：带来数据一致性问题。