金币（积分）商城架构漫谈 1

开篇

金币（积分）商城（下称“商城”）是众多App内的一个产品，随着App使用的用户越来越多，商城对于用户留存的提升，扮演着重要的角色；做为提高用户黏性的核心产品，在拥有很好用户体验的同时，也必须存在着一个高效、稳定的系统。

分库分表

商城，是一个基于虚拟货币（下称“金币”）进行运营的产品，也就意味着，我们需要给用户发放金币，用于用户兑换各种奖品。我们需要详细记录用户金币的收支情况，并提供给用户查询。在redis、memcache盛行的时代，构建一个几十万QPS的只读系统并不复杂，需要做到：无状态服务+多级缓存，并且能够进行水平扩展，应该就差不多了。而商城需要记录每秒十万的用户行为，需要的是每秒数十万（这里翻倍了）的数据读写（insert&update)操作，这种量级是无法在单实例数据上完成的，那么该如何分库分表。

分库分表原则

Tip 1 . 在做设计时，首先要明确3个事情

业务场景，不要空谈设计，场景是什么

目标，系统需要做到的目标是什么

分析上述两点，得到什么结论

那么，对于用户行为数据的场景是：1.用户A查询自己的所有金币记录（不能查别人的），2.查看商城内金币数量分布情况。对于第二个场景可以直接通过大数据进行统计分析（不进行详细解读）。对于第一个场景，系统需要做到的目标是：用户A只进行一次查询，就可以得到所有数据（不考虑分页场景）。分析上述两点，得到结论：按用户id进行分库分表。（分析过程有些磨叽了，哈哈，忍着）
原则明确后，能够开始进行分库分表吗？不能。需要进一步确认，如何分？分多少？扩容成本？对于数据库扩容，我们选择以2的N次幂进行扩容，这种方式的好处是，进行扩容时，只需要将数据copy一份就可以，上层应用增加数据库节点，无需考虑数据迁移问题（可靠性高），不好的地方是，会产生脏数据，这个问题并没太多影响，按照扩容后规则，删除即可。对于分表，我们将金币记录在每个库中拆成5份。

Tip 2 .为什么要进行分库分表

服务器资源（cpu、磁盘、内存、IO）遇到瓶颈

数据量变大，数据操作（crud）开销变大

部署图如下：

算法

数据编号=uid%4，表编号=uid%5

算法流程图如下：

目前业内对分库实现方案有两种

客户端分库分表，在客户端完成分库分表操作，直接链接数据库。
中间件（例如：cobar），客户端链接中间件，由中间件完成分库分表操作。

这两种方案各有利弊，客户端分库分表由于直连数据库，所以性能比使用中间件要高。而使用中间件，能够很好的将分库分表操作与客户端隔离，数据调整对上层透明，便于统一管理。

订单id生成策略

为什么要关注id生成策略？全局唯一，全局有序，业务隔离，不容易被猜到等等，这些都不是关键。重点讨论下，如何让看似无意义的id，对系统后续扩展带来意义。

Java领域著名的唯一id应该算是uuid了，不过uuid太长，而且包含字母，不适合做为订单id。通过调研，我们借鉴了Twitter的Snowflake算法来实现，算法思想是在64位长整型数字中，存储node编号，并且有序，同时支持并发。

为了便于订单数据后期扩展，我们有必要在订单id生成时，就将其做好分库分表准备（虽然目前订单量不多）

其中serverid，占2位，最大支持2^2台服务器（0-3），dbid占6位，最大支持2^6个数据库，其他以此类推。

最终一致性

订单数据除了用户维度查询外，还有通过商品维度来查询的场景，例如：按照商品，进行订单发货。为了解决这个问题，我们对应的策略是，将订单数据进行冗余，并按照商品维度进行存储。方案虽然简单，但是保持两个订单库数据的一致性是一件很麻烦的事情。

显然单机数据库事务是无法解决的（数据不在同一个数据库中），所以要保证数据一致性，需要引入强一致性的分布式事务，这个方案先不谈实现成本问题，就凭其超低的效率，这是我们无法接收的。所以引入异步数据同步，来实现数据的最终一致性。当然，异步同步数据也会带来数据不一致（消息总线丢消息，嘿嘿），所以我们又引入了实时监控服务，实时计算数据差异，并进行一致性同步。

流程图如下：

Tip 3 . 类似这种存在多个纬度的数据存储问题，都可以采用这种方案来解决

数据库高可用

这是个经典的议题了，我们在这个方案上，并无创新，用几张图来简单说明下。

Hold住流量

如何让商城在大流量下存活？这是一个类似抢购或者秒杀场景如何应对的问题，对于这个问题在@沈剑的《秒杀系统优化思路》中已经写的很清晰了，那么，我再补充一下。

中心思路路仍然是”逐层消耗流量“，应用层面对大流量情况下，很有可能自身难保，还没来得及拦截流量，自身就已经OOM了。那么该如何优化这个方案？见下图：

在ngx层进行优化，有两个方案：

达到应用层最大处理能力时，Hold住流量，让请求排队，逐步施放流量到应用层。
达到应用层最大处理能力时，抛弃多余流量。

我们采用的第二个方案。视频课程

==【完】==