軟件系統中高并發的示例分析

這篇文章將為大家詳細講解有關軟件系統中高并發的示例分析，小編覺得挺實用的，因此分享給大家做個參考，希望大家閱讀完這篇文章后可以有所收獲。

概述

當前，數字化在給企業帶來業務創新，推動企業高速發展的同時，也給企業的IT軟件系統帶來了嚴峻的挑戰。面對流量高峰，不同的企業是如何通過技術手段解決高并發難題的呢?

引言

軟件系統有三個追求：高性能、高并發、高可用，俗稱三高。三者既有區別也有聯系，門門道道很多，全面討論需要三天三夜，本篇討論高并發。

高并發（High Concurrency）。并發是操作系統領域的一個概念，指的是一段時間內多任務流交替執行的現象，后來這個概念被泛化，高并發用來指大流量、高請求的業務情景，比如春運搶票，電商雙十一，秒殺大促等場景。

很多程序員每天忙著搬磚，平時接觸不到高并發，哪天受不了跑去面試，還常常會被面試官犀利的高并發問題直接KO，其實吧，高并發系統也不高深，我保證任何一個智商在線的看過這篇文章后，都能戰勝恐懼，重拾生活的信心。

本文先介紹高并發系統的度量指標，然后講述高并發系統的設計思路，再梳理高并發的關鍵技術，最后結合作者的經驗做一些延伸探討。

高并發的度量指標

既然是高并發系統，那并發一定要高，不然就名不副實。并發的指標一般有QPS、TPS、IOPS，這幾個指標都是可歸為系統吞吐率，QPS越高系統能hold住的請求數越多，但光關注這幾個指標不夠，我們還需要關注RT，即響應時間，也就是從發出request到收到response的時延，這個指標跟吞吐往往是此消彼長的，我們追求的是一定時延下的高吞吐。

比如有100萬次請求，99萬次請求都在10毫秒內響應，其他次數10秒才響應，平均時延不高，但時延高的用戶受不了，所以，就有了TP90/TP99指標，這個指標不是求平均，而是把時延從小到大排序，取排名90%/99%的時延，這個指標越大，對慢請求越敏感。

除此之外，有時候，我們也會關注可用性指標，這可歸到穩定性。

一般而言，用戶感知友好的高并發系統，時延應該控制在250毫秒以內。

什么樣的系統才能稱為高并發？這個不好回答，因為它取決于系統或者業務的類型。不過我可以告訴你一些眾所周知的指標，這樣能幫助你下次在跟人扯淡的時候稍微靠點兒譜，不至于貽笑大方。

通常，數據庫單機每秒也就能抗住幾千這個量級，而做邏輯處理的服務單臺每秒抗幾萬、甚至幾十萬都有可能，而消息隊列等中間件單機每秒處理個幾萬沒問題，所以我們經常聽到每秒處理數百萬、數千萬的消息中間件集群，而像阿某的API網關，每日百億請求也有可能。

高并發的設計思路

高并發的設計思路有兩個方向：

• 垂直方向擴展，也叫豎向擴展

• 水平方向擴展，也叫橫向擴展

垂直方向：提升單機能力

提升單機處理能力又可分為硬件和軟件兩個方面：

• 硬件方向，很好理解，花錢升級機器，更多核更高主頻更大存儲空間更多帶寬

• 軟件方向，包括用各快的數據結構，改進架構，應用多線程、協程，以及上性能優化各種手段，但這玩意兒天花板低，就像提升個人產出一樣，996、007、最多24 X 7。

水平方向：分布式集群

為了解決分布式系統的復雜性問題，一般會用到架構分層和服務拆分，通過分層做隔離，通過微服務解耦。

這個理論上沒有上限，只要做好層次和服務劃分，加機器擴容就能滿足需求，但實際上并非如此，一方面分布式會增加系統復雜性，另一方面集群規模上去之后，也會引入一堆AIOps、服務發現、服務治理的新問題。

因為垂直向的限制，所以，我們通常更關注水平擴展，高并發系統的實施也主要圍繞水平方向展開。

高并發的關鍵技術

玩具式的網絡服務程序，用戶可以直連服務器，甚至不需要數據庫，直接寫磁盤文件。但春運購票系統顯然不能這么做，它肯定扛不住這個壓力，那一般的高并發系統是怎么做呢？比如某寶這樣的正經系統是怎么處理高并發的呢？

