mojiahui/dafuweng-saiadmin6.x

Fork 0

Files

zhenhui 150d31eac5 优化杀分逻辑

2026-03-17 15:36:14 +08:00

12 KiB

Raw Blame History

游戏性能与 QPS 分析（Dice 项目）

本文基于当前骰子游戏（dice）项目的实际代码结构，对后端接口的性能瓶颈、QPS 能力和优化方向做说明，便于后续压测、扩容和排查问题。

1. 运行环境与架构概览

项目	说明
应用框架	Webman（基于 Workerman 的常驻内存 PHP 框架）
业务模块	`app/dice`（玩家、抽奖记录、奖励配置、奖池配置、看板等）
HTTP 监听地址	通常为 `http://0.0.0.0:6688`
Worker 数量	推荐：`cpu_count() * 4`（例如 8 核 CPU → 32 个 Worker 进程）
数据库	MySQL + ThinkORM，使用连接池（例如 max=20 / min=2）
缓存	Redis + think-cache，使用连接池（例如 max=20 / min=2）

生产环境配置建议：

在 .env 中统一使用 Redis 作为默认缓存：CACHE_MODE=redis
调整 DB_POOL_MAX / REDIS_POOL_MAX，使其与 Worker 数量和 MySQL max_connections 匹配

2. 核心接口与负载特征

从当前项目代码来看，游戏相关接口大致可以分为三类：

高负载型：强依赖 DB + Redis，多次写入或复杂逻辑（QPS 瓶颈主要在这里）
中负载型：部分写 DB 或复杂读 DB
轻量型：读缓存或简单 DB 查询

2.1 主要接口梳理

接口	用途	负载级别	说明 / 风险点
`POST /api/game/playStart`	开始一局游戏 / 抽奖	高	多次 DB + Redis 操作，是整体 QPS 的核心瓶颈
`POST /api/game/buyLotteryTickets`	购买门票 / 次数	中-高	多表写入：门票记录、钱包记录等
`GET /api/game/config`	获取游戏配置	中	依赖 `DiceConfig`，若无缓存会有全表扫描风险
`GET /api/game/lotteryPool`	获取奖池 / 奖励配置	中	依赖 `DiceLotteryPoolConfig` / `DiceRewardConfig`
`POST /api/v1/getGameUrl`	获取游戏 URL	中	JWT + Redis 鉴权，DB 较少，Redis 压力较大
`POST /api/v1/getPlayerInfo`	获取玩家信息	中	需要 `dice_player.username` 索引，否则易产生慢查询
`POST /api/v1/getPlayerGameRecord`	获取玩家历史记录	中-高	若未优化，容易出现 N+1 查询问题
`POST /api/v1/setPlayerWallet`	调整玩家钱包余额	中	涉及余额变更与流水写入，需处理好并发与幂等

在进行 QPS 能力评估或性能优化时，优先关注：

playStart 接口；
门票 / 钱包 / 流水相关接口。

3. `playStart` 调用链与资源消耗

以下是典型的一次 playStart 请求在后端的大致流程（抽象描述）：

3.1 数据库访问路径（典型情况）

加载玩家信息
- 调用 DicePlayer::find($playerId)
- 建议：每个请求只查询一次，并在后续逻辑中复用该对象。
加载奖励 EV / 最小实际 EV
- 调用 DiceRewardConfig::getCachedMinRealEv()
- 首次会访问 DB 并写入 Redis；后续命中 Redis 即可。
获取或创建奖池（LotteryService）
- 调用 LotteryService::getOrCreate()：
  - 优先从 Redis 中读取奖池信息；
  - 若缓存不存在，则从 DB 中加载：如 DiceLotteryPoolConfig::where('type', 0/1)->find()。
根据本次玩法加载奖池配置
- 调用 DiceLotteryPoolConfig::find($configId)。
核心业务落库（可能在事务中执行）
- DicePlayRecord::create()：写入本次抽奖记录；
- DicePlayer::save()：更新玩家余额、状态等；
- DicePlayerTicketRecord::create()：写入门票/次数流水；
- DiceLotteryPoolConfig::where('id')->update(['ev' => Db::raw(...)]：更新 EV 统计；
- DicePlayerWalletRecord::create()：写入钱包流水。
刷新玩家缓存
- 再次使用（或重新加载）玩家信息，调用 UserCache::setUser($player) 同步到 Redis。

