1. 与仅有几台服务器的小规模服务的区别

负载均衡 可扩展

保证冗余

Reduced Operation：减少人工干预(机器太多 记不过来)

2. 大规模数据处理难点 内存vs磁盘

内存比磁盘快百万倍

3. 大规模数据的技巧

写程序

尽量都在内存完成

使用能应对数据增长的算法(二叉树 O(logn) )

使用数据压缩和搜索技术

前提知识：底层基础

操作系统缓存

分布式为前提 应用rdbms必须要做的事

大规模环境 数据结构和算法如何使用


4. 操作系统缓存

虚拟内存：进程不直接使用内存地址，内核透明化，从0开始访问；操作系统以页面为单位分配内存

页面缓存：进程读入内存的数据不会直接释放掉，缓存起来供后面使用

vfs：磁盘缓存是由页面缓存实现的，vfs负责屏蔽底层不同的文件系统，实现缓存

对文件的缓存：使用LRU，最小单位为页面大小

降低io负载：内存大于数据文件则能全部缓存，不能考虑压缩数据

局部性分布式：根据访问模式 实施分布式数据


5. 数据库横向扩展策略

分布式mysql要点

灵活应用操作系统缓存

正确设置索引

以横向扩展为前提设计应用


Mysql分布式

replication：master slave

对更新/写入扩展：表分割、key-value


6. 特殊用途索引

倒排索引：用于全文检索，可以单独创建索引服务器

7， 全文索引的实现

步骤：爬行 存储 建立索引 搜索 评分 显示结果

逆向索引的结构：Directiory+Position

Directory建立：字典+AhoCoraSic 或者 语素分析

8. 可扩展的思路

根据负载调优：可视化负载

考虑机器用途：爬虫 客户


9. 保证冗余

应用server：增加server数量；负载均衡实现失败转移和失败恢复

数据库server:增加数据量； multi-master，相互replication 切换时有不同步风险，忽视之，出现则人工恢复

存储服务器：

系统稳定性

与资源利用率 有个取舍：维持适当余量

资源增加、内存泄露都有可能影响：自动dos判断 异常重启 终止耗时查询


10. 提高效率

虚拟化：可扩展 性价比 高可用。缺点：性能开销，cpu2% 内存10% 网络50% IO5%

有效利用廉价硬件：多核cpu SSD硬盘


11. 网络

分界点：1G bps 500主机 全球化 CDN



受益一生：理解负载均衡的重点：操作系统，缓存、多线程/多进程、虚拟内存、文件系统

查看单机负载：查看平均负载，确定有无CPU/IO瓶颈

平均负载：top uptime，等待cpu+等待io任务/单位时间

CPU瓶颈：sar vmstat

top/sar确认是用户进程还是系统进程

ps查看进程状态和cpu使用时间，确认导致问题的进程

确定进程后使用strace或oprofile剖析，确定问题所在

IO瓶颈: 多因程序请求过多io，或页面交换导致频繁访问磁盘，通过sar或vmstat确认交换区状态

如果发生页面交换

ps确认是否消耗大量内存

程序原因，改进程序

内存确实不够加内存，无法增加 考虑分布式

没发生交换，io频繁 可能由于缓存不足

增加内存

不能增加内存或还是不够，考虑分散存储或增加缓存服务器

操作系统调优就是找到瓶颈并解决。