大并发/大数据的软件有如下特点
- 用户多，分布广泛
- 大流量，高并发
- 从小到大，渐进发展
- 以用户为中心
- 海量数据，服务高可用
- 安全环境恶劣，易受网络攻击
- 功能多，变更快，频繁发布
大并发/大数据的架构目标有如下几个
- 高性能：提供快速的访问体验。
- 高可用：网站服务一直可以正常访问。
- 可伸缩：通过硬件增加/减少，提高/降低处理能力。
- 扩展性：方便地通过新增/移除方式，增加/减少新的功能/模块。
- 安全性：提供网站安全访问和数据加密、安全存储等策略。
- 敏捷性：随需应变，快速响应。
大并发/大数据的设计思路与原则
1.演进原则
优秀的架构和产品都是一步一步迭代出来的，用户量的不断增大，业务的扩展进行不断地迭代升级，最终演化成优秀的架构。
- 早期项目，由于团队规模有限，技术经验不足，往往使用一个简单的单体架构、单节点DB。
- 随着流量增加和业务演变，需要不断修正系统架构中的问题点，基于后面的几个原则，一点一点的进行系统演进
演进原则：高并发/大数据系统的演进是循序渐进的，以在高并发、大数据场景下不断优化用户体验为目标。
2.单一职责（ Single Responsibility Principle）原则
定义：对一个类而言，应该仅有一个引起它变化的原因。
说明：一个类应该是相关性很高的封装，类只实现一个功能。
很多的时候，我们代码中有大量的上帝类，所谓上帝类，
把不应该是一个类的功能也往自己身上揽，大包大揽，导致内聚性就会很差，
内聚性差将导致代码很难被复用，不能复用，只能复制（Repeat Yourself），其结果就是一团乱麻。
3.开闭原则（Open Closed Principle）
定义：软件中的对象应该对于扩展是开放的，对于修改是关闭的。面对新需求，对程序的改动应该是通过增加代码实现的，而不是修改现有代码来实现。
说明：当软件需要变化时，我们尽可能的通过扩展的方式来实现变化，
比如通过继承，通过装饰者模式来增加新的功能，而不是通过修改已有的接口来实现，一旦修改接口，上层调用的地方均需要修改。
开闭原则是面向对象设计的核心所在，遵循开闭原则的最好手段就是抽象。
防止变异(Protected Variations)
问题：如何设计对象，子系统和系统，使其内部的变化或不稳定性不会对其他元素产生不良影响？
解决方案：分离变与不变， 识别变化或不稳定的地方，抽象出稳定的接口。
开发人员应该仅对程序中频繁出现变化的那些部分做出抽象，如果对于应用程序中每个部分都做刻意的抽象并不是个好主意。
拒绝不成熟的抽象和抽象本身一样重要。
4.高内聚低耦合/迪米特原则（Law of Demeter）
定义：
- 如果两个类不必彼此直接通信，那么这两个类就不应当发生直接的互相引用。
- 如果中间一个类需要调用另一个类的某一个方法，可以通过第三者转发这个调用。
一个对象应该对其他对象有最少的了解。也被称为最少知识原则。
该原则首先强调的是在类的结构设计上，应该尽可能低的设计成员的访问权限。
其根本思想是强调了类的松耦合，类之间的耦合越弱，越有利于复用，一个处在弱耦合的类被修改，不会波及有关系的类。
也就是说，一个类应该对自己需要耦合或调用的类知道的最少，类与类之间的关系越密切，耦合度越大，那么类的变化对其耦合的类的影响也会越大，这也是我们面向对象设计的核心原则：低耦合，高内聚。
什么是直接的朋友？
每个对象都必然与其他对象有耦合关系，两个对象的耦合就成为朋友关系，这种关系的类型很多，例如组合、聚合、依赖、关联等。
其中，我们称出现成员变量、方法参数、方法返回值中的类为直接的朋友，而出现在局部变量中的类则不是直接的朋友。也就是说，陌生的类最好不要作为局部变量的形式出现在类的内部。
5.横向扩展（Scale-out）原则。
纵向扩展总是有 上限的， 大数据、大并发系统的核心思路之一就是：横向扩展。
横向扩展（Scale-out）的核心思路：采用分布式策略将系统的负载分散到多台服务器上，每台服务器处理一部分并发和流量。
横向扩展（Scale-out）可以充分利用现有硬件资源，提高系统的整体性能，使系统更能应对大规模并发请求。
6.缓存原则
缓存，广泛应用于系统设计的各个方面。
缓存，从操作系统到浏览器，从数据库到消息队列，从应用软件到操作系统，从操作系统到CPU，无处不在。
缓存，几乎所有复杂的服务和组件都在使用。
缓存，是空间换时间的思想。
7.异步原则
同步调用，意味着调用方在调用一个方法后会阻塞等待该方法的逻辑执行完成。
异步调用 与 同步相反。
