《亿级流量网站架构核心技术》读后感

大流量缓冲

在电商大促时，系统流量会高于正常流量的几倍甚至几十倍，解决方式之一，是牺牲强一致性，保证最终一致性，如：直接在Redis中扣减，然后几率下扣减日志，然后通过worker同步到DB。

在使用了消息异步机制的场景下，可能存在消息的丢失，需要考虑进行数据校对和修正来保证数据的一致性和完整性。可以通过worker定期去扫描原始表，通过对业务数据进行校对，有问题的要进行补偿，扫描周期根据实际场景进行定义。

业务涉及原则

防重设计：比如，结算页考虑重复提交，还有下单扣减库存是需房子重复扣减库存。

解决方案可以考虑防重key、防重表。因为有的电商同事支持微信、支付宝支付，因为渠道不一样，是无法防止重复支付的。可以在系统设计时，将支付的每笔情况记录，然后退款。

幂等性设计：现有消息中间件基本不保证发生重复消息的消费。因此需要业务系统在消费时进行幂等处理。还有在第三方支付时，第三方支付会进行一步回调，也要考虑好回调的幂等处理。

等等其他。

对于读热点比这一般用多级缓存搞定。对于写热点我们一般通过缓存+队列模式削峰。

缓存的目的是提高系统访问速度和增大系统处理能力，是抗高并发流量的银弹。而降级是当服务出现问题或者影响到核心流程的性能，需要暂时屏蔽掉，带高峰过去或者问题解决后再打开的场景。有些场景如稀缺资源（秒杀、抢购）写服务（；评论、下单）、频繁的复杂查询（评论的最后几页）等。因此需要限流手段，限制这种场景下的并发/请求量。

限流算法有：令牌同、漏桶、计数器。

如果应用不设置超时，可能会导致请求响应慢，甚至造成应用雪崩。读服务适合重试，但写服务大多不能重试（如写订单，如果写服务是幂等性的，则允许重试）次数太多。

多级缓存

指在整个系统框架的不同系统层级进行数据缓存，以提升访问效率。

大value缓存，尤其是使用Redis（单线程）时。遇到这种情况可以考虑使用多线程实现的缓存memcached,来缓存大value；或者对value进行压缩；或者将value拆分为多个小value。客户端在进行查询、聚合。

线程池的目的类似与数据库连接池，通过减少频繁创建和销毁线程来降低性能损耗。

每个线程都需要一个内存栈，用于存储如局部变量、操作栈等信息，可以通过-Xss参数来调整每个线程大小（64位系统默认1024KB）。线程池一般配合队列一起工作，使用线程池可以限制并发处理的线程数。然后设置队列的大小，当任务超过队列大小时，通过一定的拒绝策略来处理，可保护系统免受大流量而导致崩溃。

异步并发实战

在java中Tomcat给每一个请求分配一个线程，并一直占阻塞用次线程，直到返回数据。

我们希望在调用依赖的服务响应比较慢时，应该让出线程和cpu来处理下一个请求，当依赖的服务器返回后在分配相应的线程继续处理。解决方案:异步/协程。