第一章：Go导出API被爬虫高频调用导致DB雪崩？导出任务队列+预计算+结果缓存的防御型架构
当面向运营或BI侧的 /api/v1/export?date=2024-06-01&type=sales 这类导出接口暴露在公网时，恶意爬虫或未限流的定时脚本可能在秒级发起数百并发请求，直接穿透服务层，触发全表JOIN+聚合查询，瞬间压垮MySQL连接池与慢查询线程，引发DB雪崩。
核心防御策略需三管齐下：
- 异步化：禁止同步执行导出逻辑，所有请求立即转为任务入队；
- 预计算：按业务周期（如每日/每小时）提前生成结构化中间结果；
- 结果缓存：导出文件哈希化存储于对象存储，HTTP 302重定向至预签名URL，规避重复生成。
导出请求接入层改造
// 接收请求后仅校验参数并入队，不查库
func ExportHandler(w http.ResponseWriter, r *http.Request) {
params := struct{ Date, Type string }{}
if err := parseQuery(r.URL.Query(), ¶ms); err != nil {
http.Error(w, "invalid params", http.StatusBadRequest)
return
}
// 生成唯一任务ID（如：export:sales:2024-06-01）
taskID := fmt.Sprintf("export:%s:%s", params.Type, params.Date)
// 入Redis延时队列（支持幂等）
if err := rdb.RPush(ctx, "export:queue", taskID).Err(); err != nil {
http.Error(w, "queue full", http.StatusServiceUnavailable)
return
}
// 返回任务状态查询地址
json.NewEncoder(w).Encode(map[string]string{
"task_id": taskID,
"status_url": "/api/v1/export/status/" + taskID,
})
}预计算任务调度示例
使用 robfig/cron/v3 每日凌晨2点触发：
# crontab -e
0 2 * * * /usr/local/bin/export-precompute --type=sales --days-back=7该命令将过去7天的销售汇总数据写入 export_precomputed 表，并同步上传至 S3 对应路径 s3://my-bucket/export/sales/2024-06-01.csv.gz。
缓存命中判定逻辑
| 请求参数 | 是否命中缓存 | 触发动作 |
|---|---|---|
?date=2024-06-01&type=sales |
是 | 302跳转至S3预签名URL |
?date=2024-06-02&type=sales |
否（未预计算） | 返回 202 Accepted，后台异步生成 |
导出文件统一采用 gzip 压缩+SHA256哈希命名，避免缓存污染。所有导出任务状态通过 Redis Hash 存储，包含 status（pending/running/done/failed）、file_url、expires_at 字段，TTL设为24小时。
第二章：大文件导出的性能瓶颈与系统脆弱性分析
2.1 数据库直查导出引发的连接池耗尽与慢查询雪崩
问题现场还原
某报表服务采用同步直查 + 全量导出模式，单次请求触发 50+ 并发 SELECT * FROM orders WHERE created_at > '2024-01-01'，无索引覆盖且未分页。
连接池雪崩链路
// HikariCP 配置片段（危险值）
dataSource.setMaximumPoolSize(20); // 连接上限过低
dataSource.setConnectionTimeout(3000); // 超时仅3秒，加剧排队
dataSource.setLeakDetectionThreshold(60000); // 泄漏检测滞后逻辑分析：当慢查询平均耗时 8s，20 个连接被占满后，新请求在 3s 内超时失败，重试进一步推高并发，形成「等待→超时→重试→更拥堵」正反馈循环。
关键指标对比
| 指标 | 健康阈值 | 故障时实测 |
|---|---|---|
| activeConnections | ≤80% | 100% |
| connectionAcquireMs | 2800ms | |
| avgQueryTime | 8400ms |
根因收敛路径
- ❌ 直查导出 → ✅ 分页流式游标 + 异步任务队列
- ❌
SELECT *→ ✅ 投影裁剪 + 覆盖索引(created_at, id, status) - ❌ 同步阻塞 → ✅ 导出任务状态机（PENDING → PROCESSING → DONE）
graph TD
A[用户触发导出] --> B{是否启用流式？}
B -- 否 --> C[全表扫描+锁表]
B -- 是 --> D[Cursor FETCH NEXT 1000]
