引言

当后端服务并发高到一定程度时非常考验软件架构设计，除了尽可能提升单机性能外，拥有强大的可伸缩性（Scalability）至关重要。如何提升软件系统的Scalability呢？

最简单的思路是水平扩展：1个撑不住就来10个，10个撑不住就来100个，100个不行就1000个。

这个思路看似没什么问题，然而真正实现起来却很难，我们再深入探究下去。

从有状态组件的剥离谈起

水平扩展的难点在于有状态的服务是很难水平扩展的，而整个系统的瓶颈往往会出现在有状态的组件上，比如数据库和缓存服务。

因此对于整个后端分布式系统，要实现水平扩展能力，首先要把有状态的组件拆分出来或者添加代理原入口的路由层，这样水平扩展出来的N个实例之间才具有可替代性。

以典型的状态数据：登录Session为例。如果把Session简单存储在服务端内存中，连水平扩展成两个实例都做不到，可以用下面这几个办法来解决：

  • 把Session从内存移到Redis缓存中，可以让服务端自身变成无状态的，但Session这个“状态”其实转移到Redis中了，如果并发高到一定程度还是要解决Redis的瓶颈；
  • 把Session干掉，客户端登录后换取无状态但有过期时间的令牌，令牌拿到任何一个实例中都可以验证，常见的实现有JWT，确切的说是JWT中的JSON Web Signature (JWS)；
  • 如果采用了方法1，要缓解Redis可能的瓶颈，更进一步的办法是对用户的Session数据进行人为或自动的拆分，或者说分片（Sharding），比如下面两种做法：
    • 人为拆分数据：找某个用户数据的属性来人为分片，以省份为例，不同省份的用户登录进入不同省的服务器，这样并发就少了一个数量级。但是这又带来了新的问题，跨省查询就麻烦了，而且有的省人多有的省人少，存在资源利用不均的负载均衡问题；
    • 自动拆分数据：可以用Redis Cluster，而不是用传统的主从加哨兵模式，Redis Cluster总共16384个Key的槽位，会分配到N组Redis Master中，存取数据时根据Key的CRC16值自动计算所落槽位，以此判断谁来处理客户端请求。这样一方面对数据做了分片，另一方面更多的Redis实例能支撑更多的客户端连接。如果新增或去除一组Redis Master/Slave，通过简单的运维操作，可以自动进行槽位的重新分配和数据迁移，这种动态的拆分数据的方法比上面人工的Sharding看上去更好一些，但仍然可能存在热点Key问题。总的来说瓶颈进一步被缓解了，能够支持服务端进一步水平扩展。

通过这个实际例子，可以发现仅仅是Session这样一个看似简单的问题，还没有涉及更难解决的瓶颈（比如实时通信层的有状态连接管理，存储层的分布式数据库等等），就足以掣肘整个系统的可伸缩性。

可伸缩性的三个维度

回到理论层面，如何才能做到近乎无穷的伸缩性呢？下面这张“Scale Cube”来自Marty Abbott的《The Art of Scalability》

图中有三个正交的维度，需要对每个维度都施以对应的方案，才能做到整个系统的可伸缩。

  • X轴，把1个实例变成N个实例，也就是最初的思路，无状态服务可以依靠基础设施平台的能力实现理论上无限的扩容，再加上负载均衡层来分配每个实例干的活；
  • Y轴，把单体系统变成N个子系统，需要构建领域模型，解构分割出耦合相对较小的多个服务，再以此将单体业务系统拆分落地成微服务系统；
  • Z轴，把整体数据变成N块数据，用数据分区分片的技术拆分数据，或者部署N个独立完整的系统处理不同区域的业务，来缓解“有状态数据”剧增的瓶颈。

总结

可伸缩性的三个维度，X，Y，Z 每个轴做好的难度都是上不封顶，下面这张图是AWS和Netflix多年前通过链路追踪画出来的微服务依赖图。

这样怪物一般复杂系统的形成，也源自同样的思维方式和理论。曾见过阿里的监控平台画出来的链路图，比Amazon有过之而无不及，这么大体量高并发的复杂系统，对X轴在基础设施平台的要求，Y轴在架构设计的要求，Z轴在分布式中间件和存储组件的要求都是极高的，在这些方向上做到极致的人和团队是非常值得敬佩的。