其實大的思路都差不多，層次劃分 + 功能劃分。可以把層次劃分理解為水平方向的劃分，而功能劃分理解為垂直方向的劃分。

首先，用戶不能直連服務器，要做分布式就要解決“分”的問題，有多個服務實例就需要做負載均衡，有不同服務類型就需要服務發現。

集群化：負載均衡

負載均衡就是把負載（request）均衡分配到不同的服務實例，利用集群的能力去對抗高并發，負載均衡是服務集群化的實施要素，它分3種：

1.DNS負載均衡，客戶端通過URL發起網絡服務請求的時候，會去DNS服務器做域名解釋，DNS會按一定的策略（比如就近策略）把URL轉換成IP地址，同一個URL會被解釋成不同的IP地址，這便是DNS負載均衡，它是一種粗粒度的負載均衡，它只用URL前半部分，因為DNS負載均衡一般采用就近原則，所以通常能降低時延，但DNS有cache，所以也會更新不及時的問題。

2.硬件負載均衡，通過布置特殊的負載均衡設備到機房做負載均衡，比如F5，這種設備貴，性能高，可以支撐每秒百萬并發，還能做一些安全防護，比如防火墻。

3.軟件負載均衡，根據工作在ISO 7層網絡模型的層次，可分為四層負載均衡（比如章文嵩博士的LVS）和七層負載均衡（NGINX），軟件負載均衡配置靈活，擴展性強，阿某云的SLB作為服務對外售賣，Nginx可以對URL的后半部做解釋承擔API網關的職責。

所以，完整的負載均衡鏈路是 client <-> DNS負載均衡 -> F5 -> LVS/SLB -> NGINX

不管選擇哪種LB策略，或者組合LB策略，邏輯上，我們都可以視為負載均衡層，通過添加負載均衡層，我們將負載均勻分散到了后面的服務集群，具備基礎的高并發能力，但這只是萬里長征第一步。

數據庫層面：分庫分表+讀寫分離

前面通過負載均衡解決了無狀態服務的水平擴展問題，但我們的系統不全是無狀態的，后面通常還有有狀態的數據庫，所以解決了前面的問題，存儲有可能成為系統的瓶頸，我們需要對有狀態存儲做分片路由。

數據庫的單機QPS一般不高，也就幾千，顯然滿足不了高并發的要求。

所以，我們需要做分庫分表 + 讀寫分離。

就是把一個庫分成多個庫，部署在多個數據庫服務上，主庫承載寫請求，從庫承載讀請求。從庫可以掛載多個，因為很多場景寫的請求遠少于讀的請求，這樣就把對單個庫的壓力降下來了。

如果寫的請求上升就繼續分庫分表，如果讀的請求上升就掛更多的從庫，但數據庫天生不是很適合高并發，而且數據庫對機器配置的要求一般很高，導致單位服務成本高，所以，這樣加機器抗壓力成本太高，還得另外想招。

讀多寫少：緩存

緩存的理論依據是局部性原理。

一般系統的寫入請求遠少于讀請求，針對寫少讀多的場景，很適合引入緩存集群。

在寫數據庫的時候同時寫一份數據到緩存集群里，然后用緩存集群來承載大部分的讀請求，因為緩存集群很容易做到高性能，所以，這樣的話，通過緩存集群，就可以用更少的機器資源承載更高的并發。

緩存的命中率一般能做到很高，而且速度很快，處理能力也強（單機很容易做到幾萬并發），是理想的解決方案。

CDN本質上就是緩存，被用戶大量訪問的靜態資源緩存在CDN中是目前的通用做法。

緩存也有很多需要謹慎處理的問題

1.一致性問題：(a)更新db成功+更新cache失敗 -> 不一致 (b)更新db失敗+更新cache成功 -> 不一致 ?更新db成功+淘汰緩存失敗 -> 不一致

2.緩存穿透：查詢一定不存在的數據，會穿透緩存直接壓到數據庫，從而導致緩存失去作用，如果有人利用這個漏洞，大量查詢一定不存在的數據，會對數據庫造成壓力，甚至打掛數據庫。解決方案：布隆過濾器 或者 簡單的方案，查詢不存在的key，也把空結果寫入緩存（設置較短的過期淘汰時間），從而降低命失

3.緩存雪崩：如果大量緩存在一個時刻同時失效，則請求會轉到DB，則對DB形成壓迫，導致雪崩。簡單的解決方案是為緩存失效時間添加隨機值，降低同一時間點失效淘汰緩存數，避免集體失效事件發生