C --> E[连接池满]
D --> F[连接复用率↑92%]2.2 HTTP长连接阻塞与Goroutine泄漏的实证复现
HTTP/1.1 默认启用 Keep-Alive，但服务端未正确处理超时或连接关闭时，会持续占用 Goroutine。
复现代码片段
func leakyHandler(w http.ResponseWriter, r *http.Request) {
time.Sleep(30 * time.Second) // 模拟阻塞逻辑，无 context 控制
w.Write([]byte("done"))
}该 handler 缺失 r.Context().Done() 监听，导致客户端提前断连后 Goroutine 仍运行至 Sleep 结束，无法被及时回收。
关键参数说明
http.Server.ReadTimeout：仅限制请求头读取，不终止 Handler 执行http.Server.IdleTimeout：控制空闲连接生命周期，但对正在执行的 Handler 无影响
Goroutine 增长对比（压测 100 并发，30s）
| 场景 | 初始 Goroutine 数 | 30s 后 Goroutine 数 | 泄漏速率 |
|---|---|---|---|
| 正常响应（含 context） | 4 | 6 | — |
| 阻塞无 context | 4 | 108 | ≈3.2/s |
graph TD
A[Client 发起请求] --> B[Server 启动 Goroutine]
B --> C{Client 断连？}
C -->|是| D[Conn 关闭，但 Goroutine 未感知]
C -->|否| E[正常执行完毕]
D --> F[Goroutine 等待 Sleep 结束 → 泄漏]2.3 爬虫无序调用下的QPS突增与资源争用建模
当多个爬虫实例脱离调度中心自主发起请求，QPS呈现脉冲式尖峰，线程池、连接池与DNS缓存同时面临争用。
资源争用关键路径
- DNS解析阻塞 → 并发域名查询超限
- TCP连接复用失效 → TIME_WAIT堆积
- 本地限流器未共享状态 → 同一IP频次误判
QPS突增模拟代码
import asyncio
import random
async def uncoordinated_fetch(url, delay=0.1):
await asyncio.sleep(random.uniform(0, delay)) # 模拟无序启动偏移
return f"OK-{hash(url)}"
# 启动100个无协调协程，模拟瞬时并发
tasks = [uncoordinated_fetch("https://example.com") for _ in range(100)]
results = await asyncio.gather(*tasks)逻辑分析：random.uniform(0, delay) 消除同步启动，触发真实竞争；delay=0.1 控制基线扰动强度，反映实际爬虫启停抖动。参数 delay 越小，QPS峰值越陡峭，越易暴露连接池饥饿。
资源争用影响对比
| 指标 | 协调调用（QPS=50） | 无序调用（QPS峰值=180） |
|---|---|---|
| DNS平均延迟 | 12ms | 247ms（缓存击穿） |
| 连接复用率 | 92% | 31% |
graph TD
A[爬虫实例] -->|无锁启动| B[并发DNS查询]
B --> C{DNS缓存命中？}
C -->|否| D[阻塞等待resolver]
C -->|是| E[复用TCP连接]
D --> F[线程阻塞队列膨胀]2.4 内存溢出与临时文件堆积的Go runtime监控验证
Go 程序在高负载下易因 goroutine 泄漏或 os.TempDir() 未清理引发内存溢出与磁盘空间耗尽。需结合 runtime 指标与文件系统观测进行交叉验证。
关键监控维度
runtime.ReadMemStats()中的Sys、HeapAlloc、NumGC/tmp下按前缀统计的文件数量与总大小（如temp_.*\.json）GODEBUG=gctrace=1输出的 GC 周期间隔与堆增长速率
实时诊断代码示例
func checkTempAndHeap() {
var m runtime.MemStats
runtime.ReadMemStats(&m)
tmpFiles, _ := filepath.Glob("/tmp/temp_*.log") // 匹配临时日志文件
fmt.Printf("HeapAlloc: %v MB, TempFiles: %d\n",
m.HeapAlloc/1024/1024, len(tmpFiles))
}逻辑说明：
HeapAlloc反映当前已分配但未释放的堆内存；filepath.Glob快速枚举匹配临时文件，避免os.ReadDir开销。二者联动可识别“内存持续增长 + 临时文件激增”的典型泄漏模式。
| 指标 | 安全阈值 | 风险表现 |
|---|---|---|
HeapAlloc |
GC 频繁但 HeapAlloc 不降 | |
/tmp 文件总数 |
