如何解决微服务的数据聚合Join问题？

单库Join问题

有后端开发经验的同学应该了解，对于传统SQL数据库，我们通常以正规化(normalization)的方式来建模数据。正规化的好处是数据冗余少，不足之处是数据聚合Join会比较麻烦。实际Join的时候，需要将几张相关表，通过主键和外键关系才能Join起来。我们知道，Join是一种开销比较大的SQL运算，当数据量少的时候，这种开销通常OK。但是随着企业规模逐渐变大，数据库中的数据量也会越变越大，相应地，Join的开销也会越来越大。于是，Join变慢的问题就会越来越突出，通常表现为用户的查询慢，严重时，复杂的Join可能会导致数据库繁忙不响应甚至宕机。之前我在上家公司工作的时候，就曾经经历过几次复杂Join造成DB宕机的事故。可以说，单库Join性能慢的问题，是目前很多网站的普遍痛点问题。所以，去数据库Join，是很多企业当前正在做的数据库优化工作之一。

分布式聚合Join的问题

在分布式的微服务时代，数据聚合Join的问题并没有消失，它变成了另外一种形式。请看上图，假设有两个基础领域服务，一个叫customer-service，另外一个叫order-service。根据微服务有界上下文和职责单一的原则，customer-service只负责客户数据，order-service只负责订单数据。但是前端业务需要一个order-history-API，这个API支持查询用户的历史订单，它既要提供用户详细信息，也要提供用户的历史订单信息。为此，我们需要引入这样一个order-history-API服务，它同时去调用order-service和customer-service，获得数据后再在本地进行聚合Join，然后再对外提供聚合好的客户+订单历史数据。总体上，上图的order-history-API做的事情，就是所谓的分布式聚合Join。这个API还有两个专门的称谓，一个叫Aggregator聚合服务，另外一个叫BFF服务，BFF是Backend for Frontend的简称，它的主要工作也就是聚合Join。

在中大规模互联网系统中，分布式聚合Join非常常见。基本上你上任何一个大厂的网站，比方说天猫，京东，或者美团，携程等，它们的网站页面上的数据，大部分都是通过后台的分布式聚合服务聚合出来的。所以，聚合服务层(或者称BFF层)，是现代互联网和微服务架构中普遍存在的一个架构层次。

在大部分场景下，分布式聚合服务可以满足需求，并且它还具有实时性和强一致性的好处，但是它同时也引入了新的问题：

一个是N + 1问题。有的时候，为了获得A和B服务的聚合数据，可能A只需要调用一次，但是B却需要调用N次才能获取完整数据。这个就是软件开发领域臭名昭著的N + 1问题，它通常是性能杀手。
第二个问题是数据量的问题。聚合服务需要把A和B的部分数据都加载到本地内存，然后才能进行聚合运算。当访问量大的时候，聚合服务会占用大量内存开销，严重时可能会造成内存被撑爆。
第三个问题就是随着后台基础领域服务的数据量越来越大，总体聚合服务的性能也会随着越变越慢。需要特别说明的是，如果不做缓存的话，这种分布式聚合，对于每个请求都是会重复执行和运算的，也就是会有大量的频繁和重复的聚合运算，会白白消耗大量CPU/内存等资源。

Denormalize + Materialize the View

企业实践表明，当互联网公司的体量规模发展到一定的阶段，为了解决分布式聚合Join慢的问题(或者是为了解决传统SQL数据库Join慢的问题)，它们通常会采用另外一种称为数据分发+预聚合的新方式。

怎么理解这种方式呢？我再举个例子，请看上面的图。我们这里也有两个基础领域服务，一个是商品服务item-service，另外一个是订单反馈服务order-feedback-service。但是前端业务需要一个商品反馈服务item-feedback-service，它的数据是由item-service和order-feedback-service聚合的结果。为了实现这个order-feedbak-service，我们可以用前面的聚合(或者说BFF服务)来实现，但是那种做法可能每次查询的开销较大，性能无法满足要求。为了解决性能问题，我们可以改用之前讲解的数据分发技术，比方说事务性发件箱技术，或者CDC变更数据捕获技术，也就是基于数据分发+预聚合的思路来实现这个服务。当item-service或者order-feedback-service有数据变更的时候，我们把它们的变更，通过数据分发技术，分发到item-feedback-service这个聚合+查询服务。item-feedback-service可以根据本地已有的数据，加上发送过来的变更数据，实时/或者近实时的聚合计算出商品反馈数据，并存入本地数据库缓存起来。这个就是数据分发+预聚合的思路。

这个方式和前面的聚合层BFF方式是有本质区别的。前面的方式是每次请求都要触发重复计算的，而这里的方式是一次性预先聚合好，并且缓存起来，后面的查询都是查询的缓存数据，所以这是一个提前预聚合的思路。

细心的学员会发现，这个方式其实就是反正规化(denormalize)的方式。它把原来正规化的需要聚合Join的数据，通过反正规化方式预先聚合并缓存，这样可以大大加快后续的查询。另外，学过数据库的同学应该知道，数据库当中有物化视图(Materialized View)这样一个概念，它本质上也是一种预聚合的思路。物化视图把底层的若干张表，以反正规化的方式，实时地聚合起来，提供方便查询的视图View。并且，当底层数据表发生变更的时候，物化视图也可以实时同步这些变更(相当于实时聚合Join)。现在你应该明白，我们这里所讲的数据分发+预聚合方式，其实它的思想和物化视图是相同的，只不过我们这里讲的是分布式的物化视图。

