一、的背景引入

?這篇文章，我們聊聊大量同學(xué)問我的一個問題，面試的時候被問到一個讓人特別手足無措的問題：你的系統(tǒng)如何支撐高并發(fā)？

大多數(shù)同學(xué)被問到這個問題壓根兒沒什么思路去回答，不知道從什么地方說起，其實本質(zhì)就是沒經(jīng)歷過一些真正有高并發(fā)系統(tǒng)的錘煉罷了。

因為沒有過相關(guān)的項目經(jīng)歷，所以就沒法從真實的自身體會和經(jīng)驗中提煉出一套回答，然后系統(tǒng)的闡述出來自己復(fù)雜過的系統(tǒng)如何支撐高并發(fā)的。

所以，這篇文章就從這個角度切入來簡單說說這個問題，用一個最簡單的思路來回答，大致如何應(yīng)對。

當(dāng)然這里首先說清楚一個前提：高并發(fā)系統(tǒng)各不相同。比如每秒百萬并發(fā)的中間件系統(tǒng)、每日百億請求的網(wǎng)關(guān)系統(tǒng)、瞬時每秒幾十萬請求的秒殺大促系統(tǒng)。

他們在應(yīng)對高并發(fā)的時候，因為系統(tǒng)各自?自身特點的不同，所以應(yīng)對架構(gòu)都是不一樣的。

另外，比如電商平臺中的訂單系統(tǒng)、商品系統(tǒng)、庫存系統(tǒng)，在高并發(fā)場景下的架構(gòu)設(shè)計也是不同的，因為背后的業(yè)務(wù)場景什么的都不一樣。

所以，這篇文章主要是給大家提供一個回答這類問題的思路，不涉及任何復(fù)雜架構(gòu)設(shè)計，讓你不至于在面試中被問到這個問題時，跟面試官大眼瞪小眼。

具體要真能在面試的時候回答好這個問題，建議各位參考一下本文思路，然后對你自己手頭負責(zé)的系統(tǒng)多去思考一下，最好做一些相關(guān)的架構(gòu)實踐。

二、先考慮一個最簡單的系統(tǒng)架構(gòu)

假設(shè)剛剛開始你的系統(tǒng)就部署在一臺機器上，背后就連接了一臺數(shù)據(jù)庫，數(shù)據(jù)庫部署在一臺服務(wù)器上。

我們甚至可以再現(xiàn)實點，給個例子，你的系統(tǒng)部署的機器是4核8G，數(shù)據(jù)庫服務(wù)器是16核32G。

此時假設(shè)你的系統(tǒng)用戶量總共就10萬，用戶量很少，日活用戶按照不同系統(tǒng)的場景有區(qū)別，我們?nèi)∫粋€較為客觀的比例，10%吧，每天活躍的用戶就1萬。

按照28法則，每天高峰期算他4個小時，高峰期活躍的用戶占比達到80%，就是8000人活躍在4小時內(nèi)。

然后每個人對你的系統(tǒng)發(fā)起的請求，我們算他每天是20次吧。那么高峰期8000人發(fā)起的請求也才16萬次，平均到4小時內(nèi)的每秒（14400秒），每秒也就10次請求。

好吧！完全跟高并發(fā)搭不上邊，對不對？

然后系統(tǒng)層面每秒是10次請求，對數(shù)據(jù)庫的調(diào)用每次請求都會好幾次數(shù)據(jù)庫操作的，比如做做crud之類的。

那么我們?nèi)∫粋€一次請求對應(yīng)3次數(shù)據(jù)庫請求吧，那這樣的話，數(shù)據(jù)庫層每秒也就30次請求，對不對？

按照這臺數(shù)據(jù)庫服務(wù)器的配置，支撐是絕對沒問題的。

上述描述的系統(tǒng)，用一張圖表示，就是下面這樣：

三、系統(tǒng)集群化部署

假設(shè)此時你的用戶數(shù)開始快速增長，比如注冊用戶量增長了50倍，上升到了500萬。

此時日活用戶是50萬，高峰期對系統(tǒng)每秒請求是500/s。然后對數(shù)據(jù)庫的每秒請求數(shù)量是1500/s，這個時候會怎么樣呢？

按照上述的機器配置來說，如果你的系統(tǒng)內(nèi)處理的是較為復(fù)雜的一些業(yè)務(wù)邏輯，是那種重業(yè)務(wù)邏輯的系統(tǒng)的話，是比較耗費CPU的。