No space left on device 错误频发 |
|
| GC 间隔（ms） | > 500 | 小于 200ms 表明内存压力极高 |
graph TD A[采集 MemStats] –> B{HeapAlloc 持续↑?} B –>|是| C[触发 temp 文件扫描] B –>|否| D[正常] C –> E{/tmp 文件 > 1000?} E –>|是| F[告警：内存+磁盘双重泄漏] E –>|否| D
2.5 基于pprof+trace的导出路径全链路性能热区定位
在高吞吐导出场景中，单一指标难以定位跨 goroutine 与系统调用的复合瓶颈。pprof 提供 CPU/heap/block/profile 多维采样，而 runtime/trace 捕获 Goroutine 调度、网络阻塞、GC 等事件——二者协同可构建时间对齐的热区全景图。
数据同步机制
导出路径常涉及 io.Copy → gzip.Writer → http.ResponseWriter 链路。启用 trace：
go func() {
f, _ := os.Create("trace.out")
defer f.Close()
trace.Start(f)
defer trace.Stop()
}()该代码启动全局 trace 采集器，采样粒度为微秒级，覆盖所有 Goroutine 状态跃迁；trace.Stop() 触发 flush 并关闭 writer，避免数据截断。
关键诊断流程
- 启动服务时加载
net/http/pprof - 导出压测期间并发采集：
curl -o cpu.pprof "http://localhost:6060/debug/pprof/profile?seconds=30" curl -o trace.out "http://localhost:6060/debug/trace?seconds=30" - 使用
go tool trace trace.out可视化 Goroutine 执行墙、阻塞点；go tool pprof cpu.pprof定位函数级 CPU 占比。
| 工具 | 采样目标 | 时间精度 | 典型热区识别能力 |
|---|---|---|---|
pprof cpu |
函数调用栈 CPU 时间 | ~10ms | 高频计算函数（如序列化） |
trace |
Goroutine 状态变迁 | ~1μs | 网络写阻塞、锁竞争 |
graph TD
A[HTTP Handler] –> B[Build Export Data]
B –> C[Compress via gzip.Writer]
C –> D[Write to ResponseWriter]
D –> E[Kernel send buffer]
E –> F[Network Stack]
C -.->|Block on Write| D
D -.->|Blocked by TCP window| E
第三章：防御型导出架构的核心设计原则
3.1 异步化：从同步响应到任务ID轮询的契约重构
当接口耗时超过800ms，同步阻塞将拖垮用户体验与系统吞吐。重构核心在于契约升级：响应体不再携带业务结果，而是返回轻量级任务标识。
数据同步机制
客户端发起请求后，服务端立即返回结构化任务元数据：
{
"task_id": "tk_7f3a9b2e",
"status": "accepted",
"expires_in": 300,
"poll_interval_ms": 2000
}此JSON表示任务已入队，有效期5分钟，建议每2秒轮询一次。
task_id是全局唯一、可追溯的调度锚点，而非临时UUID——它绑定至具体执行上下文（如用户ID+操作类型+时间戳哈希），支持幂等重试与状态溯源。
状态流转模型
graph TD
A[accepted] --> B[processing]
B --> C[success]
B --> D[failed]
C --> E[archived]
D --> E轮询策略对比
| 策略 | 延迟敏感度 | 服务压力 | 适用场景 |
|---|---|---|---|
| 固定间隔轮询 | 中 | 高 | 简单短任务 |
| 指数退避 | 低 | 低 | 长周期批处理 |
| Webhook回调 | 高 | 极低 | 服务可控性高场景 |
- ✅ 任务ID成为新契约核心，解耦调用方与执行方生命周期
- ✅ 状态机驱动替代“等待-返回”线性模型，提升资源复用率
3.2 预计算：基于时间窗口与业务维度的物化视图落地实践
为支撑实时报表与高并发点查，我们构建了以「天级滚动窗口 + 多维下钻」为核心的物化视图体系。
数据同步机制
采用 Flink SQL 实现 CDC 源到物化视图的增量更新：
CREATE MATERIALIZED VIEW mv_daily_order_summary AS
SELECT
DATE_TRUNC('day', order_time) AS dt,
region_id,
product_category,
COUNT(*) AS order_cnt,
SUM(amount) AS total_revenue
FROM orders
