轉自：http://blog.csdn.net/clypm/article/details/54969438
隨著樂視硬體搶購的不斷升級，樂視集團支付面臨的請求壓力百倍乃至千倍的暴增。作為商品購買的最後一環，保證使用者快速穩定的完成支付尤為重要。所以在15年11月，我們對整個支付系統進行了全面的架構升級，使之具備了每秒穩定處理10萬訂單的能力。為樂視生態各種形式的搶購秒殺活動提供了強有力的支撐。
一、庫分表
在Redis，memcached等快取系統盛行的網際網路時代，構建一個支撐每秒十萬只讀的系統並不複雜，無非是通過一致性雜湊擴充套件快取節點，水平擴充套件web伺服器等。支付系統要處理每秒十萬筆訂單，需要的是每秒數十萬的資料庫更新操作（insert加update），這在任何一個獨立資料庫上都是不可能完成的任務，所以我們首先要做的是對訂單表（簡稱order）進行分庫與分表。
在進行資料庫操作時，一般都會有使用者ID（簡稱uid）欄位，所以我們選擇以uid進行分庫分表。
分庫策略我們選擇了“二叉樹分庫”，所謂“二叉樹分庫”指的是：我們在進行資料庫擴容時，都是以2的倍數進行擴容。比如：1臺擴容到2臺，2臺擴容到4臺，4臺擴容到8臺，以此類推。這種分庫方式的好處是，我們在進行擴容時，只需DBA進行表級的資料同步，而不需要自己寫指令碼進行行級資料同步。
光是有分庫是不夠的，經過持續壓力測試我們發現，在同一資料庫中，對多個表進行併發更新的效率要遠遠大於對一個表進行併發更新，所以我們在每個分庫中都將order表拆分成10份：order_0，order_1，….，order_9。
最後我們把order表放在了8個分庫中（編號1到8，分別對應DB1到DB8），每個分庫中10個分表（編號0到9，分別對應order_0到order_9），部署結構如下圖所示：
根據uid計算資料庫編號：
資料庫編號 = (uid / 10) % 8 + 1
根據uid計算表編號：
表編號 = uid % 10
當uid=9527時，根據上面的演算法，其實是把uid分成了兩部分952和7，其中952模8加1等於1為資料庫編號，而7則為表編號。所以uid=9527的訂單資訊需要去DB1庫中的order_7表查詢。具體演算法流程也可參見下圖：
有了分庫分表的結構與演算法最後就是尋找分庫分表的實現工具，目前市面上約有兩種型別的分庫分表工具：
- 客戶端分庫分表，在客戶端完成分庫分表操作，直連資料庫
- 使用分庫分表中介軟體，客戶端連分庫分表中介軟體，由中介軟體完成分庫分表操作
這兩種型別的工具市面上都有，這裡不一一列舉，總的來看這兩類工具各有利弊。客戶端分庫分表由於直連資料庫，所以效能比使用分庫分表中介軟體高15%到20%。而使用分庫分表中介軟體由於進行了統一的中介軟體管理，將分庫分表操作和客戶端隔離，模組劃分更加清晰，便於DBA進行統一管理。
我們選擇的是在客戶端分庫分表，因為我們自己開發並開源了一套資料層訪問框架，它的代號叫“芒果”，芒果框架原生支援分庫分表功能，並且配置起來非常簡單。
- 芒果主頁：mango.jfaster.org
- 芒果原始碼：github.com/jfaster/mango
二、訂單ID
訂單系統的ID必須具有全域性唯一的特徵，最簡單的方式是利用資料庫的序列，每操作一次就能獲得一個全域性唯一的自增ID，如果要支援每秒處理10萬訂單，那每秒將至少需要生成10萬個訂單ID，通過資料庫生成自增ID顯然無法完成上述要求。所以我們只能通過記憶體計算獲得全域性唯一的訂單ID。
