1 分钟抗住 10 亿请求！某些 App 是怎么做到的？

会员服务 ·

1 分钟抗住 10 亿请求！某些 App 是怎么做到的？ | 原力计划

2020 年 3 月 29 日 CSDN

作者 | 阿凡博客

出品 | CSDN博客

封图 | 视觉中国

某些App怎么扛住1分钟10亿请求？

架构的演进路线

百万级并发：1秒100万次请求。

千万级并发：一分钟6亿次请求，差不多就是需求的极限。

架构的设计和架构优化要符合需求本身，不能无限制优化。

基本概念

（1）分布式（系统中，多个模块在不同服务器上部署）

（2）集群（一个软件部署在多台服务器，并作为一个整体，提供一类服务）

（3）高可用（系统中部分节点失效，其他节点能够接替它继续工作或有相应的处理预案）

（4）负载均衡（把请求均匀的发到多个节点上）

架构演进：

单机架构

DNS服务器，做域名解析的服务器，作用是，经过DNS将www.taobao.com这类的域名转换为实际IP地址，浏览器转而访问这个IP对应的tomcat。

瓶颈：用户增长，tomcat和数据库之间竞争资源，单机性能不足以支撑业务。

第一次：Tomcat和数据库分开部署（最常见架构）

Tomcat和数据库分别独占服务器资源，显著提高两者各自性能（tomcat服务器找一个内存大的，DB服务器找一个硬盘大的，带宽更宽的）。

瓶颈：用户量增长，数据库并发读写，尤其是读，成为瓶颈。

注意，不会通过数据库集群解决。

第二次演进：引入本地缓存甚至分布式缓存

在Tomcat服务器上（Java程序所在的地方）加入缓存，可以把绝大多数请求（尤其是查询）在访问数据库前拦截掉。

Redis放在Tomcat服务器上，如果不够用。

那么Redis可以自己放在一个服务器，也可以多弄几台Redis服务器，配置成主从同步（提升可用性可以加上哨兵）。

瓶颈：用户数量增长，并发压力主要在单机的tomcat上，响应逐渐变慢。

第三次演进：引入反向代理和负载均衡

使用反向代理，将大量的用户请求，均匀分发到每个Tomcat中（一般来讲，Tomcat对应100个并发，nginx对应5万个并发，具体的要看服务器性能）。

瓶颈：应用服务器可支持的并发量大大增加，缓存能力也可以轻易扩展，并发量增长意味着更多请求穿透到数据库，单机的数据库最终成为瓶颈。

第四次演进：数据库读写分离

把数据库划分为读库和写库，读库可以有多个，通过同步机制把写库的数据同步到读库，使用数据库中间件（Mycat），通过它来组织数据库的分离读写。

瓶颈：业务逐渐变多，不同业务之间的访问量差距较大，不同业务直接竞争数据库，相互影响性能。

第五次演进：数据库按业务分库

把不同的业务数据保存到不同的数据库中，业务之间的资源竞争降低，访问量大的业务可以部署更多的服务器。

瓶颈：用户数量增长，单机的写库会逐渐达到性能瓶颈。

第六次演进：把数据库的大表拆成小表

其他环节同上。

比如针对订单生成，可以按照月份，甚至小时创建表。

这种做法可以称作分布式数据库，但逻辑上仍然是一个完整的数据库整体，现在有一种架构叫MPP（大规模并行处理），针对于各种这类问题的使用场景。

瓶颈：数据库和tomcat都可以大规模水平扩展，最终单机的nginx会成为瓶颈。

第七次演进：使用LVS让多个Nginx负载均衡

LVS是软件，运行在操作系统内核态，可以对TCP请求或高层网络协议进行转发，分发的性能远高于Nginx，大概十几万。

F5是硬件，跟LVS做的事情类似，但性能更高，而且价格昂贵。

这种方式，用户可达千万或上亿级别。

瓶颈：LVS达到瓶颈，或用户分布在不同的地区，与服务器机房的距离不同，导致访问延迟的不同。

第八次演进：DNS轮询实现机房间的负载均衡

在DNS中配置一个域名对应多个IP。

每个IP地址对应到不同的机房里的虚拟IP。

做到机房级别的水平扩展，已经是从请求并发量来讲，过亿的处理方案，十几亿或几十亿的并发，暂时没人考虑。

瓶颈：检索，分析的需求越来越多，单靠数据库无法解决各种各样的需求。

第九次演进：引入NoSQL数据库和搜索引擎

数据量多到一定规模的时候，关系型数据库不再适用，而且数据量较大的查询，MySQL不一定能运行出结果，对于海量数据的处理，通过分布式文件系统HDFS来存储，对于key-value类型的数据，通过HBase、Redis等处理，对于抓取查询，可以通过ES等解决，对于多维分析，通过kylin、Druid等解决。

引入更多的组件同时必然极大的提高系统复杂度，不同的组件的数据还需要同步，需要考虑一致性问题。