此時，4核8G的機器每秒請求達到500/s的時候，很可能你會發(fā)現(xiàn)你的機器CPU負載較高了。

然后數(shù)據(jù)庫層面，以上述的配置而言，其實基本上1500/s的高峰請求壓力的話，還算可以接受。

這個主要是要觀察數(shù)據(jù)庫所在機器的磁盤負載、網(wǎng)絡(luò)負載、CPU負載、內(nèi)存負載，按照我們的線上經(jīng)驗而言，那個配置的數(shù)據(jù)庫在1500/s請求壓力下是沒?問題的。

所以此時你需要做的一個事情，首先就是要支持你的系統(tǒng)集群化部署。

你可以在前面掛一個負載均衡層，把請求均勻打到系統(tǒng)層面，讓系統(tǒng)可以用多臺機器集群化支撐更高的并發(fā)壓力。

比如說這里假設(shè)給系統(tǒng)增加部署一臺機器，那么每臺機器就只有250/s的請求了。

這樣一來，兩臺機器的CPU負載都會明顯降低，這個初步的“高并發(fā)”不就先cover住了嗎？

要是連這個都不做，那單臺機器負載越來越高的時候，極端情況下是可能出現(xiàn)機器上部署的系統(tǒng)無法有足夠的資源響應(yīng)請求了，然后出現(xiàn)請求卡死，甚至系統(tǒng)宕機之類的問題。

所以，簡單小結(jié)，第一步要做的：

0. 添加負載均衡層，將請求均勻打到系統(tǒng)層。
1. 系統(tǒng)層采用集群化部署多臺機器，扛住初步的并發(fā)壓力。?

此時的架構(gòu)圖變成下面的樣子：

四、數(shù)據(jù)庫分庫分表 + 讀寫分離

?假設(shè)此時用戶量繼續(xù)增長，達到了1000萬注冊用戶，然后每天日活用戶是100萬。

那么此時對系統(tǒng)層面的請求量會達到每秒1000/s，系統(tǒng)層面，你可以繼續(xù)通過集群化的方式來擴容，反正前面的負載均衡層會均勻分散流量過去的。

但是，這時數(shù)據(jù)庫層面接受的請求量會達到3000/s，這個就有點問題了。

此時數(shù)據(jù)庫層面的并發(fā)請求翻了一倍，你一定會發(fā)現(xiàn)線上的數(shù)據(jù)庫負載越來越高。

每次到了高峰期，磁盤IO、網(wǎng)絡(luò)IO、內(nèi)存消耗、CPU負載的壓力都會很高，大家很擔(dān)心數(shù)據(jù)庫服務(wù)器能否抗住。

沒錯，一般來說，對那種普通配置的線上數(shù)據(jù)庫，建議就是讀寫并發(fā)加起來，按照上述我們舉例的那個配置，不要超過3000/s。

因為數(shù)據(jù)庫壓力過大，首先一個問題就是高峰期系統(tǒng)性能可能會降低，因為數(shù)據(jù)庫負載過高對性能會有影響。?

另外一個，壓力過大把你的數(shù)據(jù)庫給搞掛了怎么辦？

所以此時你必須得對系統(tǒng)做分庫分表 + 讀寫分離，也就是把一個庫拆分為多個庫，部署在多個數(shù)據(jù)庫服務(wù)上，這是作為主庫承載寫入請求的。

然后每個主庫都掛載至少一個從庫，由從庫來承載讀請求。

此時假設(shè)對數(shù)據(jù)庫層面的讀寫并發(fā)是3000/s，其中寫并發(fā)占到了1000/s，讀并發(fā)占到了2000/s。

那么一旦分庫分表之后，采用兩臺數(shù)據(jù)庫服務(wù)器上部署主庫來支撐寫請求，每臺服務(wù)器承載的寫并發(fā)就是500/s。每臺主庫掛載一個服務(wù)器部署從庫，那么2個從庫每個從庫支撐的讀并發(fā)就是1000/s。