实时预聚合能够大大提升查询的性能，但是它的技术门槛也比较高。当数据变更发生的时候，或者说当变更数据流过来的时候，你就需要对数据流进行实时运算。这个计算越实时，查询的实时性就越好，当然，所需要的技术门槛也越高。之前我们提到过的Kafka Stream，它就是支持实时流式聚合的一个开源产品。

CQRS模式

上面讲的数据分发+预聚合的方式，在互联网领域还有一个更时髦的名称，叫CQRS，英文全称是Command/Query Responsibility Segregation，翻译成中文是命令/查询职责分离模式。

这个模式的总体形态，如上图所示。CQRS的左边是Command命令端，这一端通常只负责写入。CQRS的右边是Query查询端，这一端通常只负责读取。底层一般是数据分发技术，比如事务性发件箱、CDC还有MQ，它们将命令端的变更数据，实时或者近实时地同步到查询端。

写入端的数据存储，通常采用传统SQL数据库。而查询端则可以根据需要选择最适合的存储机制，比如说如果通过KV键查询的话，可以采用Redis或者Cassandra；通过关键字查询的话，可以采用ElasticSearch。当然，还可以引入离线批处理Hadoop，甚至是实时计算平台Spark/Flink等。不管查询端采用何种存储技术，它们的目标都是提升查询的规模化和性能。

总体上，从命令端到查询端，数据的流动变化过程，就是一个反正规化，适合各种快速查询需求的过程。在三层应用时代，为了提高查询性能，我们通常采用数据库的读写分离技术。到了微服务时代，这个技术的思路仍然适用，只不过它向上提升到服务层，演变成CQRS模式了。所以也可以说，CQRS是服务层的读写分离技术。

值得一提的是，合理应用CQRS技术，可以大大提升查询的性能，同时提升企业数据规模化的能力。但是对于CQRS/CDC这类技术，它们的技术门槛不低，一般小公司可能玩不起，只有到一定体量的公司才会考虑。后续，我会介绍一些CDC/CQRS技术在前沿大厂，比如Netflix的落地案例。

CQRS和最终一致性

采用CQRS模式以后，客户从命令端写入数据，然后变更数据分发到查询端，查询端再聚合生成查询视图，这中间难免会有网络和聚合计算延迟，所以这个模式并不保证写入和查询数据的强一致性，而是演变成最终一致性。

最终一致性会带来UI更新的问题。举个例子，如PPT所示，用户通过UI到Order订单服务创建一个新订单，这个订单落到订单服务的数据库中，然后订单服务在返回用户响应的同时，后台再异步发消息到Order Query订单查询服务，然后订单查询服务收到消息，就去做聚合更新订单视图的工作，这个工作可能需要耗费一定的时间。如果新视图在被更新之前，用户又通过UI来查询新订单数据，那么他可能会查不到数据。也就是说，CQRS的最终一致特性，会引入一定的时间差，而且这个时间差还是不确定的。

另外，考虑到网络的不稳定和不可靠，数据分发组件可能会因为网络等因素而重发数据(At least Once语义)，所以，查询端一般需要对数据进行去重或者做幂等处理。

CQRS和UI更新策略

为了解决最终一致性带来的时间差问题，业界通常有三种实践的UI更新策略，请看上图：

第一种策略是乐观更新。UI在发出请求后，马上更新UI，页面反应已经更新的数据状态。比方说你点赞了某社交网站上的视频或图片，页面马上会显示一颗红心。然后页面后台再通过ajax等方式查询更新结果，如果确认更新成功，那就不需要做什么；如果确认更新失败，只需将页面状态回滚即可。这种方式仅适用于一些简单的场景。
第二种策略是采用拉模式。UI向命令端发出请求时，请求中带上版本号，然后通过ajax等方式不断轮询查询端，并检查更新后的视图的版本号是否和请求的版本号一致，直到版本号匹配为止，也就是等到视图明确更新成功或失败为止。
第三种策略是采用发布订阅模式。UI向命令端发出请求，同时通过websocket等方式订阅在查询端，查询端更新好视图，通过发消息通知UI更新页面展示。

架构2005 VS 2016

本文的最后，我们再来补充一张图，这张图表达的是从2005到2016，互联网网站架构发生的巨大变化。这张图来自ThoughtWorks的一篇文章，我做了适当的改编。

这张图还是比较容易看懂的，所以具体细节我这里不展开。我这里重点提一下2016年的网站架构的几个显著特点：

第一个当然是中间引入了微服务。微服务可以用不同语言栈开发，而且可以拥有独立的数据存储。
第二个是微服务前端引入了BFF聚合服务层，实现实时和强一致性的聚合Join。
第三个特点是后台引入了CQRS/CDC/大数据/AI等技术。这些技术引入的主要目标，说白了，无非就是对数据库中的数据(包括变更数据)，进行聚合或者再加工计算，生成能够进一步产生业务价值的读视图，再通过微服务或者BFF服务等方式暴露给用户。如果把下半部分逆时针旋转90度，就是一个典型的CQRS模式图。
从总体架构上看，2016年的网站架构和2005年相比，最大的区别是2016年的网站架构是一个更大规模的读写分离架构。另外，支持2016年网站架构的底层技术，和本文所讲的内容，包括微服务架构，数据分发技术，CDC，还有BFF聚合服务等等，都是密切相关的。所以波波认为，理解本文的内容，是理解现代网站架构的一个基础。
————————————————
版权声明：本文为CSDN博主「架构师波波」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/yang75108/article/details/108503359