https://www.cnblogs.com/jjzd/p/6540205.html
转载自:http://blog.csdn.net/wangtaomtk/article/details/51811011
1 C10K问题
大家都知道互联网的基础就是网络通信
,早期的互联网可以说是一个小群体的集合。互联网还不够普及,用户也不多。一台服务器同时在线100个用户估计在当时已经算是大型应用了。所以并不存在什么C10K的难题。互联网的爆发期应该是在www网站,浏览器,雅虎出现后。最早的互联网称之为Web1.0,互联网大部分的使用场景是下载一个Html页面,用户在浏览器中查看网页上的信息。这个时期也不存在C10K问题。
Web2.0时代到来后就不同了,一方面是普及率大大提高了,用户群体几何倍增长。另一方面是互联网不再是单纯的浏览万维网网页,逐渐开始进行交互,而且应用程序的逻辑也变的更复杂,从简单的表单提交,到即时通信和在线实时互动。C10K的问题才体现出来了。每一个用户都必须与服务器保持TCP连接才能进行实时的数据交互
。Facebook这样的网站同一时间的并发TCP连接可能会过亿。
腾讯QQ也是有C10K问题的,只不过他们是用了UDP这种原始的包交换协议来实现的,绕开了这个难题。当然过程肯定是痛苦的。如果当时有epoll技术,他们肯定会用TCP。后来的手机QQ,微信都采用TCP协议。
这时候问题就来了,最初的服务器都是基于进程/线程模型的
,新到来一个TCP连接,就需要分配1个进程(或者线程)。而进程又是操作系统最昂贵的资源
,一台机器无法创建很多进程。如果是C10K就要创建1万个进程,那么操作系统是无法承受的
。如果是采用分布式系统,维持1亿用户在线需要10万台服务器,成本巨大,也只有Facebook,Google,雅虎才有财力购买如此多的服务器。这就是C10K问题的本质
。
实际上当时也有异步模式,如:select/poll模型,这些技术都有一定的缺点,如selelct最大不能超过1024,poll没有限制,但每次收到数据需要遍历每一个连接查看哪个连接有数据请求。
2 解决方案
解决这一问题,主要思路有两个:一个是对于每个连接处理分配一个独立的进程/线程;另一个思路是用同一进程/线程来同时处理若干连接
。
2.1 每个进程/线程处理一个连接
这一思路最为直接。但是由于申请进程/线程会占用相当可观的系统资源,同时对于多进程/线程的管理会对系统造成压力,因此这种方案不具备良好的可扩展性。
因此,这一思路在服务器资源还没有富裕到足够程度的时候,是不可行的;即便资源足够富裕,效率也不够高。
问题:资源占用过多,可扩展性差。
2.2 每个进程/线程同时处理多个连接(IO多路复用)
-
传统思路
最简单的方法是循环挨个处理各个连接,每个连接对应一个 socket
,当所有 socket 都有数据的时候,这种方法是可行的。但是当应用读取某个 socket 的文件数据不 ready 的时候,
整个应用会阻塞在这里等待该文件句柄
,即使别的文件句柄 ready,也无法往下处理。思路:直接循环处理多个连接。
问题:任一文件句柄的不成功会阻塞住整个应用。
-
select
要解决上面阻塞的问题,思路很简单,如果我在读取文件句柄之前,
先查下它的状态,ready 了就进行处理,不 ready 就不进行处理
,这不就解决了这个问题了嘛?于是有了 select 方案。
用一个 fd_set 结构体来告诉内核同时监控多个文件句柄,当其中有文件句柄的状态发生指定变化(例如某句柄由不可用变为可用)或超时,则调用返回
。之后应用可以使用 FD_ISSET 来逐个查看是哪个文件句柄的状态发生了变化
。这样做,
小规模的连接问题不大,但当连接数很多(文件句柄个数很多)的时候,逐个检查状态就很慢了
。因此,select 往往存在管理的句柄上限(FD_SETSIZE)
。同时,在使用上,因为只有一个字段记录关注和发生事件,每次调用之前要重新初始化 fd_set 结构体
。int select(int nfds, fd_set *readfds, fd_set *writefds, fd_set *exceptfds, struct timeval *timeout);
思路:有连接请求抵达了再检查处理。
问题:句柄上限+重复初始化+逐个排查所有文件句柄状态效率不高。
-
poll
poll 主要解决 select 的前两个问题:
通过一个 pollfd 数组向内核传递需要关注的事件消除文件句柄上限
,同时使用不同字段分别标注关注事件和发生事件,来避免重复初始化
。int poll(struct pollfd *fds, nfds_t nfds, int timeout);
思路:设计新的数据结构提供使用效率。
问题:逐个排查所有文件句柄状态效率不高。
-
epoll
既然逐个排查所有文件句柄状态效率不高,很自然的,
如果调用返回的时候只给应用提供发生了状态变化(很可能是数据 ready)的文件句柄
,进行排查的效率不就高多了么。epoll 采用了这种设计,适用于大规模的应用场景。
实验表明,
当文件句柄数目超过 10 之后,epoll 性能将优于 select 和 poll;当文件句柄数目达到 10K 的时候,epoll 已经超过 select 和 poll 两个数量级
。int epoll_wait(int epfd, struct epoll_event *events, int maxevents, int timeout);
思路:只返回状态变化的文件句柄。
问题:依赖特定平台(Linux)。
因为Linux是互联网企业中使用率最高的操作系统,
Epoll就成为C10K killer、高并发、高性能、异步非阻塞这些技术的代名词了
。FreeBSD推出了kqueue,Linux推出了epoll,Windows推出了IOCP,Solaris推出了/dev/poll。这些操作系统提供的功能就是为了解决C10K问题
。epoll技术的编程模型就是异步非阻塞回调
,也可以叫做Reactor,事件驱动,事件轮循(EventLoop)。Nginx,libevent,Node.js这些就是Epoll时代的产物。select、poll、epoll具体原理详解,请参见:《聊聊IO多路复用之select、poll、epoll详解》。
-
libevent
由于epoll, kqueue, IOCP每个接口都有自己的特点,程序移植非常困难,于是需要对这些接口进行封装,以让它们易于使用和移植,其中libevent库就是其中之一。跨平台,封装底层平台的调用,提供统一的 API,但底层在不同平台上自动选择合适的调用。
按照libevent的官方网站,libevent库提供了以下功能:
当一个文件描述符的特定事件(如可读,可写或出错)发生了,或一个定时事件发生了,libevent就会自动执行用户指定的回调函数,来处理事件
。目前,libevent已支持以下接口/dev/poll, kqueue, event ports, select, poll 和 epoll。Libevent的内部事件机制完全是基于所使用的接口的
。因此libevent非常容易移植,也使它的扩展性非常容易。目前,libevent已在以下操作系统中编译通过:Linux,BSD,Mac OS X,Solaris和Windows。使用libevent库进行开发非常简单,也很容易在各种unix平台上移植。一个简单的使用libevent库的程序如下:
3 协程(coroutine)
随着技术的演进,epoll 已经可以较好的处理 C10K 问题,但是如果要进一步的扩展,例如支持 10M 规模的并发连接,原有的技术就无能为力了。
那么,新的瓶颈在哪里呢?