WHERE order_time >= CURRENT_DATE - INTERVAL '7' DAY
GROUP BY 1, 2, 3;逻辑说明：
DATE_TRUNC('day', order_time)构建自然日粒度时间键；WHERE子句限定 7 天滑动窗口，避免全量扫描；Flink 自动维护该视图的增量物化状态，保障低延迟刷新。
维度组合策略
支持快速下钻的维度组合需兼顾查询覆盖率与存储成本：
| 维度组合 | 查询占比 | 存储开销 | 典型场景 |
|---|---|---|---|
| (dt, region_id) | 42% | ★★☆ | 区域日报监控 |
| (dt, product_category) | 35% | ★★★ | 类目销售分析 |
| (dt, region_id, sku_id) | 18% | ★★★★ | 重点商品追踪 |
执行路径优化
graph TD
A[原始订单流] –> B[Flink CDC 解析]
B –> C[按 dt+region+category 分组聚合]
C –> D[写入 Hive 分区表]
D –> E[Trino 即席查询加速]
3.3 缓存分级：ETag校验+Redis持久化+本地磁盘归档的三级缓存策略
三级缓存协同降低响应延迟并保障数据一致性：
- L1（客户端）：基于
ETag的条件请求，减少重复传输 - L2（服务端）：Redis 持久化缓存，兼顾高性能与灾备恢复能力
- L3（冷备层）：本地磁盘归档（如 Parquet + LZ4），支撑历史回溯与离线分析
数据同步机制
# Redis → 磁盘归档定时快照（每日凌晨触发）
import subprocess
subprocess.run([
"redis-cli", "bgsave" # 触发RDB持久化
])
# 随后将 dump.rdb 复制并转换为时间分区Parquetbgsave 异步执行避免阻塞主线程；RDB 文件作为归档原始输入，确保二进制一致性。
各级缓存特性对比
| 层级 | 延迟 | 容量 | 一致性保障机制 |
|---|---|---|---|
| ETag | 无 | HTTP 304 + 强校验头 | |
| Redis | ~1ms | GB级 | AOF+RDB双持久化 |
| 磁盘归档 | ~100ms | TB级 | 时间戳分区 + CRC32校验 |
graph TD
A[HTTP Client] -->|If-None-Match| B(ETag L1)
B -->|304 Not Modified| A
B -->|200 OK + ETag| C[Redis L2]
C -->|TTL过期或写入| D[Disk L3 Archive]第四章：Go语言级关键组件实现详解
4.1 基于channel+worker pool的任务队列调度器（支持优先级与限流）
核心设计采用三重 channel 分离：priorityQ（带权重的优先队列通道）、tokenBucket（令牌桶限流通道）和 workerIn（工作协程输入通道）。
任务入队与优先级分发
type Task struct {
ID string
Priority int // 0=low, 1=normal, 2=high
Payload []byte
}
// 优先级通道按权重复用：high 每次可抢占 3 个 normal 任务配额
select {
case priorityQ <- task:
// 高优任务直入
default:
// 低优任务走限流通道
<-tokenBucket
workerIn <- task
}逻辑分析：priorityQ 为带缓冲的 chan Task，容量按优先级动态分配；tokenBucket 是 chan struct{} 实现的令牌桶，初始填充速率由 rate.Limit 控制，确保 QPS ≤ 100。
调度策略对比
| 特性 | FIFO 队列 | 本方案 |
|---|---|---|
| 优先级支持 | ❌ | ✅ 权重抢占式调度 |
| 并发限流 | ❌ | ✅ token bucket 动态控速 |
| Worker 复用 | ⚠️ 手动管理 | ✅ 固定池 + channel 负载均衡 |
graph TD
A[Producer] -->|Task| B{Priority Router}
B -->|High| C[High-Pri Channel]
B -->|Normal/Low| D[Token Bucket]
D --> E[Worker Pool]
C --> E4.2 使用sync.Map+atomic实现高并发导出任务状态机
数据同步机制
导出任务需支持万级并发查询与状态更新，传统 map + mutex 在高频读写下成为性能瓶颈。sync.Map 提供无锁读、低冲突写，配合 atomic.Value 安全承载结构化状态。
状态建模与原子操作
type ExportState struct {
Status uint32 // atomic: 0=Pending, 1=Running, 2=Success, 3=Failed
Progress int64
ErrMsg string