Java領域最著名的唯一ID應該算是UUID了，不過UUID太長而且包含字母，不適合作為訂單ID。通過反覆比較與篩選，我們借鑑了Twitter的Snowflake演算法，實現了全域性唯一ID。下面是訂單ID的簡化結構圖：
上圖分為3個部分：
- 時間戳
這裡時間戳的粒度是毫秒級，生成訂單ID時，使用System.currentTimeMillis()作為時間戳。
- 機器號
每個訂單伺服器都將被分配一個唯一的編號，生成訂單ID時，直接使用該唯一編號作為機器號即可。
- 自增序號
當在同一伺服器的同一毫秒中有多個生成訂單ID的請求時，會在當前毫秒下自增此序號，下一個毫秒此序號繼續從0開始。比如在同一伺服器同一毫秒有3個生成訂單ID的請求，這3個訂單ID的自增序號部分將分別是0，1，2。
上面3個部分組合，我們就能快速生成全域性唯一的訂單ID。不過光全域性唯一還不夠，很多時候我們會只根據訂單ID直接查詢訂單資訊，這時由於沒有uid，我們不知道去哪個分庫的分表中查詢，遍歷所有的庫的所有表？這顯然不行。所以我們需要將分庫分表的資訊新增到訂單ID上，下面是帶分庫分表資訊的訂單ID簡化結構圖：
我們在生成的全域性訂單ID頭部新增了分庫與分表的資訊，這樣只根據訂單ID，我們也能快速的查詢到對應的訂單資訊。
分庫分表資訊具體包含哪些內容？第一部分有討論到，我們將訂單表按uid維度拆分成了8個資料庫，每個資料庫10張表，最簡單的分庫分表資訊只需一個長度為2的字串即可儲存，第1位存資料庫編號，取值範圍1到8，第2位存表編號，取值範圍0到9。
還是按照第一部分根據uid計算資料庫編號和表編號的演算法，當uid＝9527時，分庫資訊＝1，分表資訊＝7，將他們進行組合，兩位的分庫分表資訊即為”17”。具體演算法流程參見下圖：
上述使用表編號作為分表資訊沒有任何問題，但使用資料庫編號作為分庫資訊卻存在隱患，考慮未來的擴容需求，我們需要將8庫擴容到16庫，這時取值範圍1到8的分庫資訊將無法支撐1到16的分庫場景，分庫路由將無法正確完成，我們將上訴問題簡稱為分庫資訊精度丟失。
為解決分庫資訊精度丟失問題，我們需要對分庫資訊精度進行冗餘，即我們現在儲存的分庫資訊要支援以後的擴容。這裡我們假設最終我們會擴容到64臺資料庫，所以新的分庫資訊演算法為：
分庫資訊 = (uid / 10) % 64 + 1
當uid＝9527時，根據新的演算法，分庫資訊=57，這裡的57並不是真正資料庫的編號，它冗餘了最後擴充套件到64臺資料庫的分庫資訊精度。我們當前只有8臺資料庫，實際資料庫編號還需根據下面的公式進行計算：
實際資料庫編號 = (分庫資訊 - 1) % 8 + 1
當uid＝9527時，分庫資訊＝57，實際資料庫編號＝1，分庫分表資訊=”577”。
由於我們選擇模64來儲存精度冗餘後的分庫資訊，儲存分庫資訊的長度由1變為了2，最後的分庫分表資訊的長度為3。具體演算法流程也可參見下圖：
如上圖所示，在計算分庫資訊的時候採用了模64的方式冗餘了分庫資訊精度，這樣當我們的系統以後需要擴容到16庫，32庫，64庫都不會再有問題。
上面的訂單ID結構已經能很好的滿足我們當前與之後的擴容需求，但考慮到業務的不確定性，我們在訂單ID的最前方加了1位用於標識訂單ID的版本，這個版本號屬於冗餘資料，目前並沒有用到。下面是最終訂單ID簡化結構圖：
