feed 與秒殺,撐住 10Wqps,架構方案一樣嗎?
很有朋友有疑問:如果存在一個大客戶,這一個客戶併發量就非常高,版本號比對會導致大量的更新失敗。於是推出,這個方案不適用於高併發場景。
究竟是不是這樣呢?大家對高併發是不是有什麼誤解呢?
我經常說,任何脫離業務場景的架構設計都是耍流氓,今天來聊一聊三個高併發業務場景的架構設計差異。
一、QQ
QQ 的一些核心業務有:
-
個人:user(uid, user_info, …)
-
好友:user_friends(uid, friend_id, …)
-
加入的羣:user_groups(uid, group_id, …)
-
羣:group(gid, group_info, …)
-
羣成員:group_members(gid, uid, …)
-
個人消息:msgs_user(msg_id, uid, …)
-
羣消息:msgs_group(msg_id, gid, …)
這些信息的讀寫有一個特點,都會帶上 uid/gid/msgid 屬性。
例如,拉取好友列表:
_select friend_id from user_friends _
where uid=$uid_;_
在用戶量很大,併發量很大時,不同用戶 / 羣 / 消息數據的讀寫並沒有鎖衝突。
_畫外音:_10W 個用戶同時讀寫,彼此沒有鎖衝突。
只有當,同一個用戶,很短的時間內,有大量併發時,纔可能存在鎖衝突。
_畫外音:例如,_1 個用戶,1 秒鐘讀寫 1W 次。
這類場景下,使用《併發扣款,如何保證一致性?》中的 CAS 樂觀來解決同一個用戶的併發衝突一致性,是絕對沒有問題的。
二、微博
微博的核心業務是 feed 流:
-
發消息,寫操作
-
刷消息,讀操作
微博業務顯然是讀多寫少的,在用戶刷消息時,自己 feed 流裏的消息,是由別人發出的。
查看自己主頁 feed 流,最樸素的實現方法是:
(1) 拉取自己關注的用戶 id_list;
(2) 拉取這些用戶最近 N 條消息;
(3) 將這 N*id_list 條消息排序;
(4) 返回第一頁消息,得到自己主頁 feed 流;
在用戶量很大,併發量很大時,會有一定數據的讀寫鎖衝突。
_畫外音:_不像 QQ,基本是讀寫自己的數據,微博要寫自己的數據,讀別人的數據。
這類場景下,《讀擴散,寫擴散,終於講清楚了!》中提到的讀擴散,寫擴散,也是常見的解決方案。
三、12306
12306 的核心業務是:
-
查票,讀操作
-
買票,寫操作
stock(id, num) // 某一列車有多少張餘票
在用戶量很大,併發量很大時,有極大的鎖衝突。
_畫外音:_這個業務,數據量並不大。
這類 “秒殺” 業務,如果不做特殊的優化,數據庫很容易死鎖卡死,沒有任何人能買票成功。
這類 “秒殺” 業務,有什麼常見的優化手段呢?
一般來說,系統上和業務上分別需要配合優化。
系統層面,秒殺業務的優化方向如何?
主要有兩項:
(1)將請求儘量攔截在系統上游,而不要讓鎖衝突落到數據庫。
傳統秒殺系統之所以掛,是因爲請求都壓到了後端數據層,數據讀寫鎖衝突嚴重,併發高響應慢,幾乎所有請求都超時,訪問流量大,下單成功的有效流量小。
一趟火車 2000 張票,200w 個人同時來買,沒有人能買成功,請求有效率爲 0。
_畫外音:_此時系統的效率,還不如線下售票窗口。
(2)充分利用緩存。
秒殺買票,這是一個典型的讀多寫少的業務場景:
-
車次查詢,讀,量大
-
餘票查詢,讀,量大
-
下單和支付,寫,量小
一趟火車 2000 張票,200w 個人同時來買,最多 2000 個人下單成功,其他人都是查詢庫存,寫比例只有 0.1%,讀比例佔 99.9%,非常適合使用緩存來優化。
秒殺業務,常見的系統分層架構如何?
