1. 课程导论与性能基线：ThingsBoard 架构概览、性能瓶颈分析、高并发场景定义、性能调优目标设定
1.1 ThingsBoard 核心架构概览
ThingsBoard 采用微服务与 Actor 模型相结合的架构，核心组件围绕设备接入、消息路由、规则引擎和数据持久化展开。理解其架构是定位性能瓶颈的第一步。
架构核心分层：
- 传输层（Transport Layer）： 支持 MQTT、HTTP、CoAP、LwM2M 协议，负责设备认证与消息接收。
- 核心服务层（Core Services）： 包含规则引擎（Rule Engine）、实体服务（Entity Service）、租户服务（Tenant Service）。
- 数据层（Data Layer）： 使用 PostgreSQL / TimescaleDB 存储元数据与最新遥测，Cassandra / TimescaleDB 存储时序数据。
- 队列层（Queue Layer）： Kafka / RabbitMQ / AWS SQS 作为异步消息缓冲，解耦传输与处理。
1.2 高并发场景定义与性能瓶颈分析
本课程聚焦的“高并发”并非单纯指设备数量多，而是指在单位时间内，系统需要处理大量并发连接、消息吞吐与规则计算。典型场景包括：
| 场景类型 | 并发特征 | 典型指标 |
|---|---|---|
| 海量设备接入 | 10万+ 设备同时在线，频繁心跳与重连 | 连接数 / 每秒新建连接数 |
| 高频遥测上报 | 每设备每秒上报 1~10 条数据点 | 消息吞吐量 (msg/s) |
| 复杂规则链处理 | 每条消息经过 5~20 个规则节点过滤、转换、告警 | 规则节点执行延迟 (ms) |
| 批量数据持久化 | 时序数据写入速率超过 50万 点/秒 | 写入延迟 / 磁盘 IOPS |
常见性能瓶颈点：
- 传输层线程模型： 默认 Netty 线程数不足，导致 MQTT 连接处理阻塞。
- 规则引擎 Actor 调度： 单队列模式下规则节点处理成为串行瓶颈。
- 数据库写入放大： 每条遥测触发多次索引更新与历史表插入。
- JVM 堆内存与 GC： 大量短生命周期对象导致频繁 Young GC 甚至 Full GC。
- 队列积压： Kafka 分区数不足或消费者 Lag 持续增长。
1.3 性能调优目标设定
调优必须有明确的量化目标，否则无法衡量效果。本课程围绕以下四个核心维度设定基线目标：
| 维度 | 基线指标 | 调优目标（单节点 8C16G） | 测量工具 |
|---|---|---|---|
| 连接容量 | 最大并发 MQTT 连接数 | ≥ 50,000 | JMeter + MQTT 插件 |
| 消息吞吐 | 每秒处理遥测消息数 (msg/s) | ≥ 30,000 msg/s | 自定义压测客户端 |
| 端到端延迟 | 设备上报到规则链执行完成 P99 延迟 | ≤ 500 ms | ThingsBoard 内置统计 + Prometheus |
| 数据持久化 | 时序数据库写入速率 (points/s) | ≥ 200,000 points/s | 数据库监控 + 写入延迟日志 |
调优原则： 先定位瓶颈，再针对性优化。不要盲目修改配置。每次只改变一个变量，用 A/B 测试验证效果。本课程后续章节将逐一深入每个瓶颈的根因分析与解决方案。
1.4 课程路线图与实验环境
本课程共 30 章，从架构原理出发，逐步深入到 JVM、操作系统、数据库、队列、规则引擎、传输层、监控告警等全链路调优。每章均提供可复现的压测脚本与配置示例。
- 实验环境： 基于 Docker Compose 部署的 ThingsBoard 3.6+ 集群，包含 1 个传输节点、1 个规则引擎节点、1 个数据库节点。
- 压测工具： 使用 TB Benchmark 模拟器与定制 JMeter 脚本，支持百万级设备模拟。
- 监控栈： Prometheus + Grafana + 自定义 Dashboard，实时观察 JVM、队列、数据库指标。
# 快速启动实验环境（示例）
git clone https://github.com/thingsboard/thingsboard.git
cd thingsboard/docker
docker-compose -f docker-compose.yml up -d
# 验证服务状态
curl -s http://localhost:8080/api/health | jq .