Производительность
Core Web Vitals: LCP, INP и CLS
Команда тратит два спринта на оптимизацию API. Server P99 падает с 400 мс до 90 мс. Google Search Console показывает: LCP «Poor» у 40% мобильных пользователей. API не был узким местом. 800 КБ JS-bundle, блокирующий main thread, — был.
Три метрики и что они меряют
Core Web Vitals от Google — три field-метрики, собираемые от реальных Chrome-пользователей через датасет CrUX, — измеряют разные аспекты пользовательского опыта.
LCP (Largest Contentful Paint) — время от начала навигации до рендера самого большого видимого элемента above the fold. Обычно hero image, H1 или фоновый блок. Target: менее 2,5 с — «Good»; 2,5-4,0 с — «Needs Improvement»; более 4,0 с — «Poor». Тяжёлый JS, блокирующий main thread, задерживает момент рисования — LCP страдает напрямую.
INP (Interaction to Next Paint) — введён в марте 2024, заменил FID. INP измеряет worst-case latency от любого пользовательского ввода (клик, нажатие, тап) до следующего visual update за всё время жизни страницы. Target: менее 200 мс — «Good»; 200-500 мс — «Needs Improvement»; более 500 мс — «Poor». Долгие JS-задачи на main thread — включая parse и execute большого bundle — поднимают INP.
CLS (Cumulative Layout Shift) — насколько видимый контент непредвиденно сдвигается при загрузке. Target: менее 0,1 — «Good»; 0,1-0,25 — «Needs Improvement»; более 0,25 — «Poor». Размер bundle не вызывает CLS напрямую; layout shifts возникают из-за картинок без размеров, поздней загрузки шрифтов и JS, вставляющего above-fold контент после initial paint.
| Метрика | Good | Needs Improvement | Poor | Bundle lever? |
|---|---|---|---|---|
| LCP | < 2,5 с | 2,5 – 4,0 с | > 4,0 с | Сильный — JS parse/execute блокирует paint |
| INP | < 200 мс | 200 – 500 мс | > 500 мс | Сильный — long tasks от большого bundle |
| CLS | < 0,1 | 0,1 – 0,25 | > 0,25 | Косвенный — JS, вставляющий above-fold контент |
Правило 100-170 КБ
Рекомендации Google Web Fundamentals: держи initial JS под 100-170 КБ gzip’d для fast first interactive на mid-range mobile. Математика: 170 КБ gzip’d разжимается примерно в 500 КБ. V8 парсит 200-400 КБ/сек на mid-range Android, значит parse занимает 1,5 с. Добавь compile и execute — итого 2-2,5 с CPU. Добавь 4G download ~500 мс — получается около 3 с до interactive. Это верхняя граница, удерживающая LCP под 2,5 с. Каждые дополнительные 100 КБ сверх неё добавляют примерно 300-500 мс к LCP на median устройстве.
Разные routes могут нести разные бюджеты: marketing homepage — жёстко (50-100 КБ), dashboard — средне (150-250 КБ), admin tools — мягче (300-500 КБ). Homepage несёт самый жёсткий cap, потому что это точка входа для конверсии.
Три инструмента: Lighthouse, PageSpeed Insights, RUM
Эти инструменты измеряют одни метрики, но с разных точек зрения.
Lighthouse запускает синтетический тест — DevTools или CLI — с CPU throttling. Надёжен для поимки регрессий в PR. Не field-данные; один синтетический запуск.
PageSpeed Insights — Google-managed Lighthouse плюс field-данные из CrUX-датасета (реальные агрегированные метрики от Chrome-пользователей на твоём домене). Полезен для public-facing анализа. Обновляется раз в день.
Real User Monitoring (RUM) — собственная выборка реальных юзеров через Web Vitals JS library, Sentry, Datadog RUM и подобные. Самый точный, но требует setup и бюджет. Senior pattern: Lighthouse в CI для поимки регрессий перед мержем; RUM в production для регрессий, которые CI пропустил; PageSpeed Insights ежеквартально для cross-reference.
Почему это работает
INP заменил FID (First Input Delay) в марте 2024. FID измерял только первое взаимодействие; INP — worst-case за всю сессию. Страница, где первый клик быстрый, а пятый — медленный, получала «Good» по FID и «Poor» по INP. Изменение делает метрику сложнее для манипуляции за счёт быстрого обработчика только для первого события.