秒殺業務,可以使用典型的服務化分層架構:
-
端(瀏覽器 /APP),最上層,面向用戶
-
站點層,訪問後端數據,拼裝 html/json 返回
-
服務層,屏蔽底層數據細節,提供數據訪問
-
數據層,DB 存儲庫存,當然也有緩存
這四層分別應該如何優化呢?
一、端上的請求攔截(瀏覽器 / APP)
想必春節大家都玩過微信的搖一搖搶紅包,用戶每搖一次,真的就會往後端發送一次請求麼?
回顧搶票的場景,用戶點擊 “查詢” 按鈕之後,系統卡頓,用戶着急,會不自覺的再去頻繁點擊“查詢”,不但沒用,反而平白無故增加系統負載,平均一個用戶點 5 次,80% 的請求是這麼多出來的。
JS 層面,可以限制用戶在 x 秒之內只能提交一次請求,從而降低系統負載。
_畫外音:_頻繁提交,可以友好提示 “頻率過快”。
APP 層面,可以做類似的事情,雖然用戶瘋狂的在搖微信搶紅包,但其實 x 秒才向後端發起一次請求。
_畫外音:_這就是所謂的 “將請求儘量攔截在系統上游”,瀏覽器 / APP 層就能攔截 80%+ 的請求。
不過,端上的攔截只能擋住普通用戶(99% 的用戶是普通用戶),程序員 firebug 一抓包,寫個 for 循環直接調用後端 http 接口,js 攔截根本不起作用,這下怎麼辦?
二、站點層的請求攔截
如何抗住程序員寫 for 循環調用 http 接口,首先要確定用戶的唯一標識,對於頻繁訪問的用戶予以攔截。
用什麼來做用戶的唯一標識?
ip?cookie-id?別想得太複雜,購票類業務都需要登錄,用 uid 就能標識用戶。
在站點層,對同一個 uid 的請求進行計數和限速,例如:一個 uid,5 秒只准透過 1 個請求,這樣又能攔住 99% 的 for 循環請求。
一個 uid,5s 只透過一個請求,其餘的請求怎麼辦?
緩存,頁面緩存,5 秒內到達站點層的其他請求,均返回上次返回的頁面。
畫外音:車次查詢和餘票查詢都能夠這麼做,既能保證用戶體驗(至少沒有返回 404 頁面),又能保證系統的健壯性(利用頁面緩存,把請求攔截在站點層了)。
OK,通過計數、限速、頁面緩存攔住了 99% 的普通程序員,但仍有些高端程序員,例如黑客,控制了 10w 個肉雞,手裏有 10w 個 uid,同時發請求,這下怎麼辦?
三、服務層的請求攔截
併發的請求已經到了服務層,如何進攔截?
服務層非常清楚業務的庫存,非常清楚數據庫的抗壓能力,可以根據這兩者進行削峯限速。
例如,業務服務很清楚的知道,一列火車只有 2000 張車票,此時透傳 10w 個請求去數據庫,是沒有意義的。
畫外音:假如數據庫每秒只能抗 500 個寫請求,就只透傳 500 個。
用什麼削峯?
請求隊列。
對於寫請求,做請求隊列,每次只透傳有限的寫請求去數據層(下訂單,支付這樣的寫業務)。
只有 2000 張火車票,即使 10w 個請求過來,也只透傳 2000 個去訪問數據庫:
-
如果前一批請求均成功,再放下一批
-
如果前一批請求庫存已經不足,則後續請求全部返回 “已售罄”
對於讀請求,怎麼優化?
