应对高并发的理解

什么是高并发

• 高并发（High Concurrency）是互联网分布式系统架构设计中必须考虑的因素之一，它通常是指，通过设计保证系统能够同时并行处理很多请求。高并发相关常用的一些指标有响应时间（Response Time），吞吐量（Throughput），每秒查询率QPS（Query Per Second），并发用户数等。
  • 响应时间：系统对请求做出响应的时间。例如系统处理一个HTTP请求需要200ms，这个200ms就是系统的响应时间。
  • 吞吐量：单位时间内处理的请求数量。
  • QPS：每秒响应请求数。在互联网领域，这个指标和吞吐量区分的没有这么明显。

如何提升系统的并发能力

• 互联网分布式架构设计，提高系统并发能力的方式，方法论上主要有两种：垂直扩展（Scale Up）与水平扩展（Scale Out）。

垂直扩展

• 提升单机处理能力。垂直扩展的方式又有两种：
  • 增强单机硬件性能，例如：增加CPU核数如32核，升级更好的网卡如万兆，升级更好的硬盘如SSD，扩充硬盘容量如2T，扩充系统内存如128G；
  • 提升单机架构性能，例如：使用Cache来减少IO次数，使用异步来增加单服务吞吐量，使用无锁数据结构来减少响应时间；
    • 平时的开发都是同步，（Spring MVC 和Servlet开发）请求给到就处理，再接着得到请求再执行。
    • 异步请求，先会被放入后台工作线程去，而不用及时获得结果，增加吞吐量，减少阻塞，Servlet及其容易阻塞，在并发达到1000以后就容易出现崩溃。
    • 无锁数据：乐观锁与悲观锁，同步锁：一个请求过来，另外请求只能等待，就会阻塞。
    • 在互联网业务发展非常迅猛的早期，如果预算不是问题，强烈建议使用“增强单机硬件性能”的方式提升系统并发能力，因为这个阶段，公司的战略往往是发展业务抢时间，而“增强单机硬件性能”往往是最快的方法。

垂直扩展缺点

• 不管是提升单机硬件性能，还是提升单机架构性能，都有一个致命的不足：单机性能总是有极限的。所以互联网分布式架构设计高并发终极解决方案还是水平扩展。

水平扩展

• 只要增加服务器数量，就能线性扩充系统性能。水平扩展对系统架构设计是有要求的，如何在架构各层进行可水平扩展的设计，以及互联网公司架构各层常见的水平扩展实践

典型互联网分层架构

1. Client：可以是web浏览器、安卓和iOS等（客户端层）

2. DNS的轮询机制，域名可绑定多个IP

3. 反向代理层：系统入口，反向代理

4. 站点应用层：实现核心应用逻辑，返回html或者json

5. 服务层：如果实现了服务化，就有这一层

6. 数据-缓存层：缓存加速访问存储

7. 数据-数据库层：数据库固化数据存储

水平扩展分层架构

反向代理层的水平扩展

反向代理层的水平扩展，是通过DNS轮询实现的：dns-server对于一个域名配置了多个解析IP，每次DNS解析请求来访问dns-server，会轮询返回这些IP。

当nginx成为瓶颈的时候，只要增加服务器数量，新增nginx服务的部署，增加一个外网IP，就能扩展反向代理层的性能，做到理论上的无限高并发

站点应用层的水平扩展

• 站点层的水平扩展，是通过“nginx”实现的。通过修改nginx.conf，可以设置多个web后端。
• 当web后端成为瓶颈的时候，只要增加服务器数量，新增web服务的部署，在nginx配置中配置上新的web后端，就能扩展站点层的性能，做到理论上的无限高并发。

服务层的水平扩展

• 服务层的水平扩展，是通过“服务连接池”实现的。
• 站点层通过RPC-client调用下游的服务层RPC-server时，RPC-client中的连接池会建立与下游服务多个连接，当服务成为瓶颈的时候，只要增加服务器数量，新增服务部署，在RPC-client处建立新的下游服务连接，就能扩展服务层性能，做到理论上的无限高并发。如果需要优雅的进行服务层自动扩容，这里可能需要配置中心里服务自动发现功能的支持。

数据层的水平扩展

• 在数据量很大的情况下，数据层（缓存，数据库）涉及数据的水平扩展，将原本存储在一台服务器上的数据（缓存，数据库）水平拆分到不同服务器上去，以达到扩充系统性能的目的。

按照范围水平拆分

• 每一个数据服务，存储一定范围的数据，上图为例：
  • user0库，存储uid范围1-1kw
  • user1库，存储uid范围1kw-2kw

优点：

• 规则简单，service只需判断一下uid范围就能路由到对应的存储服务；
• 数据均衡性较好；
• 比较容易扩展，可以随时加一个uid[2kw,3kw]的数据服务；

缺点：

• 请求的负载不一定均衡，一般来说，新注册的用户会比老用户更活跃，大range的服务请求压力会更大；

按照哈希水平拆分

• 每一个数据库，存储某个key值hash后的部分数据，上图为例：
  • user0库，存储偶数uid数据
  • user1库，存储奇数uid数据

优点：

• 规则简单，service只需对uid进行hash能路由到对应的存储服务；
• 数据均衡性较好；
• 请求均匀性较好；

缺点：

• 不容易扩展，扩展一个数据服务，hash方法改变时候，可能需要进行数据迁移；

水平拆分与主从同步

• 这里需要注意的是，通过水平拆分来扩充系统性能，与主从同步读写分离来扩充数据库性能的方式有本质的不同。

通过水平拆分扩展数据库性能：

1. 每个服务器上存储的数据量是总量的1/n，所以单机的性能也会有提升；
2. n个服务器上的数据没有交集，那个服务器上数据的并集是数据的全集；
3. 数据水平拆分到了n个服务器上，理论上读性能扩充了n倍，写性能也扩充了n倍（其实远不止n倍，因为单机的数据量变为了原来的1/n）；

通过主从同步读写分离扩展数据库性能

1. 每个服务器上存储的数据量是和总量相同；
2. n个服务器上的数据都一样，都是全集；
3. 理论上读性能扩充了n倍，写仍然是单点，写性能不变；

实际扩展概念和方案

• 实现分库、分表、表分区
• 例如：有数据：
  • 末尾数字是0-9：
    • 2019061713570001
    • 2019061713570006
    • 2019061713570004
    • 2019061713570002
    • 2019061713570000
    • 2019061713570007
  • 不同的尾号分别放在：
    • User1
    • User6
    • User4
    • User2
    • User0
    • User7
• 将数组分为十组放入服务器，减少服务器压力。
• 另一种更为细分：
  • 在User-0库中再分为user0、user1表，可分为100份，但还牵扯到事务问题还有更好的解决方案。
  • 可再将表按ID继续分区