原创：詹嵩 某公司架构部中间件架构师
校对：程超 某公司架构部中间件负责人
一、logback和log4j2压测比较
1、logback压测数据
logback压测数据，50个线程，500万条日志写入时间。
logback:messageSize = 5000000,threadSize = 50,costTime = 27383ms
logback:messageSize = 5000000,threadSize = 50,costTime = 26391ms
logback:messageSize = 5000000,threadSize = 50,costTime = 25373ms
logback:messageSize = 5000000,threadSize = 50,costTime = 25636ms
logback:messageSize = 5000000,threadSize = 50,costTime = 25525ms
logback:messageSize = 5000000,threadSize = 50,costTime = 25775ms
logback:messageSize = 5000000,threadSize = 50,costTime = 27056ms
logback:messageSize = 5000000,threadSize = 50,costTime = 25741ms
logback:messageSize = 5000000,threadSize = 50,costTime = 25707ms
logback:messageSize = 5000000,threadSize = 50,costTime = 25619ms
说明：
这个是logback日志的压测数据，在开发机（双核四线程），高配开发机（四核八线程）和服务器（32核）压测的效率都差不多，而且线程开多的时候，性能反而有下降，压测数据如下：
logback:messageSize = 5000000,threadSize = 100,costTime = 33376ms
这个是在32核机器上压测的平均值，高于开发机。
2、log4j2压测数据
log4j2压测数据，因测试数据会占用一些篇幅，这里仅取中位数，但上下差距并不大
log4j2:messageSize = 5000000,threadSize = 100,costTime = 15509ms ---开发机
log4j2:messageSize = 5000000,threadSize = 100,costTime = 5042ms ---高配开发机
log4j2:messageSize = 5000000,threadSize = 100,costTime = 3832ms ---服务器
本次压测，基本上与log4j2官网数据吻合，经过验证异步日志确实可以极大的提高IO效率
下图为同步、异步、只异步appender的性能对比
Async loggers have much higher throughput than sync loggers.
和其他日志框架的对比：
Async loggers have the highest throughput.
从本次压测中，也得知确实在同步日志写到一定程度下，会大大的影响服务器的吞吐率，各位同学可以根据自己项目的情况，做日志上的优化。
下图为并发量大时，日志框架对系统吞吐率产生的影响，这里看logback和log4j确实影响很大，但实际情况中，感受到的要远远小于此图。
二、压测配置
log4j2的效率可以在多线程时，在线程数量大的情况下，超过logback10倍左右！500万数据大概0.25G，只需3秒左右就可以写进磁盘。
在配置上，首先第一条建议是如果做异步，那么所有的日志都是异步写，这样的性能指数的增长是量级的。当然也可以混合部署，但是性能影响就没有全部异步这么明显。
配置上，优化一定的属性，对性能也有一定的影响。
log4j2本身提供了20多种appender供使用者选用，但一般开发中采用的就是RollingRandomAccessFile，该组件有多个属性配置，常用的做一下说明（其他配置对性能意义不大，有兴趣的同学可自己去官网查看）
一般采用默认值，除非系统写日志的IO影响了主线程的运行，可以调大该配置。
本次压测采用的日志配置
在asyncRoot中可以添加includeLocation="true"属性，该属性如果为true，可以携带类名和行号等信息，但是抽取这些信息，会有一些性能损耗
log4j2改版以后，组件和功能极大丰富，有兴趣的同学可以去官网http://logging.apache.org/log4j/2.x/manual/index.html或找我来一起交流。
三、disruptor队列
查看底层代码，log4j2之所以能在异步写日志时性能提高这么多，离不开优秀的mq组件disruptor。
目前使用该队列的知名软件包括但不限于Apache Storm、Camel、Log4j 2。
由于时间有限，本篇着重讲解底层队列的实现，因为这个对性能的影响是最大的。
以此图为例：
Async loggers have much higher throughput than sync loggers.
同步性能最差，异步全局异步的性能接近异步appender的10倍，同样是异步实现的，为何性能有如此大的差距？
去看源码：
以上是异步Appender的实现，可以看到，内部内置了一个BlockingQueue队列，具体实现采用了ArrayBlockingQueue
接着是全局异步loggers的实现方式，可见内部的队列使用的是disruptor。
性能上的优劣，绝大部分原因都是数据模型的问题，往下我们分析一下BlockingQueue和disruptor的实现方式，由于篇幅有限，从JDK源码来看：
1、ArrayBlockingQueue
可以看到ArrayBlockingQueue采用的是加锁的方式来处理线程安全问题的。
加锁的问题，虽然历代JDK一直投入大量的精力去解决问题，比如优化Sync关键字的实现方式、添加读写锁等，但是由于结构特性的问题，一直无法从根本上解决性能开销问题。
题外话 _ 除了锁的问题，还牵涉到底层CPU在计算时读取内存数据的问题。
举个例子：当你遍历一个数组时（数组在CPU计算时，是简单数据结构），你读取到第一个元素时，其他元素也会相应的放入1级缓存（距离CPU最近），所以你遍历数据的方式是最快的，这就是简单数据结构的优势。
但是如果你在操作一个Queue时，一般会涉及几个变量，这里以ArrayBlockingQueue为例：
这里有三个变量，分别代表了下一个要出的元素下标，要进的元素下标和长度
当然，这几个简单类型是非常容易放入1级缓存并进行高速计算的，但是问题是，这个Queue是一个生产者和消费者的模型，牵涉到两端操作，于是当生产者写入元素时，takeIndex和putIndex数值发生改变，消费者在消费时要拿的takeIndex也跟着改变，这时就需要去主存中重新去取takeIndex，而无法利用1级缓存进行高速计算。
以上大致解释了ArrayBlockingQueue的性能劣势，接下来就看disputor如果解决这些问题。
2、Disputor
引入官网的一段话（首先要明白背景和诉求）：
这里的表述和我们的目标一致，都是要解决锁和缓存缺失带来的性能开销问题。
引用几张官网的截图（风格还比较有趣）：
https://www.slideshare.net/trishagee/introduction-to-the-disruptor?from=new_upload_email 这是该PPT的地址，有兴趣的同学可以关注下。
他们采用了环形数据结构来解决这个问题（他们称之为魔法圆环，或魔法圆圈之类的），此种数据结构的有点是，不需要记录额外的下标，直接由JNI返回可以操作的地址，然后当多线程并发读写的时候，使用的也是cas方式。
这样，不能使用1级缓存和加锁操作的问题就解决了（关于CAS大家可自行谷歌，有非常多的文章来介绍）。
由于篇幅和经历有限，本次分享先写到这里，如果之后对disruptor有需要的话，可以再次深入研究。
我的博客即将搬运同步至腾讯云+社区，邀请大家一同入驻：https://cloud.tencent.com/developer/support-plan?invite_code=2o3frldj3qw44
