蜜桃av色欲a片精品一区,麻豆aⅴ精品无码一区二区,亚洲人成网站在线播放影院在线,亚洲 素人 字幕 在线 最新

  聽說你們的數(shù)據(jù)庫并發(fā) 2 萬就跪了？

發(fā)布日期：2022/11/24 10:45:42      瀏覽量：

如果各位看官的 SQL 數(shù)據(jù)庫真有 2W+ 高并發(fā)，那真是要恭喜你。你已經(jīng)比很多公司的 MIS 都要前衛(wèi)得多。2W 和 2K 差別有那么大嗎，嗯，真是有的。2K 并發(fā)的 MIS 系統(tǒng)也經(jīng)常有無法訪問，timeout 的異常，處理這些異常已經(jīng)夠很多朋友苦惱的了。2W+ 的并發(fā)那需要懂的知識框架就更復(fù)雜了。

筆者曾服務(wù)了 500W+ 用戶的電商系統(tǒng)，7*24 小時的噩夢再也不想見

前幾年在一家擁有 500 多萬直銷顧問的團隊做電商平臺。平時的流量很平穩(wěn)，基本都在千把，月底拼業(yè)績才會沖一沖，來個 1W+ 的并發(fā)。大部分的數(shù)據(jù)庫開發(fā)人員在日常中還是沒心沒肺沒壓力的。但電商系統(tǒng)有個慣例，都是淘寶帶出來的，會搞促銷，類似于雙 11. 一到這時間段，必須隨時警惕流量是不是井噴，一旦跨越紅線，系統(tǒng)就跟前期的 12306 一樣，頻頻延遲。隨著 DBA 組的介入，才慢慢搞定這難題。本文的初衷也來自于這段經(jīng)歷的總結(jié)。

單實例數(shù)據(jù)庫應(yīng)用

這種應(yīng)用架構(gòu)最簡單，UI + 應(yīng)用服務(wù)器 + 數(shù)據(jù)庫服務(wù)器，所有的請求，無論讀寫都直接拋給數(shù)據(jù)庫。往往項目初期，為了迅速的證明自己的點子靠譜，拿到市場，我們會選擇這樣的架構(gòu)來實現(xiàn)產(chǎn)品。此時往往 10 萬用戶注冊了，但每天訪問的人數(shù)剛過 200， 每張數(shù)據(jù)庫表的總數(shù)，最大也不會超過 5000 條。這樣的應(yīng)用，開發(fā)能力強的，1 個人就可以搞定，業(yè)務(wù)復(fù)雜的需要分前端和后端。但無論如何都屬于基礎(chǔ)項目，如果你工作 3，4 了還是停留在這種模式下，那該補補課了。

事物總是在發(fā)展之中的，只要系統(tǒng)正常運行，總有一天用戶量會加大，隨之而來的請求會超乎你的想象（前提你是做了 pv, uv 的數(shù)據(jù)分析），很快這種架構(gòu)會遇到用戶超過 100 萬，日訪問量超過 20 萬，峰值并發(fā) 2 萬，而數(shù)據(jù)庫的表會趨近于億級的量。此時應(yīng)用系統(tǒng)如果還是建立在當(dāng)初的硬件基礎(chǔ)上（比如 16GB，16 核，240GB 硬盤）應(yīng)該會明顯感覺得到拖卡慢的尷尬，增多的是用戶的抱怨和投訴。就像 12306 前期的購票一樣，往往輪到你的時候，票沒了。

多實例數(shù)據(jù)庫

遇到流量起來的應(yīng)用，如果壓力確定是在數(shù)據(jù)庫上了，那么分庫是必然的事情了。將一個大庫拆成若干小庫，保持?jǐn)?shù)據(jù)庫對象都一致，這樣每個小庫分?jǐn)偟粢徊糠至髁?，?yīng)用終將回歸第一種簡單架構(gòu)上來，將用戶服務(wù)好。以現(xiàn)在的硬件服務(wù) 4000 個并發(fā)，對于不復(fù)雜的商用沒有問題。具體能負(fù)責(zé)多少看系統(tǒng)上線后的 baseline （基線）監(jiān)測，這里我們假定 4000 并發(fā)。所以分成 5 個相同的庫，來做分庫。這樣同時寫入 4000 并發(fā)夠用。

這里會遇到一個技術(shù)細(xì)節(jié)，就是分庫路由。如何將流量均攤到每個庫里，是需要研制算法的。比如已知全國用戶分布均衡，即華東、華北、華西、華南和華中，各有 4000 用戶。我們依據(jù)地理位置分成 5 個庫，根據(jù)用戶身份證哈希成 5 個散列值，分別對應(yīng)了這 5 臺數(shù)據(jù)庫，用戶就被分流了。

只要用戶不是劇烈增長，老板也滿意這種小而美的生意，這樣的架構(gòu)可以一直沿用下去?；静粫衅款i。頂多就是時間長了，表數(shù)據(jù)越來越大了，我們用分庫的思想進行分表就可以了。當(dāng)前年份（月份）數(shù)據(jù)放在主表里面，而歷史數(shù)據(jù)就歸檔到聚合表里；或者索性每月，每年分成子表存儲，而跨時間段的查詢用視圖來控制。

但用戶的行為始終是不可控的，我么必須做一系列的事情來滿足和留住用戶。比如促銷、打折、團購等等。這個時候，用戶的行為不僅僅是下個單買杯咖啡這么簡單了。他們會大量查詢他們的數(shù)據(jù)，帶來的是讀請求遠遠大于寫入請求。眾所周知，讀請求即使不影響寫入請求（比如 MVVC），但也會耗盡服務(wù)器的 CPU\IO\Network 資源。那么我們必須更進入一層，讀寫分離。

讀寫分離

讀寫分離是另一種分庫，但與前面的分庫意圖不一樣。分出來的庫和源庫一模一樣，且只讀不接收用戶的寫入請求。實現(xiàn)細(xì)節(jié)每個數(shù)據(jù)庫都不一樣，也可以使用實時同步工具做，詳情可以參考《Designing Data-Intensive Applications》這本書。不僅僅給出了指導(dǎo)思想，更有每種數(shù)據(jù)庫的讀寫分離組件指南。

1. 時序數(shù)據(jù)庫方興未艾，有人卻說看到了終局
2. 看場景、重實操，實時數(shù)倉不是“紙上談兵”
   
3. 作業(yè)幫多云架構(gòu)設(shè)計與實踐