DB / Redis 调用次数粗略估算：

在写法合理、缓存命中良好的情况下，每次 playStart 大致会产生：
- 3 ~ 6 次 DB 访问（读 + 写）；
- 3 ~ 6 次 Redis 操作。
若在同一请求中多次重复调用 DicePlayer::find($playerId)，DB 调用次数和耗时都会显著上升。

3.2 Redis 使用路径

在当前设计中，Redis 主要用于：

奖励 / 奖池配置缓存：DiceRewardConfig::getCachedInstance()、getCachedByTier()、LotteryService::getOrCreate() 等；
玩家缓存：UserCache::getUser()、UserCache::setUser()；
统计计数：可以使用 Redis INCRBY 等命令维护 EV 或其他统计数据。

目标： 热路径尽量命中 Redis，DB 主要负责落库和冷数据读取。

4. 性能瓶颈与优化方向

4.1 数据库连接与 SQL

连接池大小
- 在 32 个 Worker 且 DB_POOL_MAX=20 的情况下，高并发时容易出现连接耗尽和等待。
- 建议：根据 CPU 核心数和目标 QPS，将 DB_POOL_MAX 调整到 32 ~ 64 左右，并保证 MySQL max_connections 足够大。
避免重复查询
- 在 playStart 中，玩家信息应只查询一次：$player = DicePlayer::find($playerId)，后续逻辑统一使用 $player，避免重复 find。
EV 更新策略
- 频繁在在线请求中执行 UPDATE dice_lottery_pool_config SET ev = ev - ?，会造成该行热点锁竞争；
- 建议：
  - 在线请求仅将 EV 变动累加到 Redis 计数器；
  - 通过定时任务批量同步 Redis 中的统计数据回 MySQL。
索引覆盖
- 高频查询条件（如 username、player_id、create_time、status 等）必须有合适索引（见第 6 节）。

4.2 缓存与序列化开销

统一使用 Redis 缓存驱动
- .env 中设置：CACHE_MODE=redis；
- config/cache.php 中，生产环境默认缓存驱动应为 Redis。
UserCache 加解密成本
- 若 UserCache 中对玩家信息做 AES 加解密，在高 QPS 场景下会占用较多 CPU；
- 可以：
  - 精简缓存字段，只缓存必要信息；
  - 控制 setUser 调用频率，避免无意义重复写入；
  - 评估哪些字段确实需要加密，非敏感字段可不加密。

4.3 N+1 查询问题

历史记录、钱包流水等接口非常容易出现 N+1 查询，例如：

循环按玩家逐条查询记录；
循环对每条记录再单独查询玩家信息。

建议：

使用 whereIn('player_id', $playerIds) 做批量查询；
使用 with(['dicePlayer']) 或 join 预加载关联的玩家信息；
控制单页 limit，例如不超过 100 条。

4.4 Redis 与 DB 的整体协同

Worker 数、DB 连接池、Redis 连接池三者要相互匹配：
- 出现 CPU 未打满但 DB/Redis 已经“顶满”的情况，多半是配置不平衡。
对 Redis 的监控要关注：
- 慢日志（慢命令）；
- 大 Key 或热点 Key（必要时做拆分或分桶）。

5. 单机 QPS 能力（估算）

以下为在常见生产环境（如 8C32G 单机、MySQL/Redis 与应用在同一内网）且做好上述优化后的大致量级，仅用于评估和对比，实际仍需通过压测确认。

5.1 单接口预估

playStart
- 单次耗时：约 50 ~ 150 ms（受 DB/Redis 延迟和业务分支影响）；
- 单机 QPS：约 200 ~ 300。
buyLotteryTickets
- 单次耗时：约 20 ~ 60 ms；
- 单机 QPS：约 500 ~ 1000+。
getGameUrl / 登录类接口
- 单次耗时：约 30 ~ 80 ms；
- 单机 QPS：约 400 ~ 800。