}Status使用atomic.LoadUint32/atomic.CompareAndSwapUint32实现状态跃迁校验；Progress用atomic.AddInt64并发累加；ErrMsg通过atomic.Value.Store/Load替换（避免字符串拷贝竞争）。
状态流转保障
graph TD
A[Pending] -->|Start| B[Running]
B -->|Complete| C[Success]
B -->|Error| D[Failed]
C & D -->|Cleanup| E[Archived]性能对比（10K goroutines）
| 方案 | QPS | 平均延迟 | GC 次数 |
|---|---|---|---|
| map+Mutex | 8.2K | 1.4ms | 12 |
| sync.Map+atomic | 24.6K | 0.3ms | 2 |
4.3 Streaming CSV/Excel生成器：零拷贝写入与内存分块flush机制
零拷贝写入的核心逻辑
避免中间缓冲区复制，直接将结构化数据流式写入 io.BufferedWriter 或 http.ResponseWriter：
def write_row_zero_copy(writer, row: tuple):
# 直接调用底层write()，跳过str.join()临时字符串构造
for i, val in enumerate(row):
if i > 0:
writer.write(b",")
writer.write(str(val).encode("utf-8"))
writer.write(b"\n")该函数绕过 Python 字符串拼接的内存分配开销；
writer必须为二进制模式（如sys.stdout.buffer），b","和b"\n"避免重复编码。
内存分块 flush 机制
当累积行数达阈值或内存占用超限，触发自动 flush：
| 配置项 | 默认值 | 说明 |
|---|---|---|
chunk_size |
1000 | 行数阈值 |
max_mem_mb |
4 | 单块最大内存占用（MB） |
flush_on_full |
True | 满时强制刷盘，不等待EOF |
数据流协同流程
graph TD
A[数据源迭代] --> B{缓冲区是否满？}
B -->|否| C[追加序列化行]
B -->|是| D[调用writer.flush()]
D --> E[重置缓冲计数器]
C --> B- 缓冲区采用预分配
bytearray，避免频繁 realloc - flush 前校验
writer.writable()，防止 HTTP 连接提前关闭
4.4 基于Gin中间件的防爬鉴权层：User-Agent指纹+Token时效+请求熵值校验
核心校验维度
防爬鉴权层融合三重动态验证：
- User-Agent指纹：提取浏览器内核、渲染引擎、OS平台等12维特征生成MD5摘要，规避静态UA伪造
- Token时效：JWT签发时嵌入
iat与exp，且exp动态缩短（高频请求触发±30s抖动） - 请求熵值：统计10秒窗口内IP的URI路径熵、Header键集合变异率、参数顺序随机性
Gin中间件实现
func AntiCrawler() gin.HandlerFunc {
return func(c *gin.Context) {
ua := c.Request.UserAgent()
fingerprint := hashUA(ua) // 提取WebKit/Gecko/Trident等标识并标准化
if !isValidFingerprint(fingerprint) {
c.AbortWithStatusJSON(403, gin.H{"error": "invalid ua fingerprint"})
return
}
token := c.GetHeader("Authorization")
if !isValidToken(token) { // 验证JWT签名+动态过期时间
c.AbortWithStatusJSON(401, gin.H{"error": "expired token"})
return
}
entropy := calcRequestEntropy(c) // 基于路径/headers/params分布计算Shannon熵
if entropy < 2.1 { // 阈值经A/B测试确定
c.AbortWithStatusJSON(429, gin.H{"error": "low-entropy request"})
return
}
c.Next()
}
}
hashUA()对原始UA做正则归一化（如抹除版本号、合并空格），再哈希；isValidToken()解析JWT后校验exp是否在允许抖动范围内；calcRequestEntropy()使用滑动窗口统计请求模式离散度。
校验权重配置表
| 维度 | 权重 | 动态调整依据 |
|---|---|---|
| UA指纹匹配 | 40% | 浏览器市场占比变化 |
| Token剩余时效 | 35% | 当前QPS峰值波动率 |
| 请求熵值 | 25% | 爬虫工具特征库新增样本量 |
请求决策流程
