應對「高并發」的思路
本文轉載自微信公眾號「跨界架構師」，作者Zachary。轉載本文請聯系跨界架構師公眾號。
大家好，我是Z哥。
最近正好在編寫一套新的面試題，其中有一道是與高并發相關的。出題的目的是想了解一下候選人面對大流量場景下的優化思路。在出這道題的過程中，我自己也梳理了一下自己對這個問題的思路。
然后之所以想在這里分享出來，是因為這是我這些年經過實戰所得出的躺著“血汗”的經驗，所以我覺得這可能對很多讀者都有所幫助。
不過丑話說在前面，我的思路并不是完美的，畢竟條條大路通羅馬，解決「高并發」的思路也有很多種。所以歡迎大家在評論區分享你的看法。
/01 高并發的定義/
首先，高并發的定義是什么?
高并發意味著大流量，需要運用技術手段抵抗流量的沖擊。這些手段的效果好比你可以操縱流量，讓流量可以乖乖地按照你的期望、更平穩地被系統所處理，帶給用戶更好的體驗。對，就和大禹治水那樣。
我想，幾乎每個程序員心里都有過一個疑問，達到多少QPS或者TPS才算是高并發?
其實，這個問題無法單純地通過一個統一標準的數字來判斷。因為不同的業務所對應的復雜度不同，不能一概而論。
我自己用的評判標準是，當一個運行正常的系統在沒有刻意優化性能的情況下，出現了性能問題，說明他開始進入到高并發的范圍了。
對，就是這么簡單粗暴，沒有具體的數字。
但是在高并發是常態的場景中，一般都會有一個監控系統，會持續觀察至少以下這幾個指標是否正常。
- TPS。每秒事務處理量，這里的事務是指一個客戶機向服務器發送請求然后服務器做出反應的過程。(以客戶端為視角)
- QPS。每秒查詢率，可以通過并發量 / 平均響應時間計算得出。(以服務端為視角，一個TPS可能會對應多個QPS)
- 并發用戶數。系統可以同時承載的正常使用系統功能的用戶的數量。
- 響應時間。很多時候也叫RT，是指系統對請求作出響應的時間。
- 帶寬。如果是一個數據傳輸量比較大的業務，還需要考慮帶寬問題，比如視頻、音頻類應用程序。
如果你連這些指標的含義都不是很清楚，那就多讀幾遍，先搞清楚它們，否則你的高并發是閉著眼睛在做。
/02 應對高并發的思路/
很多缺乏經驗的小伙伴，遇到高并發問題，不管三七二十一，上來就懟緩存。
用緩存是沒錯的，但是緩存也不是靈丹妙藥，在哪里都適合。畢竟，緩存是「有狀態」的，在軟件開發中，處理「有狀態」的東西總是比「無狀態」的麻煩得多，因為存在數據一致性的問題需要考慮。
我建議你按照以下三個步驟來考慮這個問題。
01 梳理請求流轉鏈路
梳理好了請求流轉的鏈路，就好比你手里有了一張“作戰地圖”，你可以更加直觀、準確地進行排兵布陣。
畢竟軟件開發本身就是一個工程的問題，我們不能憑感覺，拍腦袋去做事。解決高并發問題自然也不例外。
02 確定目標
有一句話說得好，“沒有最好，只有更好”。如果不先確定目標，這件事將會變成對性能無止境地追求。而過度的高性能，不但不會產生額外的收益，反而是對投入成本的浪費，畢竟資源是有代價的，而且是有限的。
我建議你將具體的數值目標細化到每一個 API 上。比如我一般會先確定整個業務線的 TPS 要達到多少。例如，下單的 TPS 要達到100。
接下來，我會根據前面梳理好的鏈路圖，得到其中會涉及到哪些 Service ，哪些 API ，有哪些 API 還會被不同的 Service 多次調用的。
然后會根據鏈路中 API 被調用的先后順序(一般越上游的 API 定的數值要適當放大)以及會被重復調用的次數，得到每個 API 的 QPS 目標。比如，
- 獲取購物車列表，存在兩次調用，QPS = 200。
- 批量獲取商品庫存，存在三次調用，QPS = 300。
- 獲取會員信息，存在一次調用，QPS = 100。
- ……
照著這個思路，把所有業務線中會涉及到的 API 的 QPS 都確定好，然后將相同 API 的 QPS 數值相加，就能得到在整個系統層面每個 API 的理想 QPS 數值(相當于是在各條業務線都達到預估峰值的情況下)。比如，
- 獲取購物車列表，出現在三個業務線，QPS = 200 + 500 + 100 = 800。
- 批量獲取商品庫存，出現在兩個業務線，QPS = 300 + 200 = 500。