Snowflake演算法：github.com/twitter/snowflake
三、最終一致性
到目前為止，我們通過對order表uid維度的分庫分表，實現了order表的超高併發寫入與更新，並能通過uid和訂單ID查詢訂單資訊。但作為一個開放的集團支付系統，我們還需要通過業務線ID（又稱商戶ID，簡稱bid）來查詢訂單資訊，所以我們引入了bid維度的order表叢集，將uid維度的order表叢集冗餘一份到bid維度的order表叢集中，要根據bid查詢訂單資訊時，只需查bid維度的order表叢集即可。
上面的方案雖然簡單，但保持兩個order表叢集的資料一致性是一件很麻煩的事情。兩個表叢集顯然是在不同的資料庫叢集中，如果在寫入與更新中引入強一致性的分散式事務，這無疑會大大降低系統效率，增長服務響應時間，這是我們所不能接受的，所以我們引入了訊息佇列進行非同步資料同步，來實現資料的最終一致性。當然訊息佇列的各種異常也會造成資料不一致，所以我們又引入了實時監控服務，實時計算兩個叢集的資料差異，並進行一致性同步。
下面是簡化的一致性同步圖：
四、資料庫高可用
沒有任何機器或服務能保證線上上穩定執行不出故障。比如某一時間，某一資料庫主庫當機，這時我們將不能對該庫進行讀寫操作，線上服務將受到影響。
所謂資料庫高可用指的是：當資料庫由於各種原因出現問題時，能實時或快速的恢復資料庫服務並修補資料，從整個叢集的角度看，就像沒有出任何問題一樣。需要注意的是，這裡的恢復資料庫服務並不一定是指修復原有資料庫，也包括將服務切換到另外備用的資料庫。
資料庫高可用的主要工作是資料庫恢復與資料修補，一般我們以完成這兩項工作的時間長短，作為衡量高可用好壞的標準。這裡有一個惡性迴圈的問題，資料庫恢復的時間越長，不一致資料越多，資料修補的時間就會越長，整體修復的時間就會變得更長。所以資料庫的快速恢復成了資料庫高可用的重中之重，試想一下如果我們能在資料庫出故障的1秒之內完成資料庫恢復，修復不一致的資料和成本也會大大降低。
下圖是一個最經典的主從結構：
上圖中有1臺web伺服器和3臺資料庫，其中DB1是主庫，DB2和DB3是從庫。我們在這裡假設web伺服器由專案組維護，而資料庫伺服器由DBA維護。
當從庫DB2出現問題時，DBA會通知專案組，專案組將DB2從web服務的配置列表中刪除，重啟web伺服器，這樣出錯的節點DB2將不再被訪問，整個資料庫服務得到恢復，等DBA修復DB2時，再由專案組將DB2新增到web服務。
當主庫DB1出現問題時，DBA會將DB2切換為主庫，並通知專案組，專案組使用DB2替換原有的主庫DB1，重啟web伺服器，這樣web服務將使用新的主庫DB2，而DB1將不再被訪問，整個資料庫服務得到恢復，等DBA修復DB1時，再將DB1作為DB2的從庫即可。
上面的經典結構有很大的弊病：不管主庫或從庫出現問題，都需要DBA和專案組協同完成資料庫服務恢復，這很難做到自動化，而且恢復工程也過於緩慢。
我們認為，資料庫運維應該和專案組分開，當資料庫出現問題時，應由DBA實現統一恢復，不需要專案組操作服務，這樣便於做到自動化，縮短服務恢復時間。
先來看從庫高可用結構圖：
如上圖所示，web伺服器將不再直接連線從庫DB2和DB3，而是連線LVS負載均衡，由LVS連線從庫。這樣做的好處是LVS能自動感知從庫是否可用，從庫DB2當機後，LVS將不會把讀資料請求再發向DB2。同時DBA需要增減從庫節點時，只需獨立操作LVS即可，不再需要專案組更新配置檔案，重啟伺服器來配合。
