Node.js
Diagnóstico de rendimiento en Node.js mediante métricas del event loop, CPU profiles, heap snapshots, benchmarks y análisis de memoria y latencia.
Optimizar Node.js comienza por identificar . Una mejora de microbenchmark puede no mejorar latencia, throughput o costo en producción.
métrica
↓
perfil
↓
hipótesis
↓
cambio controlado
↓
medición comparableOptimizar una métrica puede empeorar otra.
Una callback larga, GC o una avalancha de microtasks retrasa timers y requests.
import { monitorEventLoopDelay } from "node:perf_hooks";
const histogram = monitorEventLoopDelay({ resolution: 20 });
histogram.enable();
setInterval(() => {
console.log({ p99Ms: histogram.percentile(99) / 1e6 });
histogram.reset();
}, 10_000).unref();Interpreta el valor junto con carga, CPU y latencia.
El inspector y perfiles V8 muestran dónde se consume tiempo. Un flame graph ayuda a observar stacks frecuentes y rutas calientes.
No optimices una función porque “parece lenta”; comprueba cuánto contribuye al tiempo total.
heap de V8
+ memoria externa de Buffer
+ stacks
+ código nativo
= parte del RSSUn heap estable no descarta crecimiento en buffers o librerías nativas.
Las fugas suelen aparecer por:
Crear muchos objetos aumenta presión de allocation y GC. Evita pooling manual de objetos sin medición: puede retener memoria y complicar código.
Pausas de GC dependen de tamaño del heap, patrón de asignación y versión de V8.
Una cache intercambia memoria y consistencia por menor trabajo.
Toda cache necesita:
Agrupar operaciones puede aumentar throughput, pero también agrega espera. Pools demasiado grandes saturan bases de datos o thread pool; demasiado pequeños limitan concurrencia.
Ajusta capacidad según la dependencia más lenta.
Streams reducen memoria máxima y permiten empezar antes, pero añaden overhead por chunks. El tamaño óptimo depende del flujo; highWaterMark no tiene un valor mágico.
Si el perfil muestra cálculo largo:
Más workers pueden empeorar rendimiento por contención y memoria.
async_hooks permite instrumentación avanzada, pero tiene costo y complejidad. Prefiere AsyncLocalStorage, diagnostics channel u OpenTelemetry cuando cubran el caso, y mide el overhead.
Un benchmark útil controla:
No uses resultados de una laptop como capacidad de producción sin carga representativa.
¿Por qué duplicar workers puede reducir throughput?
Porque aumenta competencia por CPU, memoria, caches y dependencias. El costo de coordinación puede superar el paralelismo añadido.
Observabilidad en Node.js conecta síntomas con requests y recursos reales.