异步调用 , 主要是三大步骤：
- 调用方发出请求后不需要等待，快速返回
- 被调方可以慢慢执行，
- 调用方通过回调函数、事件通知等方式获取执行的结果。
异步调用 方式在大规模高并发系统中被广泛采用。
以 12306 网站为例。
- 当用户订票时，先将请求丢到消息队列中，然后立即告诉用户正在处理，然后立即返回。
- 系统进行复杂的订票操作，如查询余票、下单、更改余票状态等，这些操作可能需要耗费较长时间
- 当订票操作完成后，系统再通知用户订票成功或失败。
这种异步处理方式使得系统能够更好地应对高并发，减少了资源占用，提高了系统的性能和可扩展性。
大并发/大数据的分层架构
高并发/大数据的架构设计，一般是分层进行，可以从下面的5大层来建设和分析：
1：接入层
主要流量入口
2：应用层
负责具体业务和视图展示；
网站首页、用户中心、商品中心、购物车、红包业务、活动中心等，
3：服务层
根据业务领域每个子域单独一个服务，分而治之。
服务层为应用层提供服务支持；比如：订单服务、用户管理服务、红包服务、商品服务等
这个是我们重点要关注的架构设计，架构设计不合理，就很难抗住高并发，主要包括各种架构和模块的设计。
4：数据层
数据库和NoSQL，文件存储等。
关系数据库、nosql数据库等，提供数据存储查询服务。
5：基础设施层
这个是最基础的依赖，主要是一些服务的部署。
基础设施层一般包含了服务器、中间件、部署方式等等。
1 接入层的架构方案：
动静分离，分而治之
- 动态资源使用 Nginx+LVS+KeepAlive 进行负载均衡
- 静态资源使用 CDN进行加速
动态资源Nginx+LVS+KeepAlive 进行负载均衡
请参见之前的文章
10Wqps网关接入层，LVS+Keepalived(DR模式)如何搭建？
静态资源使用CDN加速
CDN相当于加上一层缓存， 加载离用户最近的idc机房， 由cdn的运营商提供， 比如电信等
秒杀的静态页面通过到CDN上预热（CDN是内容分发网络，可以简单理解成互联网上的巨大的缓存，用于存放静态页面、图片、视频等，可以显著提高访问速度），
用CDN扛流量，这样大量的商品详情页的访问请求就不用访问自己的网站（源站）。这样既可以提高访问速度，也没有给网站增加压力，同时也减少了网站带宽压力。
第二三层：应用层/服务层架构方案
1：业务解耦
对一个复杂的业务，需要分割成不同的模块单元，分而治之
一个大的问题域，需要分解为很多小的问题域，分而治之
就是是微服务划分、微服务架构
微服务架构解决大单体架构的的很多问题，比如扩展性、弹性伸缩能力、小规模团队的敏捷开发等等。
如何进行微服务架构，如何划分微服务：
- 高内聚低耦合
- 单一职责
- 可扩展原则
- 等等等等
如何进行业务解耦，如何划分微服务？
在实操过程中， 建议使用DDD的建模方法进行建模。
具体请参见以下的文章
《美团面试：微服务如何拆分？原则是什么？》
2：横向扩展设计
横向扩展设计，包括：应用集群、服务集群
应对高并发系统，单节点模式都不可能搞定，因此都需要搭建应用集群、服务集群，
常见的微服务Provider的自动伸缩策略有以下两种：
1）通过Kubernetes HPA组件实现自动伸缩。
2）通过微服务Provider自动伸缩伺服组件实现自动伸缩。
3：缓存设计：多级缓存架构
缓存，广泛应用于系统设计的各个方面。
缓存，从操作系统到浏览器，从数据库到消息队列，从应用软件到操作系统，从操作系统到CPU，无处不在。
缓存，几乎所有复杂的服务和组件都在使用。
缓存，是空间换时间的思想。
缓存的可以提升系统性能，保护后端存储不被大流量打垮。
缓存的设计，需要分多个思路并行。
- 普通数据一级缓存就够了
- 热点数据要用到多级缓存
缓存的设计方案很多， 很复杂，也是面试的热点和难点
4：异步原则：进程内的异步
进程内的异步, 是一个很有深度的问题， 把这个问题归纳为全链路异步
全链路异步，能大大的优化系统的并发量，单机解决高并发问题
从应用层的线程池，再到 IO层的Epoll 事件驱动(Nginx)，都需要最大程度的异步。
全链路异步模式改造 具体的内容，请参考深度文章：
全链路异步，让你的性能优化10倍+
另外，对于特殊的高并发场景，可以使用 Go+java的混合架构， 进一步压榨 CPU的性能
借助 Go 语言协程，去提高并发能力。
5：异步原则：进程外的异步
消息队列也是一种异步化操作，是依赖外部的中间件如消息队列，进行的异步。
针对流量突峰，仅仅有缓存来抗量可能还不够，还需要使用消息队列来异步削峰。
