目录
大并发/大数据的软件有如下特点
大并发/大数据的架构目标有如下几个
大并发/大数据的设计思路与原则
大并发/大数据的分层架构
1 接入层的架构方案:
第二三层:应用层/服务层架构方案
第四层:数据层架构方案
第五层:基础设施层架构
高并发核武器:单元化+异地多活设计
大并发/大数据的软件有如下特点
-
用户多,分布广泛
-
大流量,高并发
-
从小到大,渐进发展
-
以用户为中心
-
海量数据,服务高可用
-
安全环境恶劣,易受网络攻击
-
功能多,变更快,频繁发布
大并发/大数据的架构目标有如下几个
-
高性能:提供快速的访问体验。
-
高可用:网站服务一直可以正常访问。
-
可伸缩:通过硬件增加/减少,提高/降低处理能力。
-
扩展性:方便地通过新增/移除方式,增加/减少新的功能/模块。
-
安全性:提供网站安全访问和数据加密、安全存储等策略。
-
敏捷性:随需应变,快速响应。
大并发/大数据的设计思路与原则
1.演进原则
优秀的架构和产品都是一步一步迭代出来的,用户量的不断增大,业务的扩展进行不断地迭代升级,最终演化成优秀的架构。
-
早期项目,由于团队规模有限,技术经验不足,往往使用一个简单的单体架构、单节点DB。
-
随着流量增加和业务演变,需要不断修正系统架构中的问题点,基于后面的几个原则,一点一点的进行系统演进
演进原则:高并发/大数据系统的演进是循序渐进的,以在高并发、大数据场景下不断优化用户体验为目标。
2.单一职责( Single Responsibility Principle)原则
定义:对一个类而言,应该仅有一个引起它变化的原因。
说明:一个类应该是相关性很高的封装,类只实现一个功能。
很多的时候,我们代码中有大量的上帝类,所谓上帝类,
把不应该是一个类的功能也往自己身上揽,大包大揽,导致内聚性就会很差,
内聚性差将导致代码很难被复用,不能复用,只能复制(Repeat Yourself),其结果就是一团乱麻。
3.开闭原则(Open Closed Principle)
定义:软件中的对象应该对于扩展是开放的,对于修改是关闭的。面对新需求,对程序的改动应该是通过增加代码实现的,而不是修改现有代码来实现。
说明:当软件需要变化时,我们尽可能的通过扩展的方式来实现变化,
比如通过继承,通过装饰者模式来增加新的功能,而不是通过修改已有的接口来实现,一旦修改接口,上层调用的地方均需要修改。
开闭原则是面向对象设计的核心所在,遵循开闭原则的最好手段就是抽象。
防止变异(Protected Variations)
问题:如何设计对象,子系统和系统,使其内部的变化或不稳定性不会对其他元素产生不良影响?
解决方案:分离变与不变, 识别变化或不稳定的地方,抽象出稳定的接口。
开发人员应该仅对程序中频繁出现变化的那些部分做出抽象,如果对于应用程序中每个部分都做刻意的抽象并不是个好主意。
拒绝不成熟的抽象和抽象本身一样重要。
4.高内聚低耦合/迪米特原则(Law of Demeter)
定义:
-
如果两个类不必彼此直接通信,那么这两个类就不应当发生直接的互相引用。
-
如果中间一个类需要调用另一个类的某一个方法,可以通过第三者转发这个调用。
一个对象应该对其他对象有最少的了解。也被称为最少知识原则。
该原则首先强调的是在类的结构设计上,应该尽可能低的设计成员的访问权限。
其根本思想是强调了类的松耦合,类之间的耦合越弱,越有利于复用,一个处在弱耦合的类被修改,不会波及有关系的类。
也就是说,一个类应该对自己需要耦合或调用的类知道的最少,类与类之间的关系越密切,耦合度越大,那么类的变化对其耦合的类的影响也会越大,这也是我们面向对象设计的核心原则:低耦合,高内聚。
什么是直接的朋友?
