1.skywalking Դ?源码????
2.分布式链路追踪 SkyWalking 源码分析 —— DataCarrier 异步处理库
3.Skywalking8.9.1源码解析<一>-Skywalking简介及系统架构解析
4.软件测试/测试开发丨精准化测试原理简介与实践探索
5.Apache SkyWalking实战系列教程（三）- SkyWalking部署与配置

skywalking Դ?????

       线上服务频繁遭遇 OutOfMemoryError（OOM）问题，对业务造成了严重影响，分析一天内服务重启多达五次，源码导致整个系统几乎瘫痪。分析通过Skywalking追踪，源码发现链路调用大部分呈现红色，分析摇钱树选股源码亟待解决。源码作为排查者，分析我接手了这个任务。源码

       首先，分析我分析了OOM的源码常见原因，主要包括堆内存和元空间不足。分析在我们的源码案例中，Mybatis的分析问题浮出水面。源码分析显示，源码Mybatis在拼接SQL时，通过集合存储SQL和参数，当SQL参数过多导致SQL过长时，集合会变得庞大，回收不及时就会引发内存溢出。

       由于环境限制，无法直接通过jstack、jmap工具定位问题，这增加了排查的难度。但在网络搜索中，我找到了一篇与DruidDataSource和Mybatis相关的问题，这让我找到了问题的epg 安卓 源码线索，即多线程并发操作可能导致内存占用过高，从而触发OOM。

       进一步的源码分析揭示，DynamicContext类中的ContextMap（继承自HashMap）在存储SQL参数和占位符时，存在无法被GC回收的问题。当并发查询量增加时，这可能导致内存溢出。我通过线上复现情景，验证了这一理论，发现服务频繁进行Full GC，最终引发了OOM。

       针对问题，我提出解决方案：优化SQL拼接，避免过长的SQL体积，强调代码和SQL编写的重要性。同时，为了应对未来可能的故障，我配置了docker中的OOM保留dump文件，以备不时之需。

分布式链路追踪 SkyWalking 源码分析 —— DataCarrier 异步处理库

       本文基于 SkyWalking 3.2.6 正式版，主要分享 SkyWalking Collector Remote 远程通信服务，用于 Collector 集群内部通信。Remote Module 应用于 SkyWalking 架构中，实现跨节点的流式处理。

       本文从接口到实现顺序解析 SkyWalking Collector Remote 的项目结构和组件，包括 RemoteModule、小数怎么转化源码RemoteSenderService、RemoteClientService、RemoteClient、CommonRemoteDataRegisterService、RemoteDataRegisterService、RemoteDataIDGetter、RemoteDataInstanceCreatorGetter、RemoteSerializeService、RemoteDeserializeService。RemoteModule 实现 Module 抽象类，定义服务如 RemoteSenderService、RemoteDataRegisterService，创建 RemoteClient 实现远程通信。CommonRemoteDataRegisterService 用于注册数据类型对应的远程数据创建器和获取数据协议编号。

       接着，本文深入探讨基于 Google gRPC 的远程通信实现，包括 RemoteModuleGRPCProvider、GRPCRemoteSenderService、GRPCRemoteClientService、GRPCRemoteClient、RemoteCommonServiceHandler、GRPCRemoteSerializeService、GRPCRemoteDeserializeService。RemoteModuleGRPCProvider 提供基于 gRPC 的组件服务实现类，实现远程发送服务、客户端选择器和远程客户端服务。njrat源码免杀GRPCRemoteClient 实现基于 gRPC 的远程客户端，支持异步发送消息。

       最后，本文提及 SkyWalking Collector Remote 也支持基于 Kafka 的远程通信实现，但目前暂未完成。为了进一步学习 SkyWalking 的分布式链路追踪和远程通信机制，读者可以关注公众号芋道源码，获取 Java 源码解析、原理讲解、面试题、学习指南，回复「书籍」领取 Java 从入门到架构的 本书籍，加入技术群讨论 Java、后端、架构相关技术。

Skywalking8.9.1源码解析<一>-Skywalking简介及系统架构解析

       Skywalking 8.9.1源码解析系列旨在深入探讨该版本的Skywalking-OAP及其探针Skywalking-java8.9.0。本文基于官方文档、博客和个人理解，对Skywalking进行简介和系统架构解析。

       Skywalking是一款强大的分布式追踪系统，提供详尽的UI界面，可通过OpenTrace官方文档了解其Trace概念。核心功能包括性能监控和分布式追踪，以帮助开发者理解和优化应用程序的性能。

       Skywalking的代码模块构建在微内核架构上，这种架构允许通过插件形式扩展核心功能，进群私聊源码如IDEA和Eclipse的插件模式。SkyWalking Agent和OAP都采用微内核架构，利用ModuleManager管理组件和ModuleProvider，实现模块间的高效通信和功能扩展。

