2.游戏战中陪伴助手微服务架构设计与应用

• 语言: 中文（简体）
• 格式: .pdf
• 来源: github.com/gopherchina

摘要

文档介绍了游戏战中陪伴助手的微服务架构设计与应用，涵盖了功能介绍、早期探索、方案设计与实现、性能与成本优化以及DevOps建设。重点讨论了微服务架构在性能优化方面的挑战和解决方案，包括CPU使用率、内存峰值、网络I/O等关键指标。同时，探讨了推荐系统的架构设计，提出了多种优化策略，如缓存功能下沉、裁剪对局历史和微服务单体化等。

AI总结

游戏战中陪伴助手微服务架构设计与应用

部署环境与性能优化
部署环境：基于腾讯云TKE（Tencent Kubernetes Engine）。

微服务上线前压测数据：
- show_common服务：
- 峰值CPU使用率：35～50%
- 峰值内存使用率：10～12%
- 峰值CPU核数：400+核
- 峰值网络I/O：1.68 + 36.4 = 38.1 Gbps
- 其他服务关键指标：
- re-rank：CPU核数500+，网络I/O 43.6 Gbps
- rank：CPU核数300+，网络I/O 5.20 Gbps
- recall：CPU核数400+，网络I/O 2.08 Gbps

压测发现：
- 结果显示网络流量极大，主要由对局完整历史数据（Token历史、推荐历史等）导致。
- 具体现象：
- CPU使用率普遍较高
- 内存使用率总体可控
- 网络I/O负载显著

问题分析：
- 对局缓存处理存在问题，导致资源消耗过大。
- 可能的解决方案：
1. 放弃对局缓存：
- 仅按当前玩家状态推荐
- 无法基于对局历史推荐，难以扩展。
2. 缓存功能下沉：
- 破坏推荐系统架构
- 降低功能复用性。
3. 裁剪对局历史：
- 最多缓存10分钟对局历史
- 无法根本解决问题。

优化方案：
采用网络 RPC 改为函数调用，同时保留微服务架构的优化方案。
Примечание：根据压测分析结果，仍在进一步优化中。