每个对象都必然与其他对象有耦合关系,两个对象的耦合就成为朋友关系,这种关系的类型很多,例如组合、聚合、依赖、关联等。
其中,我们称出现成员变量、方法参数、方法返回值中的类为直接的朋友,而出现在局部变量中的类则不是直接的朋友。也就是说,陌生的类最好不要作为局部变量的形式出现在类的内部。
5.横向扩展(Scale-out)原则。
纵向扩展总是有 上限的, 大数据、大并发系统的核心思路之一就是:横向扩展。
横向扩展(Scale-out)的核心思路:采用分布式策略将系统的负载分散到多台服务器上,每台服务器处理一部分并发和流量。
横向扩展(Scale-out)可以充分利用现有硬件资源,提高系统的整体性能,使系统更能应对大规模并发请求。
6.缓存原则
缓存,广泛应用于系统设计的各个方面。
缓存,从操作系统到浏览器,从数据库到消息队列,从应用软件到操作系统,从操作系统到CPU,无处不在。
缓存,几乎所有复杂的服务和组件都在使用。
缓存,是空间换时间的思想。
7.异步原则
同步调用,意味着调用方在调用一个方法后会阻塞等待该方法的逻辑执行完成。
异步调用 与 同步相反。
异步调用 , 主要是三大步骤:
-
调用方发出请求后不需要等待,快速返回
-
被调方可以慢慢执行,
-
调用方通过回调函数、事件通知等方式获取执行的结果。
异步调用 方式在大规模高并发系统中被广泛采用。
以 12306 网站为例。
-
当用户订票时,先将请求丢到消息队列中,然后立即告诉用户正在处理,然后立即返回。
-
系统进行复杂的订票操作,如查询余票、下单、更改余票状态等,这些操作可能需要耗费较长时间
-
当订票操作完成后,系统再通知用户订票成功或失败。
这种异步处理方式使得系统能够更好地应对高并发,减少了资源占用,提高了系统的性能和可扩展性。
大并发/大数据的分层架构
高并发/大数据的架构设计,一般是分层进行,可以从下面的5大层来建设和分析:
1:接入层
主要流量入口
2:应用层
负责具体业务和视图展示;
网站首页、用户中心、商品中心、购物车、红包业务、活动中心等,
3:服务层
根据业务领域每个子域单独一个服务,分而治之。
服务层为应用层提供服务支持;比如:订单服务、用户管理服务、红包服务、商品服务等
这个是我们重点要关注的架构设计,架构设计不合理,就很难抗住高并发,主要包括各种架构和模块的设计。
4:数据层
数据库和NoSQL,文件存储等。
关系数据库、nosql数据库等,提供数据存储查询服务。
5:基础设施层
这个是最基础的依赖,主要是一些服务的部署。
基础设施层一般包含了服务器、中间件、部署方式等等。
1 接入层的架构方案:
动静分离,分而治之
-
动态资源使用 Nginx+LVS+KeepAlive 进行负载均衡
-
静态资源使用 CDN进行加速
动态资源Nginx+LVS+KeepAlive 进行负载均衡
请参见之前的文章
10Wqps网关接入层,LVS+Keepalived(DR模式)如何搭建?
静态资源使用CDN加速
CDN相当于加上一层缓存, 加载离用户最近的idc机房, 由cdn的运营商提供, 比如电信等
秒杀的静态页面通过到CDN上预热(CDN是内容分发网络,可以简单理解成互联网上的巨大的缓存,用于存放静态页面、图片、视频等,可以显著提高访问速度),
用CDN扛流量,这样大量的商品详情页的访问请求就不用访问自己的网站(源站)。这样既可以提高访问速度,也没有给网站增加压力,同时也减少了网站带宽压力。
第二三层:应用层/服务层架构方案
1:业务解耦
对一个复杂的业务,需要分割成不同的模块单元,分而治之
一个大的问题域,需要分解为很多小的问题域,分而治之
就是是微服务划分、微服务架构
微服务架构解决大单体架构的的很多问题,比如扩展性、弹性伸缩能力、小规模团队的敏捷开发等等。
如何进行微服务架构,如何划分微服务:
-
高内聚低耦合
-
单一职责
-
可扩展原则
-
等等等等
如何进行业务解耦,如何划分微服务?
在实操过程中, 建议使用DDD的建模方法进行建模。
具体请参见以下的文章
《美团面试:微服务如何拆分?原则是什么?》
2:横向扩展设计
横向扩展设计,包括:应用集群、服务集群
应对高并发系统,单节点模式都不可能搞定,因此都需要搭建应用集群、服务集群,
常见的微服务Provider的自动伸缩策略有以下两种:
1)通过Kubernetes HPA组件实现自动伸缩。
2)通过微服务Provider自动伸缩伺服组件实现自动伸缩。
3:缓存设计:多级缓存架构
缓存,广泛应用于系统设计的各个方面。
缓存,从操作系统到浏览器,从数据库到消息队列,从应用软件到操作系统,从操作系统到CPU,无处不在。
缓存,几乎所有复杂的服务和组件都在使用。
缓存,是空间换时间的思想。
缓存的可以提升系统性能,保护后端存储不被大流量打垮。
缓存的设计,需要分多个思路并行。
-
普通数据一级缓存就够了
-
热点数据要用到多级缓存
缓存的设计方案很多, 很复杂,也是面试的热点和难点
4:异步原则:进程内的异步
进程内的异步, 是一个很有深度的问题, 把这个问题归纳为全链路异步
全链路异步,能大大的优化系统的并发量,单机解决高并发问题
从应用层的线程池,再到 IO层的Epoll 事件驱动(Nginx),都需要最大程度的异步。
全链路异步模式改造 具体的内容,请参考深度文章:
全链路异步,让你的性能优化10倍+
