📚 课程目录第2章 API性能度量指标

2. API 性能度量指标：延迟、吞吐量、QPS、TP99、资源利用率、性能基线建立

在反洗钱推理链路中，API 性能度量是优化工作的起点与终点。没有精确的度量，任何优化都如同盲人摸象。本章将系统讲解反洗钱场景下最关键的六个性能指标，并建立一套可复用的性能基线方法论。

反洗钱推理链路通常包含交易筛选、客户尽职调查、名单匹配、风险评分、案例生成等多个串行或并行节点。每个节点都需要从不同维度进行度量。下表列出了六个核心指标及其在反洗钱场景中的具体含义：

指标名称	英文缩写	反洗钱场景定义	典型关注点
延迟	Latency	从发起推理请求到收到完整响应的时间	单笔交易筛查耗时、名单匹配耗时
吞吐量	Throughput	单位时间内系统成功处理的推理请求数	每秒处理交易笔数、每小时案例生成量
每秒查询数	QPS	系统每秒能承受的并发推理请求峰值	日间交易高峰期的并发压力
TP99 延迟	TP99	排序后第 99% 的请求延迟，代表最差情况	长尾请求是否导致超时或降级
资源利用率	Utilization	CPU、内存、磁盘 I/O、网络带宽的使用百分比	推理节点是否存在资源瓶颈
性能基线	Baseline	在特定负载下系统性能的基准参考值	版本对比、容量规划、异常检测

实践提示：在反洗钱系统中，TP99 比平均延迟更重要。因为监管合规要求必须在规定时间内完成筛查，长尾请求可能导致监管超时，引发合规风险。

延迟是用户最直观的感受，但仅关注平均延迟会掩盖问题。反洗钱推理链路中，名单匹配和模糊查询往往是延迟的主要来源。下图展示了延迟分布与 TP99 的关系：

关键公式：

TP99 = 排序后第 99% 位置的请求延迟值
示例：1000 个请求中，第 990 个请求的延迟即为 TP99

吞吐量衡量系统在单位时间内能处理多少业务量，而 QPS 则关注并发峰值。反洗钱系统通常面临明显的潮汐效应——白天交易高峰时 QPS 激增，夜间则大幅回落。下表对比了二者的区别：

常见误区：不要将吞吐量与 QPS 混为一谈。一个系统可能吞吐量很高（如批量处理），但 QPS 很低（如单线程串行）。反洗钱推理链路需要同时优化两者，才能应对突发交易洪峰。

资源利用率指标帮助定位性能瓶颈的具体位置。反洗钱推理链路中，不同节点对资源的需求差异很大：

下图展示了反洗钱推理链路中各节点的资源消耗特征：

性能基线是衡量优化效果是否达标的参照系。没有基线，就无法判断优化是正向还是负向。建立反洗钱推理链路性能基线的标准流程如下：

基线示例（反洗钱推理链路）：

基线版本：v2.3.1_20250301
负载模型：日均 500 万笔交易，峰值 QPS 800
延迟基线：平均 120ms，TP99 350ms
吞吐量基线：峰值 750 QPS，日均处理 480 万笔
资源利用率基线：CPU 65%，内存 70%，磁盘 I/O 25%

单一指标无法反映系统全貌。反洗钱推理链路优化需要将多个指标联动分析，才能做出正确决策。下表展示了常见的指标关联模式：

最佳实践：在反洗钱系统中，建议将 TP99 与资源利用率作为首要监控指标。TP99 直接关联合规风险，资源利用率则帮助提前发现容量瓶颈。当 TP99 超过基线 20% 时，自动触发告警并启动降级预案。