从前面的演化过程中,我们可以看到,根本的思路是要高效的去阻塞,让 CPU 可以干核心的任务
。所以,千万级并发实现的秘密:内核不是解决方案,而是问题所在!
这意味着:
不要让内核执行所有繁重的任务。将数据包处理,内存管理,处理器调度等任务从内核转移到应用程序高效地完成。让Linux只处理控制层,数据层完全交给应用程序来处理。
当连接很多时,首先需要大量的进程/线程来做事
。同时系统中的应用进程/线程们可能大量的都处于 ready 状态,需要系统去不断的进行快速切换
,而我们知道系统上下文的切换是有代价的
。虽然现在 Linux 系统的调度算法已经设计的很高效了,但对于 10M 这样大规模的场景仍然力有不足。
所以我们面临的瓶颈有两个,一个是进程/线程作为处理单元还是太厚重了;另一个是系统调度的代价太高了
。
很自然地,我们会想到,如果有一种更轻量级的进程/线程作为处理单元,而且它们的调度可以做到很快(最好不需要锁)
,那就完美了。
这样的技术现在在某些语言中已经有了一些实现,它们就是 coroutine(协程),或协作式例程
。具体的,Python、Lua 语言中的 coroutine(协程)模型,Go 语言中的 goroutine(Go 程)模型,都是类似的一个概念
。实际上,多种语言(甚至 C 语言)都可以实现类似的模型。
它们在实现上都是试图用一组少量的线程来实现多个任务,一旦某个任务阻塞,则可能用同一线程继续运行其他任务,避免大量上下文的切换
。每个协程所独占的系统资源往往只有栈部分
。而且,各个协程之间的切换,往往是用户通过代码来显式指定的(跟各种 callback 类似)
,不需要内核参与,可以很方便的实现异步。
这个技术本质上也是异步非阻塞技术,它是将事件回调进行了包装,让程序员看不到里面的事件循环
。程序员就像写阻塞代码一样简单。比如调用 client->recv() 等待接收数据时,就像阻塞代码一样写。实际上是底层库在执行recv时悄悄保存了一个状态,比如代码行数,局部变量的值。然后就跳回到EventLoop中了。什么时候真的数据到来时,它再把刚才保存的代码行数,局部变量值取出来,又开始继续执行。
这就是协程的本质。协程是异步非阻塞的另外一种展现形式
。Golang,Erlang,Lua协程都是这个模型。
3.1 同步阻塞
不知道大家看完协程是否感觉得到,实际上协程和同步阻塞是一样的
。答案是的。所以协程也叫做用户态进/用户态线程
。区别就在于进程/线程是操作系统充当了EventLoop调度,而协程是自己用Epoll进行调度
。
协程的优点是它比系统线程开销小,缺点是如果其中一个协程中有密集计算,其他的协程就不运行了。操作系统进程的缺点是开销大,优点是无论代码怎么写,所有进程都可以并发运行。
Erlang解决了协程密集计算的问题,它基于自行开发VM,并不执行机器码
。即使存在密集计算的场景,VM发现某个协程执行时间过长,也可以进行中止切换
。Golang由于是直接执行机器码的,所以无法解决此问题。所以Golang要求用户必须在密集计算的代码中,自行Yield
。
实际上同步阻塞程序的性能并不差,它的效率很高,不会浪费资源。当进程发生阻塞后,操作系统会将它挂起,不会分配CPU。直到数据到达才会分配CPU。多进程只是开多了之后副作用太大,因为进程多了互相切换有开销
。所以如果一个服务器程序只有1000左右的并发连接,同步阻塞模式是最好的
。
3.2 异步回调和协程哪个性能好
协程虽然是用户态调度,实际上还是需要调度的,既然调度就会存在上下文切换
。所以协程虽然比操作系统进程性能要好,但总还是有额外消耗的。而异步回调是没有切换开销的,它等同于顺序执行代码
。所以异步回调程序的性能是要优于协程模型的。