簡單總結(jié)，并發(fā)量繼續(xù)增長時，我們就需要focus在數(shù)據(jù)庫層面：分庫分表、讀寫分離。

此時的架構(gòu)圖如下所示：

五、緩存集群引入

?接著就好辦了，如果你的注冊用戶量越來越大，此時你可以不停的加機器，比如說系統(tǒng)層面不停加機器，就可以承載更高的并發(fā)請求。

然后數(shù)據(jù)庫層面如果寫入并發(fā)越來越高，就擴容加數(shù)據(jù)庫服務(wù)器，通過分庫分表是可以支持?jǐn)U容機器的，如果數(shù)據(jù)庫層面的讀并發(fā)越來越高，就擴容加更多的從庫。

但是這里有一個很大的問題：數(shù)據(jù)庫其實本身不是用來承載高并發(fā)請求的，所以通常來說，數(shù)據(jù)庫單機每秒承載的并發(fā)就在幾千的數(shù)量級，而且數(shù)據(jù)庫使用的機器都是比較高配置，比較昂貴的機器，成本很高。

如果你就是簡單的不停的加機器，其實是不對的。

所以在高并發(fā)架構(gòu)里通常都有緩存這個環(huán)節(jié)，緩存系統(tǒng)的設(shè)計就是為了承載高并發(fā)而生。

所以單機承載的并發(fā)量都在每秒幾萬，甚至每秒數(shù)十萬，對高并發(fā)的承載能力比數(shù)據(jù)庫系統(tǒng)要高出一到兩個數(shù)量級。

所以你完全可以根據(jù)系統(tǒng)的業(yè)務(wù)特性，對那種寫少讀多的請求，引入緩存集群。?

具體來說，就是在寫數(shù)據(jù)庫的時候同時寫一份數(shù)據(jù)到緩存集群里，然后用緩存集群來承載大部分的讀請求。

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(fā)。

比如說上面那個圖里，讀請求目前是每秒2000/s，兩個從庫各自抗了1000/s讀請求，但是其中可能每秒1800次的讀請求都是可以直接讀緩存里的不怎么變化的數(shù)據(jù)的。

那么此時你一旦引入緩存集群，就可以抗下來這1800/s讀請求，落到數(shù)據(jù)庫層面的讀請求就200/s。

同樣，給大家來一張架構(gòu)圖，一起來感受一下：

按照上述架構(gòu)，他的好處是什么呢？

可能未來你的系統(tǒng)讀請求每秒都幾萬次了，但是可能80%~90%都是通過緩存集群來讀的，而緩存集群里的機器可能單機每秒都可以支撐幾萬讀請求，所以耗費機器資源很少，可能就兩三臺機器就夠了。

你要是換成是數(shù)據(jù)庫來試一下，可能就要不停的加從庫到10臺、20臺機器才能抗住每秒幾萬的讀并發(fā)，那個成本是極高的。

好了，我們再來簡單小結(jié)，承載高并發(fā)需要考慮的第三個點：

• 不要盲目進行數(shù)據(jù)庫擴容，數(shù)據(jù)庫服務(wù)器成本昂貴，且本身就不是用來承載高并發(fā)的
• 針對寫少讀多的請求，引入緩存集群，用緩存集群抗住大量的讀請求

六、引入消息中間件集群

接著再來看看數(shù)據(jù)庫寫這塊的壓力，其實是跟讀類似的。

假如說你所有寫請求全部都落地數(shù)據(jù)庫的主庫層，當(dāng)然是沒問題的，但是寫壓力要是越來越大了呢？

比如每秒要寫幾萬條數(shù)據(jù)，此時難道也是不停的給主庫加機器嗎？

可以當(dāng)然也可以，但是同理，你耗費的機器資源是很大的，這個就是數(shù)據(jù)庫系統(tǒng)的特點所決定的。

相同的資源下，數(shù)據(jù)庫系統(tǒng)太重太復(fù)雜，所以并發(fā)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(shù)。

