一、数据库层面优化（慢查询根源优化）
WHERE a=1 AND b=2需创建(a,b)复合索引），避免创建冗余或重复索引（如同一字段的多个单列索引）。SELECT *，仅查询必要列；利用覆盖索引（索引包含查询所需的所有列）减少回表操作；合理使用JOIN替代子查询（JOIN通常比子查询更高效）；用LIMIT限制结果集规模（如分页查询时使用LIMIT offset,size）。INT替代BIGINT、VARCHAR(50)替代CHAR(50)）；用VARCHAR代替CHAR（VARCHAR是变长存储，节省空间）。EXPLAIN命令分析查询执行计划，重点关注type字段（需达到ref或range级别，优于ALL全表扫描），识别性能瓶颈（如未走索引、临时表使用过多）。二、Tomcat配置优化
-Xms初始堆大小、-Xmx最大堆大小，建议设置为服务器物理内存的70%-80%，如-Xms512m -Xmx1024m）；选择合适的垃圾回收器（大内存环境用G1GC（-XX:+UseG1GC），多核CPU环境用Parallel GC（-XX:+UseParallelGC））；调整新生代与老年代比例（-XX:NewRatio，如2表示新生代占堆的1/3）；设置并行GC线程数（-XX:ParallelGCThreads，建议设置为CPU核心数的1-2倍，如-XX:ParallelGCThreads=4）。server.xml的Connector标签中启用压缩（compression="on"），设置压缩最小阈值（compressionMinSize="2048"，单位字节）和可压缩的MIME类型（compressableMimeType="text/html,text/xml,text/plain,application/json"），减少数据传输量，提升页面加载速度。三、慢查询识别与分析
grep命令筛选慢查询（如grep 'QTime' catalina.out | awk -F 'QTime=' '{if ($2 > 800) print $0}'，筛选QTime超过800毫秒的记录）；使用awk脚本自动化处理（如统计慢查询次数、提取关键信息）；借助mysqldumpslow（MySQL）、pt-query-digest（Percona Toolkit）等工具分析慢查询日志，找出执行时间最长、频率最高的查询。Prometheus+Grafana搭建实时监控体系，监控Tomcat的请求响应时间、数据库查询耗时、慢查询数量等指标，设置告警阈值（如慢查询数量超过10次/分钟），及时触发告警通知运维人员。四、架构与代码优化
Redis、Memcached等内存缓存系统，缓存热点数据（如商品详情、用户信息），减少对数据库的直接访问（降低数据库负载）；设置合理的缓存过期时间（如TTL=3600秒），避免脏数据。Spring Async、RabbitMQ消息队列），避免阻塞主线程，缩短请求响应时间。HashMap替代List进行快速查找）；减少循环中的复杂计算（如将循环外的常量计算提前到循环外）。五、其他优化措施
server.xml的Connector标签中设置合适的线程池大小（maxThreads，如200），根据并发请求数调整（建议设置为CPU核心数×200，如4核CPU设置为800），避免线程池过小导致请求排队、过大导致资源耗尽。logging.properties文件，调整日志级别（如将DEBUG改为INFO或WARN），减少调试信息的输出；关闭不必要的日志组件（如AccessLogValve的详细日志），降低磁盘I/O压力。/dev/random熵池不足（熵池用于生成随机数），可通过安装rng-tools（sudo apt-get install rng-tools）增大熵池（sudo rngd -r /dev/urandom），或修改java.security文件（将securerandom.source=file:/dev/random改为securerandom.source=file:/dev/./urandom），提升随机数生成速度。