cache 抗,不管是 memcached 還是 redis,單機抗個每秒 10w 應該都是沒什麼問題的。
畫外音:緩存做水平擴展,很容易線性擴容。
如此削峯限流,只有非常少的寫請求,和非常少的讀緩存 mis 的請求會透到數據層去,又有 99% 的請求被攔住了。
四、數據庫層
經過前三層的優化:
-
瀏覽器攔截了 80% 請求
-
站點層攔截了 99% 請求,並做了頁面緩存
-
服務層根據業務庫存,以及數據庫抗壓能力,做了寫請求隊列與數據緩存
你會發現,每次透到數據庫層的請求都是可控的。
db 基本就沒什麼壓力了,閒庭信步。
畫外音:這類業務數據量不大,無需分庫,數據庫做一個高可用就行。
此時,透 2000 個到數據庫,全部成功,請求有效率 100%。
畫外音:優化前,10w 個請求 0 個成功,有效性 0%。
按照上面的優化方案,其實壓力最大的反而是站點層,假設真實有效的請求數是每秒 100w,這部分的壓力怎麼處理?
解決方向有兩個:
(1)站點層水平擴展,通過加機器擴容,一臺抗 5000,200 臺搞定;
(2)服務降級,拋棄請求,例如拋棄 50%;
原則是要保護系統,不能讓所有用戶都失敗。
**站點層限速,是每個 uid 的請求計數放到 redis 裏麼?**吞吐量很大情況下,高併發訪問 redis,網絡帶寬會不會成爲瓶頸?
同一個 uid 計數與限速,如果擔心訪問 redis 帶寬成爲瓶頸,可以這麼優化:
(1)計數直接放在內存,這樣就省去了網絡請求;
(2)在 nginx 層做 7 層均衡,讓一個 uid 的請求落到同一個機器上;
畫外音:這個計數對數據一致性、準確性要求不高,即使服務重啓計數丟了,大不了重新開始計。
除了系統上的優化,產品與業務還能夠做一些折衷,降低架構難度。
業務折衷一
一般來說,下單和支付放在同一個流程裏,能夠提高轉化率。對於秒殺場景,產品上,下單流程和支付流程異步,放在兩個環節裏,能夠降低數據庫寫壓力。以 12306 爲例,下單成功後,系統佔住庫存,45 分鐘之內支付即可。
業務折衷二
一般來說,所有用戶規則相同,體驗會更好。對於秒殺場景,產品上,不同地域分時售票,雖然不是所有用戶規則相同,但能夠極大降低系統壓力。北京 9:00 開始售票,上海 9:30 開始售票,廣州 XX 開始售票,能夠分擔系統壓力。
業務折衷三
秒殺場景,由於短時間內併發較大,系統返回較慢,用戶心情十分焦急,可能會頻繁點擊按鈕,對系統造成壓力。產品上可以優化爲,一旦點擊,不管系統是否返回,按鈕立刻置灰,不給用戶機會頻繁點擊。
業務折衷四
一般來說,顯示具體的庫存數量,能夠加強用戶體驗。對於秒殺場景,產品上,只顯示有 / 無車票,而不是顯示具體票數目,能夠降低緩存淘汰率。
畫外音:顯示庫存會淘汰 N 次,顯示有無只會淘汰 1 次。更多的,用戶關注是否有票,而不是票有幾張。
無論如何,產品技術運營一起,目標是一致的,把事情做好,不存在誰是甲方,誰是乙方的關係。
總結
對於併發高,鎖衝突小的業務,可以採用《併發扣款,如何保證一致性?》中的方法保障一致性。
對於 feed 類業務,可以採用《讀擴散,寫擴散,終於講清楚了!》中的架構方案,支持高併發。
對於秒殺類業務,除了業務折衷,架構設計上主要有兩大優化方向:
(1)儘量將請求攔截在系統上游;
(2)讀多寫少用緩存;
本文由 Readfog 進行 AMP 轉碼,版權歸原作者所有。
來源:https://mp.weixin.qq.com/s/zOuND9sLZdWrAO2ehOeY6g