- 獲取會員信息，出現在兩個業務線，QPS = 100 + 200 = 300。
- ……
當然了，實際制定的目標除了 QPS 以外，還有其它指標，上面只是舉個例子。
另外，需要額外注意的是，要關注 TP90、TP99 的「響應時間」。因為就算平均響應時間達標了，也不代表整個系統很穩定。因為可能存在80%的請求響應速度特別快，把平均值拉低了，但是同時還存在大量的耗時特別嚴重的請求。我慣用的經驗是，如果TP99超過了平均值的一倍，就需要引起重視了，因為這意味著某個地方存在著明顯的性能瓶頸。
03 制定具體的優化方案
其實具體的優化方案有很多種，要根據實際的情況來選擇。不過具體怎么選擇，還是需要你有全局視野。因為整個系統是一體的，通過相互配合形成合力，可以大大降低優化的難度。比如，選擇某個優化方案后，上游的 API 能扛掉90%的流量不往下游請求，那么下游 API 的 QPS 目標也可以適當降低了。
以下就是我綜合復雜度和成本所排列的具體方案，從簡單到復雜。
- 先在代碼層面做優化，比如代碼性能，多線程，請求合并，池化(連接池、線程池、對象池等等)。
- 能升級硬件的就升級硬件。
- 能用緩存解決的堅決不做系統拆分。并且，緩存盡可能做到上游。比如， cdn >頁面> api > service 。
- 如果在數據處理上產生瓶頸，那么優先考慮業務上是否接受異步，如果接受，那么用 MQ 來削峰填谷?；蛘呦蘖鹘导?。
- 如果 MQ 也不頂用，是整體吞吐量上的瓶頸的話，只要不是寫數據的瓶頸，盡量通過程序拆分而不是數據庫拆分來解決問題。(此時需要引入服務治理，另外，會存在一致性問題，數據合并問題要解決)
- 非得動到數據層面的話，優先考慮數據庫讀寫分離，而不是直接拆分數據。
- 實在迫不得已需要拆分數據，優先考慮根據業務垂直拆分，而不是水平拆分。(水平拆分的數據合并代價會比垂直拆分更大)
- 最后才是數據庫水平拆分，支持無限擴容，一勞永逸。
你看，雖然方案有很多，但是你也能觀察到一些規律：越在上游解決問題，成本越低。所以，以漏斗思維來做全局的考慮是最適合不過的。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，哪怕是出現異常也要 Fail Fast(要失敗也要盡早返回)。
/03 落地/
真正落地的時候，涉及到的具體技術細節就多了，負載均衡啊、緩存啊、消息隊列啊、分庫分表啊等等。我這里就不展開了，每一點展開都要寫好多。有興趣的小伙伴可以移步我之前寫的分布式系統系列文章——《8個月打磨，一份送給程序員的「分布式系統」合集》
其實，真正要把高并發當作一個系統化的事情來看待，視野不能僅僅局限在「性能」這一個維度上，還至少需要考慮「可用性」和「擴展性」這兩個方面。
可用性就是系統可以正常服務的時間。一個雖然訪問速度沒那么快，但是全年不停機、無故障;另一個雖然訪問速度很快，但是隔三差五出現上事故、宕機，用戶肯定選擇前者。
擴展性表示系統的快速擴展能力，當遇到突發的大流量沖擊時，能否在短時間內完成擴容，以承接這部分流量。比如，雙11活動、明星熱搜等場景。畢竟，我們不可能準確地預測未來的流量一定在什么范圍內，也更加不可能隨時為它準備著大量冗余的資源。
所以，這三個目標是需要通盤考慮的，因為它們互相關聯、甚至相互影響。
比如，當你考慮系統擴展能力的時候，你會將服務設計成無狀態的，這種設計其實不但提高了可擴展性，其實也間接提升了系統的性能和可用性，因為你可以隨時橫向擴展。
再比如，為了提高可用性，通常會對服務接口進行超時設置，以防大量線程阻塞在慢請求上造成系統雪崩。具體超時時間的設置成多少，參考的就是 API 的性能表現。
好了，總結一下。
這篇呢Z哥和你分享了我對高并發問題的處理思路。
按照以下三個步驟進行。
梳理請求流轉鏈路
確定目標
制定具體的優化方案
其中的第2和3點在文中給了很多實操細節，這里就不一一羅列了。
希望對你有所幫助。
業務都是從0到1做起來的，在業務量逐漸變成原來的10倍、100倍的過程中，你是否用到了高并發的處理思路去演進你的系統，從架構設計、編碼實現、甚至產品方案等維度去預防和解決高并發的問題?