但緩存是針對讀，如果寫的壓力很大，怎么辦？

高寫入：消息中間件

同理，通過跟主庫加機器，耗費的機器資源是很大的，這個就是數據庫系統的特點所決定的。

相同的資源下，數據庫系統太重太復雜，所以并發承載能力就在幾千/s的量級，所以此時你需要引入別的一些技術。

比如說消息中間件技術，也就是MQ集群，它是非常好的做寫請求異步化處理，實現削峰填谷的效果。

消息隊列能做解耦，在只需要最終一致性的場景下，很適合用來配合做流控。

假如說，每秒是1萬次寫請求，其中比如5千次請求是必須請求過來立馬寫入數據庫中的，但是另外5千次寫請求是可以允許異步化等待個幾十秒，甚至幾分鐘后才落入數據庫內的。

那么此時完全可以引入消息中間件集群，把允許異步化的每秒5千次請求寫入MQ，然后基于MQ做一個削峰填谷。比如就以平穩的1000/s的速度消費出來然后落入數據庫中即可，此時就會大幅度降低數據庫的寫入壓力。

業界有很多著名的消息中間件，比如ZeroMQ，rabbitMQ，kafka等。

消息隊列本身也跟緩存系統一樣，可以用很少的資源支撐很高的并發請求，用它來支撐部分允許異步化的高并發寫入是很合適的，比使用數據庫直接支撐那部分高并發請求要減少很多的機器使用量。

避免擠兌：流控

再強大的系統，也怕流量短事件內集中爆發，就像銀行怕擠兌一樣，所以，高并發另一個必不可少的模塊就是流控。

流控的關鍵是流控算法，有4種常見的流控算法。

1.計數器算法（固定窗口）：計數器算法是使用計數器在周期內累加訪問次數，當達到設定的限流值時，觸發限流策略，下一個周期開始時，進行清零，重新計數，實現簡單。計數器算法方式限流對于周期比較長的限流，存在很大的弊端，有嚴重的臨界問題。

2.滑動窗口算法：將時間周期分為N個小周期，分別記錄每個小周期內訪問次數，并且根據時間滑動刪除過期的小周期，當滑動窗口的格子劃分的越多，那么滑動窗口的滾動就越平滑，限流的統計就會越精確。此算法可以很好的解決固定窗口算法的臨界問題。

3.漏桶算法：訪問請求到達時直接放入漏桶，如當前容量已達到上限（限流值），則進行丟棄（觸發限流策略）。漏桶以固定的速率進行釋放訪問請求（即請求通過），直到漏桶為空。分布式環境下實施難度高。

4.令牌桶算法：程序以r（r=時間周期/限流值）的速度向令牌桶中增加令牌，直到令牌桶滿，請求到達時向令牌桶請求令牌，如獲取到令牌則通過請求，否則觸發限流策略。分布式環境下實施難度高。

高并發的實踐經驗

接入-邏輯-存儲是經典的互聯網后端分層，但隨著業務規模的提高，邏輯層的復雜度也上升了，所以，針對邏輯層的架構設計也出現很多新的技術和思路，常見的做法包括系統拆分，微服務。

除此之外，也有很多業界的優秀實踐，包括某信服務器通過協程（無侵入，已開源libco）改造，極大的提高了系統的并發度和穩定性，另外，緩存預熱，預計算，批量讀寫（減少IO），池技術等也廣泛應用在實踐中，有效的提升了系統并發能力。

為了提升并發能力，邏輯后端對請求的處理，一般會用到生產者-消費者多線程模型，即I/O線程負責網絡IO，協議編解碼，網絡字節流被解碼后產生的協議對象，會被包裝成task投入到task queue，然后worker線程會從該隊列取出task執行，有些系統會用多進程而非多線程，通過共享存儲，維護2個方向的shm queue，一個input q，一個output q，為了提高并發度，有時候會引入協程，協程是用戶線程態的多執行流，它的切換成本更低，通常有更好的調度效率。

另外，構建漏斗型業務或者系統，從客戶端請求到接入層，到邏輯層，到DB層，層層遞減，過濾掉請求，Fail Fast（盡早發現盡早過濾），嘴大屁眼小，哈哈。

漏斗型系統不僅僅是一個技術模型，它也可以是一個產品思維，配合產品的用戶分流，邏輯分離，可以構建全方位的立體模型。

關于“軟件系統中高并發的示例分析”這篇文章就分享到這里了，希望以上內容可以對大家有一定的幫助，使各位可以學到更多知識，如果覺得文章不錯，請把它分享出去讓更多的人看到。