THIS IS A TEST INSTANCE. ALL YOUR CHANGES WILL BE LOST!!!!
...
参照之前开发该功能时的测试记录，在 768 G 内存的机器上测试 multi-raft-factor 参数的作用，当内存不紧张 GC 不频繁时，性能提升十分明显。具体可以参考此文档。
补充实验 1 ：降低负载，增大空闲内存。检验 multi-raft-factor 不同值时的性能对比。
配置变化：
- sensorNum 大小从 8000 降低为 800，读写内存分配为 4:1:1:4。
结论：
- 当 GC 不频繁时，multi-raft-factor 增大后性能下降 4%。可以证明开启 multi-raft-factor 不会导致明显的性能下降，在误差范围内性能基本一致。然而，与之前的测试结论不符，通过 timer 发现基本没有抢锁的耗时，通过测试该机器发现节点间的带宽为 300MB/s ，之前测出性能大幅提升的节点间的带宽为 12.5GB/s，因而猜测当网络很慢时，raftLogManager 的锁不会成为瓶颈。
multi-raft-factor = 1
multi-raft-factor = 3
补充实验 2：回到之前高速网络的机器上，检验 multi-raft-factor 不同值时的性能对比。
配置：
两节点两副本，1 benchmark 60 并发 20 存储组。
结论：
- multi-raft-factor 从 1 变为 3 后性能下降 5%。
- 通过 timer 判断可能是客户端压力不够。
multi-raft-factor = 1
multi-raft-factor = 3
补充实验 3：提高客户端压力，检验 multi-raft-factor 不同值时的性能对比。
配置：
两节点两副本，multi-raft-factor 分别为 1 和 20。1 benchmark，每个 benchmark 400 并发 40 存储组，共 6400 个 device，每个 device 一个 sensor，batchsize = 100。
结论：
- multi-raft-factor 增大之后性能上升 20%。
multi-raft-factor = 1
multi-raft-factor = 20
补充实验 4：进一步提高客户端压力，检验 multi-raft-factor 不同值时的性能对比。
配置：
两节点两副本，multi-raft-factor 分别为 1 和 20。2 benchmark，每个 benchmark 400 并发 40 存储组，共 6400 个 device，每个 device 一个 sensor，batchsize = 100。
结论：
- 相比补充实验 3 ，对于 multi-raft-factor 为 20 的集群，客户端负载增加一倍后吞吐从 20 万下降到了 11 万，性能下降了约 1 倍；对于 multi-raft-factor 为 1 的集群，客户端负载增加一倍后吞吐从 16 万下降到了不到 2 万，性能下降了约 8 倍。
- 对于相同的客户端负载，multi-raft-factor 为 20 的集群是 multi-raft-factor 为 1 的集群的 6 倍。
- multi-raft 并不一定能够带来性能提升，只是如果不开 multi-raft 的话，在高并发时性能会急速下降。
multi-raft-factor = 1
multi-raft-factor = 20
总结：
经过对 multi-raft 功能的测试，可以明确以下结论：当前的
- multi-raft 的内存控制还不够完善，默认参数可能会导致内存紧张 GC 频繁，反而导致性能下降。
- 在正常负载时，mutli-raft 开启与否对性能影响在可接受线以内（5%），更多的 raft 组不可避免的会占据更多的系统资源，这一块也可以进一步去优化来减少对性能的影响。
- 在高并发负载时，不开启 multi-raft 可能会导致性能急速下降，此时开启 multi-raft 能够减少性能下降的幅度。
通过此次测试工作，可以明确 multi-raft 功能在新一版架构中依然会存在，我们不仅需要和单机一起设计完善的写入内存控制策略，避免 GC 对性能的影响，还要进一步尝试去优化单 raft 组的资源消耗。 功能在高并发情况下不一定能够带来稳定的提升，主要原因是 Raft 的内存控制工作还不够完善，默认参数可能会导致内存紧张 GC 频繁。通过此次测试工作，可以明确分布式的内存控制势在必行。