P75 LCP команды — 3,2 с на mobile. Server TTFB — 80 мс. Наиболее вероятная причина?
INP route — 380 мс. Bundle — 900 КБ uncompressed. После code splitting bundle до 200 КБ для этого route INP падает до 150 мс. Что улучшилось и почему?
Почему CLS (Cumulative Layout Shift) почти не улучшается от уменьшения JS bundle?
- 01Что измеряют LCP, INP и CLS? Назови порог «Good» для каждого.
- 02Почему быстрый TTFB сервера (80 мс) не гарантирует хороший LCP?
- 03Чем отличаются Lighthouse и RUM при поиске CWV-регрессий?
Core Web Vitals — field-метрики от реальных Chrome-пользователей. LCP и INP оба улучшаются при уменьшении JS bundle — время parse и execute задают нижнюю планку скорости paint и реакции. Правило 100-170 КБ gzip’d опирается на математику: каждые 100 КБ сверх неё добавляют 300-500 мс к LCP на mid-range mobile. У CLS отдельные root causes (картинки без размеров, шрифты, динамические вставки). Lighthouse ловит регрессии перед мержем; RUM ловит дрейф в production. Следующий урок посвящён code splitting — основной технике уменьшения per-route bundle.
встречается в159
- Путь запроса: семь остановок от сокета до ответаjunior
- Accept и парсинг: от очереди ядра до типизированного запросаmiddle
- Маршрутизация и middleware: что выполняется и в каком порядкеmiddle
- Обработчик и ответ: от бизнес-логики до байтов на проводеmiddle
- Стриминг и backpressure: когда клиент читает медленнее, чем вы пишетеsenior
- Таймауты и хвостовая задержка: бюджеты, дедлайны и ловушка fan-outsenior
- Middleware и DI: два паттерна, формирующие любой backendjunior
- Пишем middleware: сигнатуры, next() и три модели фреймворковmiddle
- Инверсия управления: как зависимости добираются до классаmiddle
- Скоупы и время жизни DI: singleton, request, transientmiddle
- DI как шов для тестов: фейки, моки и граница, которая важнаsenior
- DI-контейнеры в продакшене: графы разрешения, циклы и когда не стоитsenior
- Блокирующий vs неблокирующий I/O: два способа ждатьjunior
- Event loop: один поток, упорядоченные фазыmiddle
- Что блокирует цикл: CPU-работа и синхронные вызовыmiddle
- Вынос CPU-работы: worker threads и пул libuvmiddle
- Backpressure и ограниченная конкурентностьsenior
- Пропускная способность под нагрузкой: хвостовая задержка и насыщениеsenior
- Зачем пул: цена создания соединенияjunior
- Размер пула: почему больше не значит быстрееmiddle
- Взятие и таймауты: очередь ожидания — настоящий дроссель задержкиmiddle
- Стратегии retry: backoff, jitter и thundering herdmiddle
- Наблюдаемость, production-инциденты и дизайн для глобального масштабаsenior
- Задачи, микрозадачи и scheduler.yield()middle
- Точность таймеров, троттлинг и фоновая работаmiddle
- Event loop Node.js: фазы, nextTick и задержка циклаsenior
- Стратегии рендеринга: SSG, SSR, ISR, streaming и гидратацияjunior
- SSG, SSR, ISR, streaming и RSC — как работает каждая стратегияmiddle
- Цена гидратации: selective, progressive, острова, resumabilitymiddle
- Core Web Vitals: что измеряют LCP, INP и CLSjunior
- LCP: четыре фазы, одна доминирующая стоимостьmiddle
- INP: input delay, processing, presentationmiddle
- Lab vs field: почему они расходятся и как использовать каждыйmiddle
- Трейдоффы метрик, RUM-атрибуция и цикл CI+полеsenior
- Общая картина: от URL до LCP до INP как эстафетаjunior
- Восемь слоёв трассировки: от service worker до второй навигацииmiddle
- Пять канонических поломок: где производство стабильно ломаетсяsenior
- Метод трёх треков: чтение трасс и построение системы мониторингаsenior
- Что такое индекс и как он ускоряет запросыjunior
- Leading-column rule: почему порядок столбцов в composite-индексе важенmiddle
- Partial, expression и covering-индексыmiddle