使用消息队列后，可以将同步处理的请求改为 通过消费 MQ 消息来异步消费，这样可以大大减少系统处理的压力，增加系统的并发量。
常用的消息队列比如 kafka、Rocketmq。
6：预热原则
预热实际应用的场景有很多，比如在电商的大促到来前，我们可以把一些热点的商品提前加载到缓存中，防止大流量冲击DB。
预热原则一般有JVM预热、缓存预热、DB预热等，
通过预热的方式让系统先“热”起来，为高并发流量的到来做好准备。
第四层：数据层架构方案
1：分库分表
数据存储量大的时候，就需要通过分库分表来存储。
分库分表模式虽然能显著提升数据库的容量，但会增加系统复杂性，因此在设计分库分表方案的时候需要结合具体业务场景，更全面地考虑。
2：读写分离
高并发系统，大多数都是读多写少，因此读写分离可以帮助主库抗量。
一般我们都是一主多从的架构，可以抗量，也可以保证数据不丢。
3：冷热分离
针对业务场景而言，如果数据有冷热之分的话，可以将历史冷数据与当前热数据分开存储，
这样可以减轻当前热数据的存储量，可以提高性能。
4：使用NoSQL完成大数据的存储
当数据库中的数据多到一定规模时，数据库就不适用于复杂的查询了，往往只能满足普通查询的场景。
对于统计报表场景，在数据量大时不一定能跑出结果，而且在跑复杂查询时会导致其他查询变慢，对于全文检索、可变数据结构等场景，数据库天生不适用。
第五层：基础设施层架构
基础设施层架构 包含：
- 监控三大件: logging、tracing、metrics。
- 各种中间件
- cicd组件
具体，请参见文章
网易面试：亿级用户，如何做微服务底层架构？
高并发核武器：单元化+异地多活设计
除了前面的高并发常规武器， 还有高并发的核武器：：单元化+异地多活设计
1：单元化（Set化）设计
一个服务对外的使用方可能有 A 业务、B 业务，那么如何保证 AB 业务不会相互影响，那么就是单元化（Set化）设计。
所谓单元，是指一个能完成所有业务操作的自包含集合，在这个集合中包含了所有业务所需的所有服务，以及单元的数据分片。
单元化架构就是把单元作为系统部署的基本单位，在全站所有idc机房中部署数个单元.
每个idc机房里的单元数目不定，任意一个单元都部署了系统所需的所有的服务。
任意一个单元的数据是首先拥有分片数据，但是为了切流的方便， 最终需要拥有全量数据。
传统意义上的 SOA 化（服务化）架构，服务是分层的，每层的节点数量不尽相同，上层调用下层时，随机选择节点。
单元化架构下，服务仍然是分层的，
不同的是每一层中的任意一个节点都属于且仅属于某一个单元，上层调用下层时，仅会选择本单元内的节点。
而要做到单元化，必须要满足以下要求：
- 业务必须是可分片的，如 淘宝按照用户分片， 饿了么按照地理位置分片
- 单元内的业务是自包含的，调用尽量封闭
单元化署就是把业务系统分为多个可扩展的逻辑分区，每个 SET 的逻辑分区都可以独立部署并提供服务，SET 也可以理解为 ”逻辑机房“ ，主要目的就是为了进行独立部署并且做到业务上的逻辑隔离。
关于 单元化SET 的具体例子：
- 微信红包用户发一个红包时，微信红包系统生成一个ID作为这个红包的唯一标识。
- 接下来这个红包的所有发红包、抢红包、拆红包、查询红包详情等操作，都根据这个ID关联。
- 红包系统根据这个红包ID，按一定的规则（如按ID尾号取模等），垂直上下切分。
- 切分后，一个垂直链条上的逻辑Server服务器、DB统称为一个SET。
单元化SET 部署之后，系统将所有红包请求这个巨大的洪流分散为多股小流，互不影响，分而治之。
现在稍微有点体量的公司都在做单元化，单元化的好处
1. 多AZ(可用区) 容灾、异地多活。
2. 服务器体量太大，单一IDC没有足够的机器。
3. 提升用户请求访问速度。
2：多 IDC + 异地多活
基础设施层一般包含了服务器、IDC、部署方式等等。
- 多 IDC 部署。比如服务同时在广州、上海两地部署。这个依赖我们的服务是无状态的；
- 其他的参考下异地多活架构等相关部署。
3：异地多活的系列问题
异地多活方案复杂， 之前积累过一系列的问题，可供参考：
架构设计内容分享(七)：100Wqps异地多活，得物是怎么架构的？_软件项目异地多活-CSDN博客
架构设计内容分享(一百一十二)：单元化、异地多活，大厂如何实现？_业务做单元化 是为了双活-CSDN博客
架构设计内容分享(一百五十五)：Redis 异地多活的演进历程-CSDN博客
版权归原作者 之乎者也· 所有， 如有侵权，请联系我们删除。