graph TD
A[接收请求] --> B{UA指纹合法？}
B -->|否| C[403 Forbidden]
B -->|是| D{Token未过期？}
D -->|否| E[401 Unauthorized]
D -->|是| F{熵值≥2.1？}
F -->|否| G[429 Too Many Requests]
F -->|是| H[放行]第五章：生产环境压测对比与架构演进启示
压测场景与基线设定
我们在2024年Q2对电商核心下单链路进行了三次全链路压测：Baseline（单体Spring Boot 2.7 + MySQL主从）、V1（Service Mesh化改造后，Istio 1.21 + gRPC + TiDB分库分表）、V2（引入eBPF增强可观测性+自适应限流的云原生架构）。所有压测均在同规格阿里云ACK集群（8c16g × 6节点）中执行，使用JMeter+Prometheus+Grafana+OpenTelemetry统一采集。基准流量设定为5000 RPS，持续30分钟，错误率阈值严格控制在0.5%以内。
关键指标对比表格
| 指标 | Baseline | V1 | V2 |
|---|---|---|---|
| P99响应时间（ms） | 1240 | 412 | 287 |
| 吞吐量（RPS） | 4820 | 9150 | 13200 |
| GC暂停时间（ms） | 182 | 47 | 12 |
| CPU利用率峰值（%） | 94% | 71% | 58% |
| 数据库连接数峰值 | 1240 | 380 | 210 |
架构瓶颈定位过程
通过eBPF工具bcc/bpftrace实时捕获系统调用栈，发现Baseline版本中mysql_real_connect阻塞占比达63%，而V2中该调用被自动降级为连接池复用+读写分离路由；同时，利用Jaeger追踪发现V1版本中服务间gRPC重试导致级联超时，在V2中通过Envoy的retry_policy与自定义x-envoy-upstream-rq-timeout-ms头实现毫秒级熔断决策。
流量治理策略演进图示
graph LR
A[用户请求] --> B{入口网关}
B -->|未鉴权| C[RateLimiting Filter]
B -->|已鉴权| D[动态权重路由]
D --> E[订单服务v1]
D --> F[订单服务v2]
E --> G[MySQL主库]
F --> H[TiDB集群+Redis缓存层]
G --> I[慢SQL告警+自动索引建议]
H --> J[eBPF采集延迟分布直方图]真实故障注入验证
在V2环境中主动注入ChaosBlade故障：模拟Region-A机房网络延迟（100ms±20ms），系统自动触发流量调度，将62%订单请求切至Region-B；同时Sidecar自动调整gRPC Keepalive参数，将连接空闲超时从30s缩短至8s，避免连接池耗尽。期间P99延迟仅上浮至312ms，未触发业务告警。
成本-性能平衡实践
V1架构因TiDB集群需额外3台CN节点，月度云成本上升37%；V2通过TiDB Auto-scaling + eBPF内核级资源隔离（cgroup v2 + BPF_PROG_TYPE_CGROUP_SKB），将CN节点缩减至1台，且CPU预留从4c降至2c，实测SLA仍维持99.99%。关键动作包括：禁用TiDB统计信息自动收集、启用tidb_enable_async_commit = true、将Binlog同步改为Pump异步队列。
监控告警体系升级
将原有ELK日志告警迁移至基于OpenTelemetry Collector的Metrics Pipeline：OTLP → Prometheus Remote Write → Alertmanager → 钉钉机器人，新增17个SLO黄金指标（如order_create_success_rate_5m），告警平均响应时间从4.2分钟压缩至53秒。例如当http_client_errors_total{service="payment"}突增超过阈值，自动触发kubectl scale deployment payment --replicas=4并推送链路拓扑快照。
技术债清理清单落地
压测暴露的12项技术债全部闭环：包括移除Dubbo 2.6.x的XML配置残留、将Logback异步Appender替换为Loki+Promtail日志管道、重构MyBatis批量插入逻辑以支持TiDB的INSERT IGNORE语法、升级Netty至4.1.100.Final修复SSL handshake内存泄漏。每项均附带压测前后对比报告及Git提交SHA。
运维自动化覆盖范围
Ansible Playbook完成92%压测环境初始化（含K8s Namespace配额、Istio Profile部署、Prometheus Rule加载）；配合Argo Rollouts实现灰度发布期间自动压测：每次新版本Pod就绪后，由CI流水线触发k6 run --vus 50 --duration 2m order-create-test.js，达标后才推进至下一批次。累计执行自动化压测137次，人工干预率为0%。
