Java消息队列的应用

消息队列

• 消息的概念：“消息”是在两台计算机间传送的数据单位。消息可以非常简单，例如只包含文本字符串；也可以更复杂，可能包含嵌入对象。消息被发送到队列中。
• “消息队列”是在消息的传输过程中保存消息的容器。消息队列管理器在将消息从它的源中继到它的目标时充当中间人。队列的主要目的是提供路由并保证消息的传递；如果发送消息时接收者不可用，消息队列会保留消息，直到可以成功地传递它。
• 概念：消息队列中间件是分布式系统中重要的组件，主要解决应用耦合，异步消息，流量削锋等问题。实现高性能，高可用，可伸缩和最终一致性架构
• 分类：使用较多的消息队列有ActiveMQ，RabbitMQ，ZeroMQ，Kafka，MetaMQ，RocketMQ

2 应用场景

• 异步处理
• 应用解耦
• 流量削锋
• 消息通讯
• 日志处理

2.1 异步处理

场景说明：用户注册后，需要发注册邮件和注册短信。传统的做法有两种

• 串行方式
  • 串行方式：将注册信息写入数据库成功后，发送注册邮件，再发送注册短信。以上三个任务全部完成后，返回给客户端
    
• 并行方式
  • 并行方式：将注册信息写入数据库成功后，发送注册邮件的同时，发送注册短信。以上三个任务完成后，返回给客户端。与串行的差别是，并行的方式可以提高处理的时间
    
• 假设三个业务节点每个使用50毫秒钟，不考虑网络等其他开销，则串行方式的时间是150毫秒，并行的时间可能是100毫秒。
• 因为CPU在单位时间内处理的请求数是一定的，假设CPU1秒内吞吐量是100次。则串行方式1秒内CPU可处理的请求量是7次（1000/150）。并行方式处理的请求量是10次（1000/100）

小结：如以上案例描述，传统的方式系统的性能（并发量，吞吐量，响应时间）会有瓶颈。如何解决这个问题呢？

• 引入消息队列，将不是必须的业务逻辑，异步处理。改造后的架构如下：
  
• 按照以上约定，用户的响应时间相当于是注册信息写入数据库的时间，也就是50毫秒。注册邮件，发送短信写入消息队列后，直接返回，因此写入消息队列的速度很快，基本可以忽略，因此用户的响应时间可能是50毫秒。因此架构改变后，系统的吞吐量提高到每秒20 QPS。比串行提高了3倍，比并行提高了两倍。

2.2 应用解耦

• 场景说明：用户下单后，订单系统需要通知库存系统。传统的做法是，订单系统调用库存系统的接口。如下图
  
• 传统模式的缺点：
  • 假如库存系统无法访问，则订单减库存将失败，从而导致订单失败。
  • 订单系统与库存系统耦合。
    

如何解决以上问题呢？引入应用消息队列后的方案，如下图：

• 订单系统：用户下单后，订单系统完成持久化处理，将消息写入消息队列，返回用户订单下单成功
• 库存系统：订阅下单的消息，采用拉/推的方式，获取下单信息，库存系统根据下单信息，进行库存操作
• 假如：在下单时库存系统不能正常使用。也不影响正常下单，因为下单后，订单系统写入消息队列就不再关心其他的后续操作了。实现订单系统与库存系统的应用解耦

2.3 流量削锋

• 流量削锋也是消息队列中的常用场景，一般在秒杀或团抢活动中使用广泛
• 应用场景：秒杀活动，一般会因为流量过大，导致流量暴增，应用挂掉。为解决这个问题，一般需要在应用前端加入消息队列。
  • 可以控制活动的人数
  • 可以缓解短时间内高流量压垮应用
    
• 用户的请求，服务器接收后，首先写入消息队列。假如消息队列长度超过最大数量，则直接抛弃用户请求或跳转到错误页面。
• 秒杀业务根据消息队列中的请求信息，再做后续处理。

2.4 消息通讯

• 消息通讯是指，消息队列一般都内置了高效的通信机制，因此也可以用在纯的消息通讯。比如实现点对点消息队列，或者聊天室等。点对点通讯：
  
• 客户端A和客户端B使用同一队列，进行消息通讯。聊天室通讯：
  
• 客户端A，客户端B，客户端N订阅同一主题，进行消息发布和接收。实现类似聊天室效果。
• 以上实际是消息队列的两种消息模式，点对点或发布订阅模式。模型为示意图，供参考。

2.5 日志处理

• 日志处理是指将消息队列用在日志处理中，比如Kafka的应用，解决大量日志传输的问题。架构简化如下：
  

  • 日志采集客户端，负责日志数据采集，定时写受写入Kafka队列

  • Kafka消息队列，负责日志数据的接收，存储和转发

  • 日志处理应用：订阅并消费kafka队列中的日志数据
    

  • Kafka：接收用户日志的消息队列。

  • Logstash：做日志解析，统一成JSON输出给Elasticsearch。

  • Elasticsearch：实时日志分析服务的核心技术，一个schemaless，实时的数据存储服务，通过index组织数据，兼具强大的搜索和统计功能。

  • Kibana：基于Elasticsearch的数据可视化组件，超强的数据可视化能力是众多公司选择ELK stack的重要原因。