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

假如說，你現(xiàn)在每秒是1000/s次寫請求，其中比如500次請求是必須請求過來立馬寫入數(shù)據(jù)庫中的，但是另外500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(shù)據(jù)庫內(nèi)的。

那么此時你完全可以引入消息中間件集群，把允許異步化的每秒500次請求寫入MQ，然后基于MQ做一個削峰填谷。比如就以平穩(wěn)的100/s的速度消費出來然后落入數(shù)據(jù)庫中即可，此時就會大幅度降低數(shù)據(jù)庫的寫入壓力。

ps：關(guān)于MQ削峰填谷的概念，在公眾號之前講消息中間件的文章中已詳細闡述，如果大伙兒忘記了，可以回顧一下。

此時，架構(gòu)圖變成了下面這樣：

大家看上面的架構(gòu)圖，首先消息中間件系統(tǒng)本身也是為高并發(fā)而生，所以通常單機都是支撐幾萬甚至十萬級的并發(fā)請求的。

所以，他本身也跟緩存系統(tǒng)一樣，可以用很少的資源支撐很高的并發(fā)請求，用他來支撐部分允許異步化的高并發(fā)寫入是沒問題的，比使用數(shù)據(jù)庫直接支撐那部分高并發(fā)請求要減少很多的機器使用量。

而且經(jīng)過消息中間件的削峰填谷之后，比如就用穩(wěn)定的100/s的速度寫數(shù)據(jù)庫，那么數(shù)據(jù)庫層面接收的寫請求壓力，不就成了500/s + 100/s = 600/s了么？

大家看看，是不是發(fā)現(xiàn)減輕了數(shù)據(jù)庫的壓力？

到目前為止，通過下面的手段，我們已經(jīng)可以讓系統(tǒng)架構(gòu)盡可能用最小的機器資源抗住了最大的請求壓力，減輕了數(shù)據(jù)庫的負擔(dān)。

• 系統(tǒng)集群化
• 數(shù)據(jù)庫層面的分庫分表+讀寫分離
• 針對讀多寫少的請求，引入緩存集群
• 針對高寫入的壓力，引入消息中間件集群，

初步來說，簡單的一個高并發(fā)系統(tǒng)的闡述是說完了。

但是，其實故事到這里還遠遠沒有結(jié)束。

七、現(xiàn)在能hold住高并發(fā)面試題了嗎？

看完了這篇文章，你覺得自己能回答好面試?yán)锏母卟l(fā)問題了嗎？

很遺憾，答案是不能。而且我覺得單單憑借幾篇文章是絕對不可能真的讓你完全回答好這個問題的，這里有很多原因在里面。

首先，高并發(fā)這個話題本身是非常復(fù)雜的，遠遠不是一些文章可以說的清楚的，他的本質(zhì)就在于，真實的支撐復(fù)雜業(yè)務(wù)場景的高并發(fā)系統(tǒng)架構(gòu)其實是非常復(fù)雜的。

比如說每秒百萬并發(fā)的中間件系統(tǒng)、每日百億請求的網(wǎng)關(guān)系統(tǒng)、瞬時每秒幾十萬請求的秒殺大促系統(tǒng)、支撐幾億用戶的大規(guī)模高并發(fā)電商平臺架構(gòu)，等等。

為了支撐高并發(fā)請求，在系統(tǒng)架構(gòu)的設(shè)計時，會結(jié)合具體的業(yè)務(wù)場景和特點，設(shè)計出各種復(fù)雜的架構(gòu)，這需要大量底層技術(shù)支撐，需要精妙的架構(gòu)和機制設(shè)計的能力。

