一個程式設計師眼中的宋慧喬離婚、寶強母親去世、李晨范冰冰分手

昨天一連出現3個熱點新聞：雙宋離婚、寶強母親去世、李晨范冰冰分手。廣大網友可能更多關注的新聞本身，紛紛留言評論發表自己看法。

而站在一個程式設計師的角度，出於職業習慣，首先想到的卻是自己的後臺架構，應該如何抗住一天3個熱點湧入的巨大流量！

其實使用快取叢集的時候，最怕的就是熱key、大value這兩種情況，那啥叫熱key大value呢？

簡單來說，熱key，就是你的快取叢集中的某個key瞬間被數萬甚至十萬的併發請求打爆。大value，就是你的某個key對應的value可能有GB級的大小，導致查詢value的時候導致網路相關的故障問題。

我們先來看看下面一幅圖，假設你手頭有個系統，他本身是叢集部署的，然後後面有一套快取叢集，這個叢集不管你用redis cluster，還是memcached，或者是公司自研快取叢集，都可以。

那麼，這套系統用快取叢集幹什麼呢？

很簡單，在快取裡放一些平時不怎麼變動的資料，然後使用者在查詢大量的平時不怎麼變動的資料的時候，不就可以直接從快取裡走了嗎？

快取叢集的併發能力是很強的，而且讀快取的效能是很高的。舉個例子，假設你每秒有2萬請求，但是其中90%都是讀請求，那麼每秒1.8萬請求都是在讀一些不太變化的資料，而不是寫資料。