- Типы индексов: GIN, GiST, BRIN, Hash, Bloom и HOT-обновленияmiddle
- Index-only scan, Visibility Map и INCLUDEsenior
- Типичные сбои в продакшне и аудит индексовsenior
- Упражнение по проектированию индексов: стратегия полнотекстового поискаsenior
- EXPLAIN и планы выполнения: что решает планировщик и почемуjunior
- Типы сканирования: Seq, Index, Bitmap, Index-Onlymiddle
- Алгоритмы соединения и каскад ошибок оценки строкmiddle
- pg_statistic, ANALYZE и производственная наблюдаемостьmiddle
- Расширенная статистика: исправление ошибок оценки для коррелированных колонокsenior
- Кеш планов, настройка константных стоимостей и внутренности планировщикаsenior
- Производственные режимы отказа и стабильность плановsenior
- Connection pool: зачем амортизировать стоимость backend Postgresjunior
- Режимы PgBouncer: session, transaction и statementmiddle
- Размер пула: формула (ядра × 2) + шпинделей и двухуровневый стекmiddle
- Исчерпание пула и idle-in-transaction: сценарий отказа в 3 ночиmiddle
- Миграция на transaction mode: план развёртывания и prepared statements в PgBouncer 1.21middle
- Процессная модель Postgres и почему увеличение max_connections снижает производительностьsenior
- Ландшафт пулеров 2026, serverless connection storms и полная таксономия отказовsenior
- ADD COLUMN: мгновенно в PG 11+ против перезаписи в старом Postgresjunior
- Режим отказа очереди блокировок: почему мгновенный DDL может заморозить базуmiddle
- Безопасные DDL-паттерны: NOT VALID, CONCURRENTLY и исправления небезопасных операцийmiddle
- Таксономия сбоев миграций и дисциплина продакшнаsenior
- Выбор ключа шарда: стратегии hash, range, list и directorymiddle
- Ко-локация и Citus: инвариант, делающий шардирование пригодным к использованиюmiddle
- Режим отказа hot shard: обнаружение, изоляция и долгосрочная политикаmiddle
- Онлайн-решардинг, 2PC и операционная стоимость шардированияsenior
- Семь актов: от CREATE TABLE до Citusjunior
- Акты 1–3 в глубину: схема, индексы и статистика планировщикаmiddle
- Акты 4–6 в глубину: MVCC bloat, connection pooling и безопасные миграцииmiddle
- Акт 7 в глубину: шардинг, co-location и семиуровневый каскад трейдоффовmiddle
- Наблюдаемость, антипаттерны и производственный триажsenior
- Биты в проводеjunior
- Математика задержкиmiddle
- Bufferbloat и перегрузкаsenior
- Граница физического уровняsenior
- Номера последовательности и состояние соединенияmiddle
- Управление потоком и перегрузкойmiddle
- BBR, производственная наблюдаемость и за пределами TCPsenior
- CDN: контент по соседствуjunior
- Anycast и GeoDNS: маршрутизация к ближайшему edgemiddle
- Многоуровневый кеш и Cache-Controlmiddle
- Заголовок Vary и cache keysmiddle
- Stale-while-revalidate и cache stampedesenior
- Edge workers и edge-side compositionsenior
- CDN: операции и observabilitysenior
- WebSocket: HTTP-апгрейд до постоянного соединенияjunior
- WebSocket vs SSE vs long-polling: выбор правильного транспортаmiddle
- Backpressure в WebSocket: когда клиенты не успеваютmiddle
- Реконнект: jittered backoff, thundering herd, восстановление сообщенийsenior
- WebSocket в масштабе: HTTP/2 мультиплексирование, permessage-deflate, C10Msenior
- WebSocket в production: прокси, безопасность и распределённая архитектураsenior
- Что делают обратные проксиjunior
- Алгоритмы балансировки: от round-robin до power-of-two-choicesmiddle
- L4 vs L7 балансировка и сохранение IP клиентаmiddle
- Health checks, connection draining и slow startmiddle
- Retry-бури, circuit breakers и load sheddingsenior
- Устойчивая архитектура LB: anycast, zone-aware маршрутизация и observabilitysenior
- Почему QUIC, а не TCP+TLSjunior
- QUIC-потоки и head-of-line blockingjunior