另外,对于特殊的高并发场景,可以使用 Go+java的混合架构, 进一步压榨 CPU的性能
借助 Go 语言协程,去提高并发能力。
5:异步原则:进程外的异步
消息队列也是一种异步化操作,是依赖外部的中间件如消息队列,进行的异步。
针对流量突峰,仅仅有缓存来抗量可能还不够,还需要使用消息队列来异步削峰。
使用消息队列后,可以将同步处理的请求改为 通过消费 MQ 消息来异步消费,这样可以大大减少系统处理的压力,增加系统的并发量。
常用的消息队列比如 kafka、Rocketmq。
6:预热原则
预热实际应用的场景有很多,比如在电商的大促到来前,我们可以把一些热点的商品提前加载到缓存中,防止大流量冲击DB。
预热原则一般有JVM预热、缓存预热、DB预热等,
通过预热的方式让系统先“热”起来,为高并发流量的到来做好准备。
第四层:数据层架构方案
1:分库分表
数据存储量大的时候,就需要通过分库分表来存储。
分库分表模式虽然能显著提升数据库的容量,但会增加系统复杂性,因此在设计分库分表方案的时候需要结合具体业务场景,更全面地考虑。
2:读写分离
高并发系统,大多数都是读多写少,因此读写分离可以帮助主库抗量。
一般我们都是一主多从的架构,可以抗量,也可以保证数据不丢。
3:冷热分离
针对业务场景而言,如果数据有冷热之分的话,可以将历史冷数据与当前热数据分开存储,
这样可以减轻当前热数据的存储量,可以提高性能。
4:使用NoSQL完成大数据的存储
当数据库中的数据多到一定规模时,数据库就不适用于复杂的查询了,往往只能满足普通查询的场景。
对于统计报表场景,在数据量大时不一定能跑出结果,而且在跑复杂查询时会导致其他查询变慢,对于全文检索、可变数据结构等场景,数据库天生不适用。
第五层:基础设施层架构
基础设施层架构 包含:
-
监控三大件: logging、tracing、metrics。
-
各种中间件
-
cicd组件
具体,请参见文章
网易面试:亿级用户,如何做微服务底层架构?
高并发核武器:单元化+异地多活设计
除了前面的高并发常规武器, 还有高并发的核武器::单元化+异地多活设计
1:单元化(Set化)设计
一个服务对外的使用方可能有 A 业务、B 业务,那么如何保证 AB 业务不会相互影响,那么就是单元化(Set化)设计。
所谓单元,是指一个能完成所有业务操作的自包含集合,在这个集合中包含了所有业务所需的所有服务,以及单元的数据分片。
单元化架构就是把单元作为系统部署的基本单位,在全站所有idc机房中部署数个单元.
每个idc机房里的单元数目不定,任意一个单元都部署了系统所需的所有的服务。
任意一个单元的数据是首先拥有分片数据,但是为了切流的方便, 最终需要拥有全量数据。
传统意义上的 SOA 化(服务化)架构,服务是分层的,每层的节点数量不尽相同,上层调用下层时,随机选择节点。
单元化架构下,服务仍然是分层的,
不同的是每一层中的任意一个节点都属于且仅属于某一个单元,上层调用下层时,仅会选择本单元内的节点。
而要做到单元化,必须要满足以下要求:
-
业务必须是可分片的,如 淘宝按照用户分片, 饿了么按照地理位置分片
-
单元内的业务是自包含的,调用尽量封闭
单元化署就是把业务系统分为多个可扩展的逻辑分区,每个 SET 的逻辑分区都可以独立部署并提供服务,SET 也可以理解为 ”逻辑机房“ ,主要目的就是为了进行独立部署并且做到业务上的逻辑隔离。
关于 单元化SET 的具体例子:
-
微信红包用户发一个红包时,微信红包系统生成一个ID作为这个红包的唯一标识。
-
接下来这个红包的所有发红包、抢红包、拆红包、查询红包详情等操作,都根据这个ID关联。
-
红包系统根据这个红包ID,按一定的规则(如按ID尾号取模等),垂直上下切分。
-
切分后,一个垂直链条上的逻辑Server服务器、DB统称为一个SET。
单元化SET 部署之后,系统将所有红包请求这个巨大的洪流分散为多股小流,互不影响,分而治之。
现在稍微有点体量的公司都在做单元化,单元化的好处
1. 多AZ(可用区) 容灾、异地多活。
2. 服务器体量太大,单一IDC没有足够的机器。
3. 提升用户请求访问速度。
2:多 IDC + 异地多活
基础设施层一般包含了服务器、IDC、部署方式等等。
-
多 IDC 部署。比如服务同时在广州、上海两地部署。这个依赖我们的服务是无状态的;
-
其他的参考下异地多活架构等相关部署。
3:异地多活的系列问题
异地多活方案复杂, 之前积累过一系列的问题,可供参考:
架构设计内容分享(七):100Wqps异地多活,得物是怎么架构的?_软件项目异地多活-CSDN博客文章来源:https://www.toymoban.com/news/detail-833484.html
架构设计内容分享(一百一十二):单元化、异地多活,大厂如何实现?_业务做单元化 是为了双活-CSDN博客
架构设计内容分享(一百五十五):Redis 异地多活的演进历程-CSDN博客文章来源地址https://www.toymoban.com/news/detail-833484.html
到了这里,关于架构设计内容分享(二百一十):设计一个大并发、大数据的系统架构,说说设计思路的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!