再來看主庫高可用結構圖：
如上圖所示，web伺服器將不再直接連線主庫DB1，而是連線KeepAlive虛擬出的一個虛擬ip，再將此虛擬ip對映到主庫DB1上，同時新增DB_bak從庫，實時同步DB1中的資料。正常情況下web還是在DB1中讀寫資料，當DB1當機後，指令碼會自動將DB_bak設定成主庫，並將虛擬ip對映到DB_bak上，web服務將使用健康的DB_bak作為主庫進行讀寫訪問。這樣只需幾秒的時間，就能完成主資料庫服務恢復。
組合上面的結構，得到主從高可用結構圖：
資料庫高可用還包含資料修補，由於我們在操作核心資料時，都是先記錄日誌再執行更新，加上實現了近乎實時的快速恢復資料庫服務，所以修補的資料量都不大，一個簡單的恢復指令碼就能快速完成資料修復。
五、資料分級
支付系統除了最核心的支付訂單表與支付流水錶外，還有一些配置資訊表和一些使用者相關資訊表。如果所有的讀操作都在資料庫上完成，系統效能將大打折扣，所以我們引入了資料分級機制。
我們簡單的將支付系統的資料劃分成了3級：
第1級：訂單資料和支付流水資料；這兩塊資料對實時性和精確性要求很高，所以不新增任何快取，讀寫操作將直接運算元據庫。
第2級：使用者相關資料；這些資料和使用者相關，具有讀多寫少的特徵，所以我們使用redis進行快取。
第3級：支付配置資訊；這些資料和使用者無關，具有資料量小，頻繁讀，幾乎不修改的特徵，所以我們使用本地記憶體進行快取。
使用本地記憶體快取有一個資料同步問題，因為配置資訊快取在記憶體中，而本地記憶體無法感知到配置資訊在資料庫的修改，這樣會造成資料庫中資料和本地記憶體中資料不一致的問題。
為了解決此問題，我們開發了一個高可用的訊息推送平臺，當配置資訊被修改時，我們可以使用推送平臺，給支付系統所有的伺服器推送配置檔案更新訊息，伺服器收到訊息會自動更新配置資訊，並給出成功反饋。
六、粗細管道
黑客攻擊，前端重試等一些原因會造成請求量的暴漲，如果我們的服務被激增的請求給一波打死，想要重新恢復，就是一件非常痛苦和繁瑣的過程。
舉個簡單的例子，我們目前訂單的處理能力是平均10萬下單每秒，峰值14萬下單每秒，如果同一秒鐘有100萬個下單請求進入支付系統，毫無疑問我們的整個支付系統就會崩潰，後續源源不斷的請求會讓我們的服務叢集根本啟動不起來，唯一的辦法只能是切斷所有流量，重啟整個叢集，再慢慢匯入流量。
我們在對外的web伺服器上加一層“粗細管道”，就能很好的解決上面的問題。
下面是粗細管道簡單的結構圖：
請看上面的結構圖，http請求在進入web叢集前，會先經過一層粗細管道。入口端是粗口，我們設定最大能支援100萬請求每秒，多餘的請求會被直接拋棄掉。出口端是細口，我們設定給web叢集10萬請求每秒。剩餘的90萬請求會在粗細管道中排隊，等待web叢集處理完老的請求後，才會有新的請求從管道中出來，給web叢集處理。這樣web叢集處理的請求數每秒永遠不會超過10萬，在這個負載下，叢集中的各個服務都會高校運轉，整個叢集也不會因為暴增的請求而停止服務。
如何實現粗細管道？nginx商業版中已經有了支援，相關資料請搜尋
nginx max_conns，需要注意的是max_conns是活躍連線數，具體設定除了需要確定最大TPS外，還需確定平均響應時間。
nginx相關：http://nginx.org/en/docs/http/ngx_http_upstream_module.html