Logback与Log4j2日志框架性能对比与调优方式
前言
看到目前线上大多日志框架测评大多从宏观角度，直接对比异步同步的吞吐量，但是没有考量到更深层的淘汰机制、等待策略、队列长度等对性能表现的影响，因此本文将从更多的角度对比及分析两款日志框架的性能表现，通过jprofiler+jmeter压测及数据采集，从线程占用、锁占用、宏观耗时等多维度可视化数据。
性能测试
logback
同步日志
耗时
未经过任何调优，采用logback默认配置得出上图，一百万条日志打印耗时(ms)，如图：单线程下性能最佳，耗时随线程数增加而下降。
线程占用
单线程
无阻塞状态
多线程
多线程打印日志时，会产生大量线程阻塞，线程越多阻塞状态越多
四线程
八线程
十六线程
锁占用
线程发生多次占用锁的情况。查看logback源码可得知，检查容量、放入队列、取出队列都需要在取得锁后进行
异步日志（队列扩容）
样本数100万，队列长度110万
耗时
线程占用
单线程
多线程
四线程
八线程
十六线程
锁占用
每次写入队列都需要占用锁，同时appender从队列取出也需要占用锁
异步日志（半队列扩容）
样本数100万，队列长度50万，不启用抛弃策略
耗时
线程占用
单线程
多线程
写入耗时明显增长，写入过程仍然发生阻塞状态
四线程
八线程
十六线程
锁占用
log4j2
同步日志
样本数100万，logger到appender串行执行，输出到文件
耗时
线程占用
线程产生长时间的等待，主要是缓冲环溢出后无法写入，生产者根据等待策略进入等待状态
单线程
单线程生产不需要争抢锁，因此全程无阻塞
多线程
整体来看，阻塞的时间随着线程增多而增多，因此多线程对同步日志影响极大，性能损失严重
四线程
八线程
十六线程
后续监控因阻塞时间太长跳过
锁占用
阻塞在appender上的输出流上，输出流是在单线程中执行的
异步日志（队列扩容）
样本数100万，队列长度110万，使用yield等待策略
耗时
单线程占用最高，耗时随线程数增加而缩短，直到线程数超过cpu核数。单线程耗时与logback相当，多线程耗时比logback缩短了2倍
线程占用
单线程与多线程使用都无阻塞状态，保证足够的队列容量，能使日志操作保持高吞吐和低延迟，避免阻塞等待
单线程
多线程
四线程
八线程
使用与宿主机cpu核数相等的线程数，日志写入过程无阻塞、无线程切换
十六线程
异步日志（日志淘汰策略）
样本数100万，队列长度50万，启用抛弃策略
耗时
线程占用
队列长度50万，正常来说应与半队列扩容一样，产生阻塞现象，但启用了日志淘汰策略，无法写入队列的将直接抛弃不阻塞等待
单线程
多线程
四线程
八线程
十六线程
异步日志（半队列扩容）
样本数100万，队列长度50万，使用yield等待策略
耗时
当队列满后，大幅影响了响应时间，吞吐量依赖appender的消费性能
线程占用
单线程记录日志时，前半段队列未满时生产线程一直处于工作状态，后半段因消费能力跟不上生产能力，导致队列满载，生产线程开始出现等待状态
单线程
等待的时间比多线程少，是因为单线程下日志生产速度慢，同时日志也在倍消费
多线程
前一段时间可以维持高性能工作，但后面队列满后开始发送等待，导致耗时延长
四线程
八线程
十六线程
锁占用
并未发现日志记录过程中发生锁占用
异步日志（等待策略）
样本数100万，队列长度50万，使用timeout等待策略
耗时
线程占用
未产生阻塞状态
单线程
多线程
因timeout等待策略使用了锁，因此产生一定的阻塞
四线程
八线程
十六线程
锁占用
使用timeout等待策略时，放入队列前会取锁，进行消费者线程唤醒动作
性能调优
异步日志
无论是logback还是log4j2，使用异步日志可以大幅提高日志操作耗时，间接提高业务方整体耗时
日志可靠性
异步日志无法保证日志可靠性，系统意外关闭会丢失队列中的日志，因此要求高可靠的日志，应该选择数据库或者mq来保证
logback
通过
<appender name="async-log-all" class="ch.qos.logback.classic.asyncappender">
设置
log4j2
通过
system.setproperty("log4jcontextselector", "org.apache.logging.log4j.core.async.asyncloggercontextselector")
设置
日志抛弃策略
将溢出队列的日志抛弃，保持稳定的响应速度。对业务方来说能保持良好、稳定的日志服务，但需要容忍一定的日志丢
log4j2
通过
system.setproperty("log4j2.asyncqueuefullpolicy","discard")
设置
logback
通过<discardingthreshold>指定抛弃日志的阈值
抛弃边界
当队列剩余容量小于阈值后，将抛弃error以下的日志
禁用抛弃策略
设置为0则表示不抛弃，业务线程等待队列空间可用后写入
默认阈值
默认阈值为队列长度的20%，队列长度100阈值为20
日志等待策略
log4j2独有的特性，指定队列满时，生产者进行等待的行为，需要在不开启抛弃策略下进行
timeoutwaitstrategy
log4j2默认的等待策略，通过object.wait等待队列腾空。在放入队列时会加锁，不推荐使用。
yieldwaitstrategy
通过
system.setproperty("log4j2.asyncloggerwaitstrategy","yield")
设置。通过system.yield()等待队列腾空，比timeout等待策略更高效，比busy等待策略更节能
队列容量
由性能测试可知，不适用日志抛弃策略下，队列满载后生产线程将阻塞等待队列腾空，直接影响业务方的效率
logback
通过<queuesize>指定队列长度，logback固定使用arrayblockingqueue作为队列
log4j2
通过
system.setproperty("log4j2.asyncloggerringbuffersize","x")
指定
二次方长度
ringbuffer内部计算位置时通过二进制方式计算，使用二的指数长度可以提高计算速度
长度计算公式
暂未找到统一标准的计算公式，本人觉得可以通过(日志峰值tps#消费tps)*15*60来计算
承载容量
这个公式的含义是：应用15分钟以峰值去生产的日志可以全部被队列容纳
成本
从成本的角度看，队列不应该无限量地预估，在保证系统不受到容量影响下，尽可能地使用小的长度，节省内存开支
响应时间
一般应用不应该长时间在峰值运行，如果出现长时间在峰值运行，则应该进行水平拓展分散请求压力。因此容纳15分钟之内的峰值，可以有足够时间让运维响应，进行水平拓展分散压力。
消费瓶颈
日志消费tps由appender消费效率决定，当日志tps超过消费tps时，日志将开始在队列中堆积
消费tps
某个appender在一秒内消费的日志数量，举fileappender为例，每条日志消费花费100微妙(性能好的主机可以到60)，一秒可以消费1万条日志，即消费tps为1万
请求tps
一般web应用不会承载超过消费tps的流量。假设每个请求打印五条日志，则需要5000以上的tps才能产生日志堆积
消费者优化
日志tps长时间(15min+)超过消费tps的场景下，应该对消费能力进行优化，使用轻量级的appedner、简单的layout、日志抛弃策略、过滤器、业务方规范等方面进行优化
以上为个人经验，希望能给大家一个参考，也希望大家多多支持。