性能目标、指标与优化方法
Python 性能优化与高并发#Python全栈#第二十一阶段#Python 性能优化与高并发#性能目标、指标与优化方法约 1353 字 · 4 分钟阅读
追问显示点击任意追问卡片可收起 / 展开
本阶段学习说明
整体培养方向： Python 全栈开发就业，按北京 10～20k 岗位所需能力逐步推进。
本阶段定位： 在接口、数据库、异步任务与部署基础上，学习用测量结果定位瓶颈，改善 Python 服务的响应时间、吞吐和资源消耗，并验证优化后的业务正确性。
适用环境： Python 3、一种已学 Web 框架、MySQL、SQLAlchemy 或 Django ORM；测量可使用计时器、cProfile、tracemalloc，负载测试以 Locust 或 k6 为例。基础题默认使用启用 GIL 的 CPython；涉及自由线程构建、原生扩展或工具差异时，需明确实际版本与运行方式。
考查目标： 能区分计算、等待和排队，读懂基本性能证据，优化热点代码与数据库访问，设置有界并发和资源预算，完成可复现的优化前后对比。
题库结构： 100 道题，每题包含追问；从性能目标、测量与剖析，推进到代码、数据库、接口、并发、容量和负载测试。本阶段提供题目，不包含参考答案；不重复完整的缓存原理、部署命令与监控平台搭建，不要求掌握解释器源码或专职性能工程师的全部工具。
答题约定： 先说明业务场景、数据规模、运行环境和指标口径，再给出瓶颈假设、验证方法与改动方案。不能以“用了异步”“增加 Worker”“缓存命中”代替性能证据。优化必须保持权限、数据一致性与接口语义；报告实际观测结果，不预设所有项目都能达到同一 QPS。
响应时间、吞吐量与并发量分别描述什么？
追问 同时在线用户、正在处理的请求与每秒完成请求能否直接互换？为什么接口单次变快，不一定意味着整个系统容量按相同比例增长？
用户感知的请求耗时可以拆成哪些部分？
追问 网络、代理排队、应用计算、连接池等待和数据库访问如何区分？应用内计时为什么可能小于客户端观察到的总耗时？
平均响应时间、P95 与 P99 有什么不同？
追问 少量超慢请求怎样被平均值掩盖？样本很少或混合多个接口时，尾延迟统计有哪些解释限制？
怎样判断一个接口主要受 CPU、I/O 还是排队限制？
追问 CPU 使用率、调用栈、数据库耗时、连接等待与任务队列分别能提供什么证据？为什么只看到 CPU 不高，不能直接断言机器资源充足？
开始优化前，怎样建立可比较的性能基线？
追问 代码版本、数据量、请求组合、硬件、依赖和并发配置怎样固定？冷启动、预热后运行与缓存命中状态如何分别记录？
多个耗时点同时存在时，怎样决定先优化哪个？
追问 热点占总耗时的比例、调用次数、改造成本和用户影响怎样一起考虑？一个占比很小的函数提速十倍，为什么整体收益仍可能很有限？
性能目标应该怎样表达为可验证的验收条件？
追问 目标负载、成功率、尾延迟、资源上限和持续时间如何同时定义？“接口很快”或“支持一万用户”还缺少哪些条件？
怎样证明一次优化保持了业务正确性？
追问 返回字段、排序、重复数据、权限过滤与写入结果怎样对比？缩减响应内容、延迟写入或读取旧缓存时，需要确认哪些业务约束？
性能、内存、成本与可维护性之间有哪些常见取舍？
追问 预计算、缓存、批处理和增加实例分别交换了什么资源？什么时候少量速度提升不足以支持引入复杂并发或额外服务？
怎样用“假设—测量—改动—复测”组织优化工作？
追问 一次同时修改索引、Worker 数和缓存策略，为什么难以判断因果？复测未改善或出现回归时，应怎样保留证据并调整假设？