Sharing is caring!

การ Optimise Memory และ Performance ใน WebFlux

เวลาอ่าน ≈ 20 นาที — คู่มือฉบับเต็มสำหรับนักพัฒนาที่ต้องการรีดศักยภาพ Spring WebFlux/Project Reactor ให้ รวดเร็ว และ กินหน่วยความจำน้อย ที่สุด ตั้งแต่ Netty Event-Loop, GC Tuning, Backpressure Strategy, ไปจนถึง Observability Dashboard

---

สารบัญ

1. ทำไมต้องจูน WebFlux?
2. ลด Heap & Zero-Copy Buffer
3. หลีกเลี่ยง Blocking I/O
4. Backpressure อย่างถูกวิธี
5. GC Tuning สำหรับโหลดสูง
6. ปรับ Netty Thread Model
7. Serialization ที่เบาและเร็ว
8. Observability & Dashboard
9. Checklist ก่อน Production
10. Demo ครบวงจร

1. ทำไมต้องจูน WebFlux?

• WebFlux รันบน event-loop แค่ไม่กี่ Thread — การบล็อกเพียง 1 จุดกระทบทั้งระบบ
• Reactive Pipeline สร้าง object จำนวนมาก ถ้าไม่จัดการจะเกิด GC pause
• โหลดสูง+ไฟล์ใหญ่ เช่น SSE หรือ Streaming ไม่ดูแล Backpressure = OOM ง่าย

2. ลด Heap & Zero-Copy Buffer

2.1 เปิด Direct Buffer

@Bean
public NettyReactiveWebServerFactory nettyFactory() {
    NettyReactiveWebServerFactory f = new NettyReactiveWebServerFactory();
    f.addServerCustomizers(
        httpServer -> httpServer.metrics(true)
                                .compress(true)
                                .wiretap(false)
                                .runOn(LoopResources.create("wrk", 4, 8, true)));
    // เปิด Pooled ByteBuf allocator
    System.setProperty("io.netty.allocator.numDirectArenas","8");
    return f;
}

2.2 ใช้ DataBufferUtils เพื่อ Zero-Copy

@GetMapping("/file")
public Mono<Void> streamFile(ServerHttpResponse resp) {
    Path big = Paths.get("/videos/big.mp4");
    resp.getHeaders().set(HttpHeaders.CONTENT_TYPE, "video/mp4");
    return resp.writeWith(DataBufferUtils.read(big,
            new DefaultDataBufferFactory(true), 4096))
               .doOnTerminate(() -> DataBufferUtils.release(
                        DataBufferUtils.read(big,
                                new DefaultDataBufferFactory(true), 1)));
}

3. หลีกเลี่ยง Blocking I/O

WebFlux ใช้ Reactor Scheduler หลักคือ parallel() & event-loop. หากต้องทำ JDBC หรือ SDK ปกติ ให้โยนไป boundedElastic()

Mono.fromCallable(() -> jdbcTemplate.queryForList("SELECT * FROM big_tbl"))
    .subscribeOn(Schedulers.boundedElastic()) // ไม่ขวาง event-loop
    .timeout(Duration.ofSeconds(5))
    .onErrorResume(TimeoutException.class, ex -> Mono.empty());

4. Backpressure อย่างถูกวิธี

• ใช้ limitRate หรือ onBackpressureBuffer ต้นทาง
• ตั้งขนาด Buffer ให้อยู่ใต้ JVM Heap 50%

Flux<byte[]> stream = kafkaReceiver.receive()
    .map(ReceiverRecord::value)
    .limitRate(1024)               // ส่งชุดละ 1024
    .onBackpressureBuffer(4096);   // เก็บไม่เกิน 4k message

5. GC Tuning สำหรับโหลดสูง

5.1 ZGC หรือ G1GC?

GC	Latency (ms)	เหมาะกับ
ZGC	<1 ms	Low-latency API, JDK 17+
G1GC	10-200 ms	โหลดผสม, Heap ≤ 16 GB

5.2 ตัวอย่างตัวเลือก JVM

-XX:+UseZGC
-XX:ZCollectionInterval=20
-XX:ZAllocationSpikeTolerance=5
-XX:+ZGenerational

6. ปรับ Netty Thread Model

ค่าเริ่มต้น = CPU logical cores × 2. ถ้ามี I/O หนัก แต่ CPU เบา ลดเหลือ cores เดียว

reactor.netty.ioWorkerCount=8
reactor.netty.pool.maxConnections=2000
reactor.netty.pool.leasingStrategy=lifo

7. Serialization ที่เบาและเร็ว

• สำหรับ JSON ใช้ Jackson Afterburner + Blackbird
• เปิด @JsonInclude(JsonInclude.Include.NON_NULL) ลด field
• Binary Protocol → Protobuf หรือ CBOR แทน JSON ใน Streaming

@Bean
public ObjectMapper objectMapper() {
    return JsonMapper.builder()
            .addModule(new AfterburnerModule())
            .configure(SerializationFeature.WRITE_DATES_AS_TIMESTAMPS,false)
            .build();
}

8. Observability & Dashboard

management:
  metrics:
    enable:
      reactor: true
  endpoints:
    web:
      exposure:
        include: prometheus

รวมกับ Grafana, Loki, Prometheus จะได้กราฟ reactor.netty.http.server.connections, jvm.memory.used, และ P99 latency

9. Checklist ก่อน Production

• ผ่าน Load Test ≥ 2× peak traffic
• GC Pause < 100 ms ที่ P99
• Heap Utilization < 70%
• Thread Blocking < 1 ต่อวินาที (BlockHound)
• Backpressure ไม่สูญเสีย message (ตรวจ Drop metrics)

10. Demo ครบวงจร

# 1) เปิด Docker compose WebFlux + Grafana + Prometheus
docker compose up -d

# 2) ยิง Load 10k rps 5 นาที
wrk -t8 -c1024 -d5m http://localhost:8080/stream

# 3) เปิด Grafana dashboard 9410
open http://localhost:3000/d/webflux_perf

สังเกตกราฟ Heap กับ Latency ลดลงเมื่อเปิด ZGC + limitRate(1024)

---

สรุป

การ Optimise WebFlux ต้องมองทั้ง 3 มิติ: Memory, Concurrency, และ Observability. เริ่มจากลด allocation (Zero-Copy), ขยาย event-loop อย่างเหมาะสม, เปิด Backpressure, เลือก GC ที่ latency ต่ำ และเก็บ Metric อย่างต่อเนื่อง. เมื่อทำครบชุดนี้ แอปพลิเคชันของคุณจะพร้อมรองรับโหลดหลักแสน RPS ด้วย RAM เท่าเดิม!