       在通信方面，Skywalking探针和服务器主要通过Grpc进行数据交换，考虑到性能和数据丢失风险，有人提议用Kafka替代，但官方仅支持Grpc和SSL。Skywalking UI与后端的交互采用GraphQL，尽管restful更为常见，但GraphQL提供了更灵活的数据获取方式。

       存储方面，Skywalking支持模块化存储选择，官方推荐内存数据库Es，但在线上环境中可能需要特定数据库支持。本地开发环境通常使用Mysql，生产环境将根据需求进行选择。数据库表结构会在后续文章中详细讨论。

       数据流方面，Skywalking的数据经过OAL处理后入库，OAL层的具体作用官方未明示，但可能是为了进一步处理和优化数据。本文从整体架构深入到细节，助力需求文档和开发文档的完善。

软件测试/测试开发丨精准化测试原理简介与实践探索

       小时候大家玩过找不同游戏，两幅图对比找出差异，现在想象一面墙代表master分支代码，另一面墙是dev分支代码，dev修改了哪些、差异在哪里、影响的范围，我们需要测试的范围。全面测试覆盖是理想状态，但在实际中，全面覆盖很困难。随着测试技术发展，自动化成为测试者必备技能，但自动化测试并不总能覆盖所有被测代码。黑盒测试依赖于测试人员的经验，容易出现漏测，一旦发布后出现问题，团队不得不进行修复。

       要达到精准测试，我们引入三个概念：差异化分析、调用链分析和覆盖率统计。

       差异化分析涉及到抽象语法树（AST），这是一种源代码的抽象结构表示形式。通过AST，我们能够对比代码差异，同时需要处理噪声信息，如注释、空格等，确保对比准确。JavaParser工具可以生成和操作AST，帮助我们更方便地进行代码对比。

       调用链分析关注字节码，了解Java字节码包含了类和方法的所有信息，适合使用访问者模式进行修改。ASM（字节码操纵框架）是实现调用链分析的核心技术栈，它允许我们读取和插入字节码，通过匹配和桥接，构建方法调用链。在实际应用中，我们需去除与业务分析无关的方法，聚焦核心业务逻辑。

       覆盖率统计使用jacoco工具，它依赖字节码技术。插桩技术在代码中插入监控探头，记录每行代码的执行情况，导出覆盖率信息。通过执行代码，探针记录信息，最终生成覆盖率报告。jacoco支持增量覆盖率统计，满足日常测试需求，通过关联接口与用例，推荐必要的测试用例，提高测试精准度。对于改动点，我们可以通过调用链路找到影响的最上层接口，推荐关联用例。跨应用调用链分析可能涉及Skywalking等工具，通过插桩监控获取应用间调用关系。

       对于测试覆盖率，我们不能仅依赖于覆盖率百分比。覆盖率高只是保障的一个维度，代码逻辑的正确性仍需测试人员自行验证。方法覆盖率是否需要达到%取决于其逻辑复杂度。我们设定一个最低阈值，并基于业务需求和历史覆盖率数据调整测试策略。通过记录和监控覆盖率趋势，确保质量可控，及时发现潜在问题。

       精准化测试强调在全面理解代码和业务的基础上，通过差异化分析、调用链分析和覆盖率统计等技术手段，实现高效、精准的测试覆盖。测试人员需要根据业务特性合理设定覆盖率目标，并持续优化测试策略，确保产品质量，提升团队效能。

Apache SkyWalking实战系列教程（三）- SkyWalking部署与配置

       选择免费服务器平台，如华为云，安装CentOS系统，以便后续能够顺畅运行Docker和Apache SkyWalking相关组件。

       利用宝塔面板，作为服务器管理界面，简化Linux管理流程。通过宝塔面板安装过程，确保系统配置正确，如开放端口。

       安装Docker于宝塔面板中，便于后续部署Apache SkyWalking所需应用。

       为部署Apache SkyWalking，首先确保使用特定版本的镜像，如elasticsearch:7.5.1和apache/skywalking-oap-server:6.6.0-es7，避免兼容性问题。下载agent源码包，准备后续的安装流程。

       借助docker环境，安装并配置Elasticsearch，进行持久化存储设置，确保数据安全稳定。在服务器上启动Elasticsearch并验证其正常运行。

       通过Docker安装Apache SkyWalking OAP，并指定Elasticsearch用于数据存储，完成部署。

       接着安装SkyWalking UI，并设置端口为，避免与系统其他服务冲突。确保在华为云中开放相应端口。

       应用接入部署中，Java应用接入以SpringBootDemo为例，通过Maven构建并打包应用，使用skywalkingagent实现监控功能，指定agent服务名和服务地址，启动应用时自动集成SkyWalking监控。

       对于非Java应用接入，暂未详细说明，后续将补充相关流程。

       访问SkyWalking UI，展示应用监控数据，包括拓扑图、API调用详情等，实现全链路监控功能。

       总结，通过Docker环境部署Apache SkyWalking，实现应用监控与优化，简化服务器管理，并提供直观的可视化界面，便于监控应用性能与问题定位。