从内核分析到AI的性能工程：Adrian Cockcroft的观点
内容提要
性能专家Adrian Cockcroft在P99 CONF访谈中指出，P99等百分位指标无法反映现代Web服务延迟的真实分布。响应时间常呈多峰分布（如缓存命中与未命中），缓存命中率变化会大幅改变均值和P99，但各峰位置不变。他借助ChatGPT用R语言开发并开源了分析工具，自动识别分布中的多个峰值并追踪其变化。他建议排查性能问题应从宏观入手，逐步深入至单个慢请求。
延伸解读
百分位指标为何在多峰分布下失效
Cockcroft指出，现代Web服务的响应时间常呈多峰分布，例如缓存命中与未命中形成两个峰。当缓存命中率变化时，各峰位置不变，但峰高变化，导致均值和P99大幅波动。此时P99无法反映分布的真实形态，甚至失去意义。因此，仅依赖百分位指标可能掩盖系统行为的本质变化。
用AI工具自动识别分布峰值
Cockcroft借助ChatGPT用R语言开发并开源了一个分析工具，能自动识别响应时间分布中的任意数量峰值，并追踪其随时间的变化。这避免了将分布压缩为单一平均值的弊端。对于性能工程师，这类工具可帮助发现传统指标无法揭示的模式，例如缓存命中率变化引起的分布形态改变。
从宏观到微观的排查方法
Cockcroft建议排查性能问题应从宏观视角入手，先找到有趣的现象，再逐步深入，直至检查单个慢请求的端到端路径。他比喻为使用显微镜：先用低倍镜聚焦，再切换到高倍镜观察细节。这种方法有助于在复杂系统中定位根因，避免一开始就陷入局部细节。
Q&A
为什么Adrian Cockcroft认为P99等百分位指标无法反映现代Web服务的真实延迟？
因为现代Web服务的响应时间常呈多峰分布，例如缓存命中和未命中会产生两个峰值。当缓存命中率变化时，均值和P99会大幅波动，但各峰的位置不变。因此，单一的P99数值无法揭示底层分布是单峰还是多峰，在多峰情况下，均值、标准差和P99都失去大部分意义。
Adrian Cockcroft是如何利用AI工具来分析响应时间分布的？
他借助ChatGPT用R语言开发了一个开源工具，该工具能自动识别响应时间分布中的任意数量峰值，并追踪这些峰值随时间的变化，而不是将数据压缩成平均值。
Adrian Cockcroft建议团队如何排查高性能系统的性能问题？
他建议从宏观视角入手，先找到有趣的现象，然后不断深入，直到端到端地检查单个慢请求。他比喻说就像使用显微镜，先从10倍低分辨率聚焦，再调到100倍，最后调到1000倍观察细节。
Adrian Cockcroft在Sun公司时期是如何深入理解系统性能指标的？
他通过阅读所有内核源代码，弄清楚这些数字的确切来源和含义，以及哪些是近似值，并记录下来。这最终促成了他撰写两本性能书籍：《Sun Performance and Tuning》和《Resource Management》。
Adrian Cockcroft开源的分析工具是用什么语言实现的？为什么选择该语言？
该工具用R语言实现。Cockcroft已经有一段时间没用R了，但ChatGPT很熟悉R，因此他借助ChatGPT快速完成了开发。
Adrian Cockcroft如何看待AI对性能工程的影响？
他认为AI（如ChatGPT）能帮助快速构建自定义工具，节省大量时间。例如，他利用ChatGPT用R语言开发了分析响应时间分布的工具，并开源。他还提到“我的加速是无限的，因为没有这些工具，这些代码永远不会存在”。
