如何在混沌演练的场景中降低应用的MTTR，必须需要根据监控定位，然后人工进行反馈进行处理吗？是否可以自动化，是否有方案可以降低混沌演练过程中的影响？以此达到快速止血，进一步提高系统的稳定性。本篇文章将根据一些思考和实践来解答以上问题。

最近在读《数据密集型应用系统设计》，其中谈到了zookeeper对容错共识算法的应用。这让我想到之前参考的zookeeper学习资料中，误将容错共识算法写成了2PC（两阶段提交协议），所以准备以此文对共识算法和2PC做梳理和区分，也希望它能帮助像我一样对这两者有误解的同学。

启动是App给用户的第一印象，一款App的启动速度，不单单是用户体验的事情，往往还决定了它能否获取更多的用户。所以到了一定阶段App的启动优化是必须要做的事情。

有很多的服务器选项会影响这MySQL服务器的性能，比如内存中临时表的大小、排序缓冲区等。有些针对特定存储引擎（如InnoDB）的选项，也会对查询优化很有用。

1背景最近在做需求的时候需要在一张表中增加一个字段。这张表情况如下：1、拆分了多个库多张表2、库表拆分按表中商户编码字段hash之后取模进行拆分由于库表拆分按照商户编码，有些大商家的单子数量远远要高于其他普通商家，这样就造成了严重的数据倾斜。在增加字段的时

本文目标是：了解查询的核心原理，对比SQL查询优化技巧在h2database中的落地实现。前提：为了贴近实际应用，本文CodeInsight基于BTree存储引擎。数据查询核心原理数据库实现查询的原理：遍历表/索引，判断是否满足where筛选条件，添加到结

Debug的时候，都遇到过手速太快，直接跳过了自己想调试的方法、代码的时候吧……一旦跳过，可能就得重新执行一遍，准备数据、重新启动可能几分钟就过去了。好在IDE们都很强大，还给你后悔的机会，可以直接删除某个StackFrame，直接返回到之前的状态，确切的

摘要：在大数据领域中，HiveSQL被广泛应用于数据仓库的数据查询和分析。然而，由于数据量庞大和复杂的查询需求，HiveSQL查询的性能往往不尽人意。本文针对HiveSQL的性能优化进行深入研究，提出了一系列可行的调优方案，并给出了相应的优化案例和优化前后

前言本文记录了由于JSF异步调用超时引起的接口可用率降低问题的排查过程，主要介绍了排查思路和JSF异步调用的流程，希望可以帮助大家了解JSF的异步调用原理以及提供一些问题排查思路。本文分析的JSF源码是基于JSF1,7.5HOTFIXT6版本。起因问题背景

一.背景性能优化是一场永无止境的旅程。到家门店系统，作为到家核心基础服务之一，门店C端接口有着调用量高，性能要求高的特点。C端服务经过演进，核心接口先查询本地缓存，如果本地缓存没有命中，再查询Redis。本地缓存命中率99%，服务性能比较平稳。随着门店数据