- Объединённое рукопожатие и 1-RTTmiddle
- Connection ID и миграция сетиmiddle
- Обнаружение потерь и управление перегрузкойmiddle
- Возобновление 0-RTT и шифрование пакетовsenior
- Развёртывание и стоимость CPUsenior
- DDoS: что это и почему работаетjunior
- Атаки усиления и истощение состоянияmiddle
- Ограничение скорости: алгоритмы и архитектураmiddle
- WAF, межсетевые экраны, mTLS и HSTSmiddle
- Отравление DNS-кэша и BGP-перехватsenior
- Эшелонированная защита и экономика атакsenior
- Двенадцать слоёв: один URL, семь действующих лицjunior
- DNS, TCP, TLS по очереди: куда уходят миллисекундыmiddle
- Критический путь рендеринга и Core Web Vitalsmiddle
- Перехват прокси и шлюзы безопасности: rate limiter, WAF, mTLSmiddle
- Альтернативные пути: QUIC 0-RTT, WebSocket upgrade, миграция соединенияmiddle
- Наблюдаемость: распределённые трейсы, USE/RED и семплированиеsenior
- Устойчивость: каскадные повторы, circuit breakers и error budgetsenior
- Что такое три сигнала: метрики, логи, трейсыjunior
- Метрики и cardinality: cost-модель time-series databasemiddle
- Логи и объём: cost-модель структурного логированияmiddle
- Трейсы и сэмплирование: cost-модель distributed tracingmiddle
- Join-ключи и exemplar''''ы: как три сигнала становятся компонуемымиmiddle
- Observability 2.0: широкие события и сдвиг стоимостиsenior
- Режимы сбоя и инженерная практика: cardinality budget''''ы, PII и сэмплированиеsenior
- Зачем нужны структурные логи: дневник против таблицыjunior
- Схема продакшн-лога: поля, которые несёт каждая строкаmiddle
- Log levels и маршрутизация алертовmiddle
- Стратегии sampling и стоимость логовmiddle
- PII-редакция и log injectionsenior
- Propagation trace-контекста в логахsenior
- OTel Logs Data Model и audit-логи как подсистемаsenior
- Сигналы OTel, Semantic Conventions и проводной формат OTLPmiddle
- Авто-инструментирование и ручные спаны: правило 80/20 в OTelmiddle
- Collector OTel: receivers, processors, exporters и паттерны развёртыванияmiddle
- Стратегии сэмплирования: head, tail и parent-basedmiddle
- Vendor-нейтральность, eBPF-инструментирование, Operator и OTel в браузере и serverlesssenior
- Эксплуатация OTel Collector: надёжность, version skew, режимы отказа и управлениеsenior
- RED и USE: два чек-листа, одна дисциплина триажаjunior
- Инструментация RED в Prometheus: счётчики, гистограммы и дисциплина cardinalitymiddle
- USE на Linux: CPU, память, диск, сеть и PSImiddle
- Golden signals, структура дашборда и auto-RED в service meshmiddle
- Cardinality как драйвер затрат: label, PII, exemplars и семплированиеmiddle
- Native histograms, SLO и паттерны production-сбоевmiddle
- Выбор SLI и SLO-целей: отношения, не ощущенияmiddle
- Multi-window multi-burn-rate-алертинг: почему AND лучше ORmiddle
- Error budget policy, latency SLO и составные journeysmiddle
- Iceberg SLI, математика составного SLO и SLA vs SLOsenior
- Flame graph: читаем картинку, которая показывает, куда ушло времяjunior
- Sampling vs instrumentation profiling: почему 99 Гц побеждает в productionmiddle
- Типы профилей: CPU, память, off-CPU, mutex — какой когда братьmiddle
- Continuous profiling: always-on flame graphs с eBPF и корреляцией trace-idmiddle
- Как flame graph строится из сэмплов и как использовать его в productionmiddle
- Linux perf, внутренности eBPF, PGO и ограничения sampling''''аsenior
- Profiling в production: безопасность, war stories, OTel profiles и дизайн инфраструктурыsenior
- Debugging-воронка: SLO → RED → trace → profilejunior
- Архитектура OTel: один SDK, четыре сигнала, один wire-форматmiddle
- Экономия на observability: удерживаем затраты в пределах 5% inframiddle
- Масштаб, безопасность и ROI наблюдаемых системsenior