一次真实的微服务性能优化经历。从链路追踪、数据库优化到缓存策略，最终将接口响应时间从 2 秒降低到 200 毫秒。
问题背景
上周接到一个线上问题：某个核心接口响应时间突然飙升到 2 秒以上。
这个接口是订单查询，用户反馈"点一下要等好久"。
先看一下监控数据：
• P99 响应时间：2.3s
• P95 响应时间：1.8s
• P50 响应时间：800ms
这肯定不能忍。
第一步：链路追踪
我们用的是 Hyperlane 框架，自带分布式追踪。
打开追踪面板，调用链是这样的：
API Gateway → Order Service → User Service → Database→ Inventory Service → Database
→ Payment Service → External API
问题很明显：串行调用。
Order Service 要查用户信息、库存信息、支付状态，这三个调用是串行的，总时间等于三者之和。
第二步：并行化改造
第一步优化，把串行改成并行。
// 优化前 - 串行User user = userService.getUser(order.getUserId());
Inventory inventory = inventoryService.check(order.getSkuId());
Payment payment = paymentService.getStatus(order.getId());
// 优化后 - 并行
CompletableFuture userFuture = userService.getUserAsync(order.getUserId());
CompletableFuture inventoryFuture = inventoryService.checkAsync(order.getSkuId());
CompletableFuture paymentFuture = paymentService.getStatusAsync(order.getId());
CompletableFuture.allOf(userFuture, inventoryFuture, paymentFuture).join();
User user = userFuture.get();
Inventory inventory = inventoryFuture.get();
Payment payment = paymentFuture.get();
效果立竿见影：响应时间从 2.3s 降到 1.2s。
第三步：缓存策略
并行化之后还是不够快，继续优化。
分析发现，用户信息查询占用了大量时间。
但用户信息变化频率很低，完全可以缓存。
@Cacheable(value = "user", key = "#userId", ttl = 300)public User getUser(Long userId) {
return userRepository.findById(userId);
}
加了一层 Redis 缓存，TTL 设为 5 分钟。
效果：响应时间从 1.2s 降到 600ms。
第四步：数据库优化
继续深挖，发现库存查询的 SQL 有问题。
-- 优化前SELECT * FROM inventory WHERE sku_id = ? AND warehouse_id IN (1,2,3,4,5...)
-- 优化后
SELECT stock FROM inventory WHERE sku_id = ? AND warehouse_id = ?
两个问题：
SELECT *拿了不必要的字段
IN查询导致索引失效
改成只查需要的字段，并且提前计算好仓库 ID。
同时给sku_id + warehouse_id加了联合索引。
效果：响应时间从 600ms 降到 300ms。
第五步：异步化非关键路径
最后一步，支付状态查询其实不需要实时。
订单查询页面展示支付状态，但用户并不关心这个状态是不是毫秒级最新。
改成异步加载：
• 主接口先返回订单基本信息
• 前端再异步请求支付状态
// 主接口
OrderDTO dto = buildOrderDTO(order);
dto.setPaymentStatus(null); // 先不查
// 前端异步请求
GET /order/{id}/payment-status
效果：主接口响应时间从 300ms 降到 200ms。
最终结果
| 优化步骤 | 响应时间 | 提升 |
|---------|---------|------|
| 初始 | 2300ms | - |
| 并行化 | 1200ms | 48% |
| 缓存 | 600ms | 50% |
| 数据库优化 | 300ms | 50% |
| 异步化 | 200ms | 33% |
|总计|200ms|91%|
几点心得
这次优化有几个关键心得。
先测量，再优化。不要凭感觉优化，用链路追踪找到真正的瓶颈。我们一开始以为是数据库问题，结果是串行调用导致的。缓存是银弹，但有代价。缓存能解决很多问题，但要考虑数据一致性、缓存穿透/击穿/雪崩、TTL 设置。异步化是最后的武器。能把同步改成异步，性能提升立竿见影。但要注意用户体验、错误处理、数据一致性。
最近在看 Rust 的微服务实践，它的所有权系统和零成本抽象确实为性能优化提供了坚实基础。不过对于 Java 技术栈，上面的优化方法已经够用了。
最后
性能优化是个系统工程，没有银弹，只有权衡。
每一次优化都要考虑：收益有多大？代价是什么？可维护性如何？
优化不是目的，用户体验才是。