5.2 混合业务场景

假设：

70% 请求是 playStart；
30% 请求为 getGameUrl、getPlayerInfo 等轻 / 中量接口；

在 8 核 32 Worker、索引和缓存配置合理的前提下：

单机综合 QPS 约可达到 250 ~ 400 QPS；
若需要显著更高的整体 QPS，应采用多节点水平扩展 + DB/Redis 扩容（读写分离、分库分表等）。

6. 索引与表结构建议

6.1 必备索引

表名	索引	用途说明
`dice_player`	唯一索引 `unique(username)`	通过用户名快速定位玩家
`dice_play_record`	普通索引 `(player_id, create_time)`	玩家历史记录分页 + 时间排序
`dice_player_wallet_record`	普通索引 `(player_id, create_time)`	钱包流水查询
`dice_player_ticket_record`	普通索引 `(player_id, create_time)`	门票流水查询

示例 SQL：

ALTER TABLE dice_player ADD UNIQUE INDEX uk_username (username);
ALTER TABLE dice_play_record ADD INDEX idx_player_create (player_id, create_time);
ALTER TABLE dice_player_wallet_record ADD INDEX idx_player_create (player_id, create_time);
ALTER TABLE dice_player_ticket_record ADD INDEX idx_player_create (player_id, create_time);

6.2 大表策略

对于体量较大的历史表（抽奖记录、钱包流水、门票流水等），建议提前规划：

分区或分表策略（按时间或按玩家 ID）；
归档 / 删除过旧数据，例如只保留最近 N 个月的在线查询。

7. 压测步骤与指标观测

7.1 压测 `playStart`

准备数据：
- 预先创建足够多的测试玩家及初始余额；
- 获取一批可用的 JWT token。
使用 ab 压测示例：

ab -n 2000 -c 32 \
   -p post_body.json \
   -T application/json \
   -H "token: YOUR_JWT" \
   http://127.0.0.1:6688/api/game/playStart

使用 wrk 压测示例：

wrk -t4 -c32 -d60s -s play_start.lua http://127.0.0.1:6688/api/game/playStart

重点关注指标：
- QPS（Requests per second）；
- P95 / P99 延迟；
- 错误率（HTTP 5xx、超时、业务失败）；
- MySQL / Redis 的 CPU 使用率与连接数。

7.2 常见问题排查思路

QPS 上不去，CPU 却不高
- 检查 DB / Redis 连接池是否经常“打满”；
- 是否存在慢 SQL（全表扫描、缺索引）；
- 是否有外部依赖（如第三方接口）拖慢整体。
P99 延迟偶尔飙高
- 查看是否有大事务 / 大批量更新与压测同时进行；
- 观察磁盘 I/O 和 GC 情况；
- 检查 Redis 是否有大 Key 或阻塞命令（如 KEYS）。

8. 配置与代码自查清单

建议在压测前和上线前都按此清单进行一次自查。

8.1 配置层面

.env：
- CACHE_MODE=redis 已开启；
- DB_POOL_MAX / DB_POOL_MIN 已根据 CPU 与 MySQL max_connections 调整；
- REDIS_POOL_MAX 能够支撑预期并发量。
MySQL：
- max_connections 不小于所有应用实例 DB 连接池上限之和；
- 已开启慢查询日志，并设置了合理阈值。

8.2 代码层面

playStart 在一次请求中只加载一次玩家信息并全程复用；
奖励/奖池配置统一通过缓存访问，修改后有刷新缓存逻辑（如 refreshCache()）；
历史记录、钱包流水接口避免 N+1 查询，使用批量查询或预加载；
EV 等高频统计字段不直接在在线请求中频繁 UPDATE，而是通过 Redis 聚合后批量回写。

9. 总结

对于当前 dice 项目，playStart 以及与之相关的奖池、钱包、门票逻辑，是后端 QPS 能力的关键瓶颈所在。
通过合理配置 DB/Redis 连接池、充分利用缓存、补齐必要索引、减少重复查询和热点 UPDATE，可以大幅提升单机可承载的 QPS，并降低 P99 延迟。
真正的容量边界必须通过 ab / wrk / k6 等工具在接近真实数据和流量模型的情况下进行压测验证，本文档主要为定位瓶颈和指导优化提供一个工程实践层面的参考。

12 KiB Raw Blame History Unescape Escape