那此時你把這些資料都放在資料庫裡，然後每秒傳送2萬請求到資料庫上讀寫資料，你覺得合適嗎？

當然不合適了，如果你要用資料庫承載每秒2萬請求的話，那麼不好意思，你很可能就得搞分庫分表 + 讀寫分離。

比如你得分3個主庫，承載每秒2000的寫入請求，然後每個主庫掛3個從庫，一共9個從庫承載每秒1.8萬的讀請求。

這樣的話，你可能就需要一共是12臺高配置的資料庫伺服器，這是很耗費錢的，成本非常高，很不合適。

大家看看下面的圖，來體會下這種情況。

因此，我們完全可以把平時不太變化的資料放在快取叢集裡，快取叢集可以採用2主2從，主節點用來寫入快取，從節點用來讀快取。

以快取叢集的效能，2個從節點完全可以用來承載每秒1.8萬的大量讀請求，然後3個資料庫主庫就是承載每秒2000的寫請求和少量其他讀請求就OK了。

這樣一來，你耗費的機器瞬間變成了4臺快取機器 + 3臺資料庫機器 = 7臺機器，是不是比之前的12臺機器減少了很大的資源開銷？

沒錯，快取其實在系統架構裡是非常重要的組成部分。很多時候，對於那些很少變化但是大量高併發讀的資料，透過快取叢集來抗高併發讀，是非常合適的。

我們看看下面的圖，體會一下這個過程。

需要說明的是，這裡所有的機器數量、併發請求量都是一個示例，大家主要是體會一下這個意思就好

其目的主要是給一些不太熟悉快取相關技術的同學一點背景性的闡述，讓這些同學能夠理解在系統裡用快取叢集承載讀請求是什麼意思。

好了，背景已經給大家解釋清楚，現在就可以給大家說說今天重點要討論的問題：熱點快取。

我們來做一個假設，現在有10個快取節點來抗大量的讀請求。正常情況下，讀請求應該是均勻的落在10個快取節點上的，對吧！

這10個快取節點，每秒承載1萬請求是差不多的。

然後我們再做一個假設，你一個節點承載2萬請求是極限，所以一般你就限制一個節點正常承載1萬請求就ok了，稍微留一點buffer出來。

好，所謂的熱點快取問題是什麼意思呢？很簡單，就是突然因為莫名的原因，出現大量的使用者訪問同一條快取資料。

比如像昨天那樣，雙宋離婚、寶強母親去世、李晨范冰冰分手，這是不是會引發短時間內每秒都數十萬使用者去檢視這幾條熱點新聞？

假設上述3條新聞就是3個快取，對應3個快取key，這些key都存在於一臺快取機器上。

然後某條新聞一公佈，比如范冰冰一發布微博，接著瞬間就可能幾十萬請求奔向那一臺機器。

此時會如何？我們看看下面的圖，來體會一下這種絕望的感受。

很明顯了，我們剛才假設的是一個快取Slave節點最多每秒就是2萬的請求，當然實際快取單機承載5萬~10萬讀請求也是可能的，這裡就是一個假設。

結果每秒突然奔過來20萬請求到這臺機器上，會怎麼樣？很簡單，上面圖裡那臺被20萬請求指向的快取機器會過度操勞而當機的。

那麼如果快取叢集開始出現機器的當機，此時會如何？

此時讀請求發現讀不到資料，會從資料庫裡提取原始資料，然後放入剩餘的其他快取機器裡去。但是接踵而來的每秒20萬請求，會再次壓垮其他的快取機器。

以此類推，最終導致快取叢集全盤崩潰，引發系統整體當機。

我們們看看下面的圖，再感受一下這個恐怖的現場。

其實這裡關鍵的一點，就是對於這種熱點快取，你的系統需要能夠在熱點快取突然發生的時候，直接發現他，然後瞬間立馬實現毫秒級的自動負載均衡。

那麼我們就先來說說，你如何自動發現熱點快取問題？

首先你要知道，一般出現快取熱點的時候，你的每秒併發肯定是很高的，可能每秒都幾十萬甚至上百萬的請求量過來，這都是有可能的。

所以，此時完全可以基於大資料領域的流式計算技術來進行實時資料訪問次數的統計，比如storm、spark streaming、flink。

一旦在實時資料訪問次數統計的過程中，比如發現一秒之內，某條資料突然訪問次數超過了1000，就直接立馬把這條資料判定為是熱點資料，可以將這個發現出來的熱點資料寫入比如zookeeper中。

當然，你的系統如何判定熱點資料，可以根據自己的業務還有經驗值來就可以了。

大家看看下面這張圖，看看整個流程是如何進行的。

這裡肯定有人會問，那你的流式計算系統在進行資料訪問次數統計的時候，會不會也存在說單臺機器被請求每秒幾十萬次的問題呢？

答案是：否

因為流式計算技術，尤其是storm這種系統，他可以做到同一條資料的請求過來，先分散在很多機器裡進行本地計算，最後再彙總區域性計算結果到一臺機器進行全域性彙總。

所以幾十萬請求可以先分散在比如100臺機器上，每臺機器統計了這條資料的幾千次請求。

然後100條區域性計算好的結果彙總到一臺機器做全域性計算即可，所以基於流式計算技術來進行統計是不會有熱點問題的。

我們自己的系統可以對zookeeper指定的熱點快取對應的znode進行監聽，如果有變化他立馬就可以感知到了。

此時系統層就可以立馬把相關的快取資料從資料庫載入出來，然後直接放在自己系統內部的本地快取裡即可。

這個本地快取，你用ehcache、hashmap，其實都可以，一切看自己的業務需求。我們這裡主要說的就是將快取叢集裡的集中式快取，直接變成每個系統自己本地實現快取即可，每個系統本地是無法快取過多資料的。

因為一般這種普通系統單例項部署機器可能就一個4核8G的機器，留給本地快取的空間是很少的，所以用來放這種熱點資料的本地快取是最合適的，剛剛好。

假設你的系統層叢集部署了100臺機器，那麼好了，此時你100臺機器瞬間在本地都會有一份熱點快取的副本。

然後接下來對熱點快取的讀操作，直接系統本地快取讀出來就給返回了，不用再走快取叢集了。

這樣的話，也不可能允許每秒20萬的讀請求到達快取機器的一臺機器上讀一個熱點快取了，而是變成100臺機器每臺機器承載數千請求，那麼那數千請求就直接從機器本地快取返回資料了，這是沒有問題的。

我們再來畫一幅圖，一起來看看這個過程：

除此之外，在每個系統內部，其實還應該專門加一個對熱點資料訪問的限流熔斷保護措施。

每個系統例項內部，都可以加一個熔斷保護機制，假設快取叢集最多每秒承載4萬讀請求，那麼你一共有100個系統例項。

你自己就該限制好，每個系統例項每秒最多請求快取叢集讀操作不超過400次，一超過就可以熔斷掉，不讓請求快取叢集，直接返回一個空白資訊，然後使用者稍後會自行再次重新重新整理頁面之類的。

透過系統層自己直接加限流熔斷保護措施，可以很好的保護後面的快取叢集、資料庫叢集之類的不要被打死。

再來一幅圖，一起來看看：

具體要不要在系統裡實現這種複雜的快取熱點最佳化架構呢？這個還要看你們自己的系統有沒有這種場景了。

如果你的系統有熱點快取問題，那麼就要實現類似本文的複雜熱點快取支撐架構。但是如果沒有的話，那麼也別過度設計，其實你的系統可能根本不需要這麼複雜的架構。

如果是後者，那麼大夥兒就權當看看本文，瞭解一下對應的架構思想好了