批量化
很多情况下性能瓶颈都在于数据库操作太多，此时可以优先考虑批量化
写数据库时，使用批写接口，常用数据库一般都支持批写。这是常见操作，一般情况不需要改变业务代码流程。
读数据时，一次读取批量的数据，缓存在内存或redis里。一般会对业务流程有少量影响，常见的是在一个大循环里进行数据处理，可以把数据读取放到循环外边统一处理
缓存：
数据库读缓存：
可以选择springcache或mybatis二级缓存
我更喜欢用springcache+Caffeine缓存，无侵入，又能灵活控制。
mybatis缓存则要求数据的读写都在一个mapper对象里，不然容易读到脏数据
接口缓存：
查询类接口，服务端使用缓存直接返回数据
如果客户端调用服务端非常频繁，考虑在客户端也加缓存，减少调用次数
调参：
常见的包括 jvm tomcat 线程池 linux的参数 中间件的参数
jvm参数其实一般不需要调，默认值就已经很好了，除非一些特殊的场景，比如边缘计算需要轻量化，此时调一些参数还是有效的
tomcat一般也不用调，只有一些高并发场景，需要设置连接数和线程数
线程池：这个是最常见的，需要用心来配参数的，需结合业务设计合理的线程池模型
linux参数：参数很多，我常用的：
net.core.somaxconn = 65535
net.ipv4.tcp_max_syn_backlog = 65535
net.ipv4.tcp_fin_timeout = 30
net.ipv4.tcp_tw_recycle=1
net.ipv4.tcp_tw_reuse=1
系统所有进程能打开的最大文件数量
fs.file-max = 11000000
单个进程最大文件数
fs.nr_open = 10000000
Linux性能调优，看这一篇就够了_netdevbacklog-CSDN博客
并发：
使用线程池，并行流 来增加并发。
比如我们要对大量设备进行计算，可以把他们分发到线程池里并发计算
分阶段并发：
计算过程可以分为多个阶段，比如阶段A B C，不同阶段的并发粒度不同，比如阶段A只能按设备，阶段B每个设备还可以按参数，此时可以为不同阶段采用不同的线程池可以提升并发度
如果多个阶段时间存在join点，那么可以用fork-join模型来处理，比如使用CompletableFuture来join
这样分多阶段独立线程池+forkjoin协同，要比整个使用一个线程池的并发度更好，也更容易优化。但是也增加了复杂度
数据库：加索引， 分库分表，优化查询语句
削峰：
引入MQ，将业务高峰期流量进行削峰
业务设计时也要考虑避免和减少业务高峰
二次查询：将一次耗时的查询操作分为两次操作，其中第一次耗时很少，第二次耗时长但是不经常出现。比如我们要读一个数据，这个数据可能出现在几年前，但是大部分场景下他出现在最近几天内。那么我们可以分两次查询，先查几天内，查不到再查几年的
业务流程优化： 简化流程，减少交互次数，减少同步阻塞处理
