ApacheBench在性能分析时的一点注意

    简单来说，如果你用ab压网站，发现很多Failed requests. 只要这些都是Length，就不算数.

PS：网站性能压力测试是性能调优过程中必不可少的一环. 只有让服务器处在高压情况下才能真正体现出各种设置所暴露的问题. Apache中有个自带的，名为ab的程序，可以对Apache或其它类型的服务器进行网站访问压力测试. ApacheBench命令原理：. ab命令会创建很多的并发访问线程，模拟多个访问者同时对某一URL地址进行访问.

  其实主要是内存方面，内存管理是个永恒的话题. 1.从工具DDMS中，在Sysinfo的tab栏里面有一个Memory usage的选项，通过USB连接Android设备以后很容易抓到图. 在图中可以看到系统随时可以用的内存是Free和Buffers两项，因为我抓图的系统只有128M的内存，所以看上去这部分可用内存已经很少了.

最近使用lucene的MoreLikeThis实现一个小型的推荐系统. 语料由短文本构成，本身也还算比较中小等规模：7000w左右(亿级别)的数据量，3G大小的文件. 对需要的Field建完索引后的索引文件大小在4G左右. 本文只是结合自己的实践列出一些注意事项，以做为参考. 一、MoreLikeThis实现原理.

因为最近工作的关系，要把异步任务从应用服务器中拆分到专门的异步处理服务器中. 是采用MQ的方式将任务消息发出，在服务端进行处理，如下图所示：. 这种方案是采用MQ作为中间的媒介，在服务端采用线程池异步处理任务，处理完成之后将结果发送到MQ中，客户端采用侦听的方式得到结果继续进行处理. 这种方案的不足是，可能在某些需求的情况下，需要将结果存放到共享的HashMap或者Threadlocal中进行存放结果，客户端会一直阻塞，直到得到结果，从多线程的角度来说，还是用了共享变量，虽然共享变量可能是线程安全的，但是从并发模型的角度来讲，并不是一个最好的方式.

原创文章，转载请注明： 转载自Erlang非业余研究. 本文链接地址: leveldb性能分析和表现. Leveldb是一个google实现的非常高效的kv数据库，目前的版本1.2能够支持billion级别的数据量了. 在这个数量级别下还有着非常高的性能，主要归功于它的良好的设计. 那么数据库最怕的的随机IO他是如何解决的呢.

这两年来，随着NoSQL系统、CAP理论和Eventual Consistency的大热，关于分布式操作要保证强一致还是弱一致性的讨论络驿不绝. 双方各执一词，倾向实现强一致性的一方认为弱一致性满足不了应用开发的需要，倾向实现弱一致性的一方则认为保证强一致性将导致系统性能与可伸缩性难以接受. 弱一致性能否满足应用开发的需求这一点由应用特征决定，难以一概而论，但强一致性对系统性能、可伸缩性和可用性的影响则是可以作技术分析的.

    Leveldb是一个google实现的非常高效的kv数据库，目前的版本1.2能够支持billion级别的数据量了. 在这个数量级别下还有着非常高的性能，主要归功于它的良好的设计.     那么数据库最怕的的随机IO他是如何解决的呢.     先说随机写，它的写都是先记录到日志文件去的，在日志文件满之前只是简单的更新memtable,那么就把随机写转化成了顺序写.

(转帖请注明出处： http://qa.taobao.com/?p=15025). 性能分析是Web应用开发中非常重要的一个环节，相比访问缓慢的站点，访问快速的站点拥有更好的用户体验，帮助用户节省更多时间，带来更多的用户访问. 作为当前十分流行的Web框架， rubyonrails当然也提供很多方式进行性能分析.

从性能角度来说，HTML5首先是缩减了HTML文档，使这件事情变得更简单. 第一，从用户可读性上说，原先一大堆东西，像初学者第一次看到这些东西是看不懂的，而HTML5的声明方式对用户来说显然更友好一些. 第二，文档编码的声明，用HTML5方式的话，就很简单. 我们说可以先用HTML5的方式就是把DOCTYPE先改了，因为目前很多页面都还是用传统的方式.