最終，各種復(fù)雜系統(tǒng)呈現(xiàn)出來的架構(gòu)復(fù)雜度會遠遠超出大部分沒接觸過的同學(xué)的想象。

但是那么復(fù)雜的系統(tǒng)架構(gòu)，通過一些文章是很難說的清楚里面的各種細節(jié)以及落地生產(chǎn)的過程的。

其次，高并發(fā)這話題本身包含的內(nèi)容也遠遠不止本文說的這么幾個topic：分庫分表、緩存、消息。

一個完整而復(fù)雜的高并發(fā)系統(tǒng)架構(gòu)中，一定會包含各種復(fù)雜的自研基礎(chǔ)架構(gòu)系統(tǒng)、各種精妙的架構(gòu)設(shè)計（比如熱點緩存架構(gòu)設(shè)計、多優(yōu)先級高吞吐MQ架構(gòu)設(shè)計、系統(tǒng)全鏈路并發(fā)性能優(yōu)化設(shè)計，等等）、還有各種復(fù)雜系統(tǒng)組合而成的高并發(fā)架構(gòu)整體技術(shù)方案、還有NoSQL（Elasticsearch等）/負載均衡/Web服務(wù)器等相關(guān)技術(shù)。

所以大家切記要對技術(shù)保持敬畏之心，這些東西都很難通過一些文章來表述清楚。

最后，真正在生產(chǎn)落地的時候，高并發(fā)場景下你的系統(tǒng)會出現(xiàn)大量的技術(shù)問題。

比如說消息中間件吞吐量上不去需要優(yōu)化、磁盤寫壓力過大性能太差、內(nèi)存消耗過大容易撐爆、分庫分表中間件不知道為什么丟了數(shù)據(jù)，等等吧。

諸如此類的問題非常多，這些也不可能通過文章給全部說清楚。

八、本文能帶給你什么啟發(fā)？

其實本文的定位，就是對高并發(fā)這個面試topic做一個掃盲，因為我發(fā)現(xiàn)大部分來問我這個問題的同學(xué)，連本文闡述的最最基本的高并發(fā)架構(gòu)演進思路可能都沒理解。

當(dāng)然，也是因為畢竟沒真的做過高并發(fā)系統(tǒng)，沒相關(guān)經(jīng)驗，確實很難理解好這個問題。

所以本文就是讓很多沒接觸過的同學(xué)有一個初步的感知，這個高并發(fā)到底是怎么回事兒，到底對系統(tǒng)哪里有壓力，要在系統(tǒng)架構(gòu)里引入什么東西，才可以比較好的支撐住較高的并發(fā)壓力。

而且你可以順著本文的思路繼續(xù)思考下去，結(jié)合你自己熟悉和知道的一些技術(shù)繼續(xù)思考。

比如說，你熟悉Elasticsearch技術(shù)，那么你就可以思考，唉？在高并發(fā)的架構(gòu)之下，是不是可以通過分布式架構(gòu)的ES技術(shù)支撐高并發(fā)的搜索？

上面所說，權(quán)當(dāng)拋磚引玉。大家自己平時一定要多思考，自己多畫圖，盤點盤點自己手頭系統(tǒng)的請求壓力。計算一下分散到各個中間件層面的請求壓力，到底應(yīng)該如何利用最少的機器資源最好的支撐更高的并發(fā)請求。

這才是一個好的高并發(fā)架構(gòu)設(shè)計思路。

如果起到這個效果，本文就成功了。剩下的，還是建議各位同學(xué)，對高并發(fā)這個話題，結(jié)合自己手頭負責(zé)的系統(tǒng)多做思考。

比如當(dāng)前業(yè)務(wù)場景下，你的系統(tǒng)有多大的請求壓力？如果請求壓力增長10倍你的架構(gòu)如何支撐？如果請求壓力增長100倍，你的架構(gòu)如何支撐？如果請求壓力增長1000倍，你的架構(gòu)如何支撐？

平時一定多給自己設(shè)置一些技術(shù)挑戰(zhàn)，敦促自己去思考自己的系統(tǒng)，最好多做寫架構(gòu)上的演練、落地和實踐，自己實際操作一下，才有更好的感知。

然后在面試的時候，起碼自己做過一定深度的思考，結(jié)合自己負責(zé)的系統(tǒng)做過一些實踐，可以跟面試官有一個較為清晰和系統(tǒng)的闡述。

雖然大部分同學(xué)可能沒機會經(jīng)歷那種真正大規(guī)模超高并發(fā)的系統(tǒng)架構(gòu)的設(shè)計，但是本文如果能讓大家平時對自己的項目多一些思考。在面試的時候，有一些系統(tǒng)性的思路和闡述，那么也就達到本文的目的了。