在 Go 的个人项目中，该项目从 Bovespa 获取金融资产信息。
该系统充分利用了 goroutine 的并发性和并行性，每 8 秒更新一次资产信息（以及业务计算）。
最初，没有出现错误或警告，但我注意到一些 goroutine 的执行时间比其他 goroutine 更长。

更具体地说，虽然p99时间为0.03 ms，但在某些时候，它增加到0.9 ms。这促使我进一步调查这个问题。

我发现我使用的是信号量 goroutine 池，它是基于 GOMAXPROCS 变量创建的。
然而，我意识到这种方法有一个问题。

当我们使用 GOMAXPROCS 变量时，它无法正确捕获容器中可用的核心数量。如果容器的可用核心数少于 VM 的总数，则它会考虑 VM 的总数。例如，我的虚拟机有 8 个可用核心，但容器只有 4 个。这导致创建 8 个 goroutine 同时运行，导致限制。

经过一夜的大量研究，我发现 Uber 开发的一个库可以更有效地自动调整 GOMAXPROCS 变量，无论它是否在容器中。事实证明，该解决方案极其稳定且高效：automaxprocs

import _ "go.uber.org/automaxprocs"

func main() {
  // Your application logic here.
}

$ cat /sys/fs/cgroup/cpu,cpuacct/system.slice/[...]/cpu.stat
nr_periods 42227334
nr_throttled 131923
throttled_time 88613212216618

使用该库后，问题得到解决，现在p99时间一直保持在0.02ms。这一经验强调了并发系统中可观察性和分析的重要性。

以下是一个非常简单的示例，但展示了性能差异。

使用Go的原生测试和benckmak包，我创建了两个文件：

benchmarking_with_enhancement_test.go：

package main

import (
    _ "go.uber.org/automaxprocs"
    "runtime"
    "sync"
    "testing"
)

// BenchmarkWithEnhancement Função com melhoria, para adicionar o indice do loop em um array de inteiro
func BenchmarkWithEnhancement(b *testing.B) {
    // Obtém o número de CPUs disponíveis
    numCPUs := runtime.NumCPU()
    // Define o máximo de CPUs para serem usadas pelo programa
    maxGoroutines := runtime.GOMAXPROCS(numCPUs)
    // Criação do semáforo
    semaphore := make(chan struct{}, maxGoroutines)

    var (
        // Espera para grupo de goroutines finalizar
        wg sync.WaitGroup
        // Propriade
        mu sync.Mutex
        // Lista para armazenar inteiros
        list []int
    )

    // Loop com mihão de indices
    for i := 0; i 



benchmarking_without_enhancement_test.go：



package main

import (
    "runtime"
    "sync"
    "testing"
)

// BenchmarkWithoutEnhancement Função sem a melhoria, para adicionar o indice do loop em um array de inteiro
func BenchmarkWithoutEnhancement(b *testing.B) {
    // Obtém o número de CPUs disponíveis
    numCPUs := runtime.NumCPU()
    // Define o máximo de CPUs para serem usadas pelo programa
    maxGoroutines := runtime.GOMAXPROCS(numCPUs)
    // Criação do semáforo
    semaphore := make(chan struct{}, maxGoroutines)

    var (
        // Espera para grupo de goroutines finalizar
        wg sync.WaitGroup
        // Propriade
        mu sync.Mutex
        // Lista para armazenar inteiros
        list []int
    )

    // Loop com mihão de indices
    for i := 0; i 



它们之间的区别是使用Uber库导入。

假设使用 2 个 CPU 运行基准测试时，结果是：



ns/op：提供执行特定操作所需时间的平均值（以纳秒为单位）。

请注意，我的 CPU 的可用总数为 8 个核心，这就是 runtime.NumCPU() 属性返回的值。然而，在运行基准测试时，我定义只使用两个 CPU，而没有使用 automaxprocs 的文件定义一次执行限制为 8 个 goroutine，而最高效的为 2 个，因为这样使用更少的分配可以使执行更加高效。

因此，我们的应用程序的可观察性和分析的重要性是显而易见的。