隨著樂視硬件搶購的不斷升級，樂視集團支付面臨的請求壓力百倍乃至千倍的暴增。作為商品購買的最后一環，保證用戶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等緩存系統盛行的互聯網時代，構建一個支撐每秒十萬只讀的系統并不復雜，無非是通過一致性哈希擴展緩存節點，水平擴展web服務器等。支付系統要處理每秒十萬筆訂單，需要的是每秒數十萬的數據庫更新操作（insert加update），這在任何一個獨立數據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。?

在進行數據庫操作時，一般都會有用戶ID（簡稱uid）字段，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：我們在進行數據庫擴容時，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進行表級的數據同步，而不需要自己寫腳本進行行級數據同步。?

光是有分庫是不夠的，經過持續壓力測試我們發現，在同一數據庫中，對多個表進行并發更新的效率要遠遠大于對一個表進行并發更新，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。?

最后我們把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計算數據庫編號：?

數據庫編號 = (uid / 10) % 8 + 1?

根據uid計算表編號：?

表編號 = uid % 10?

當uid=9527時，根據上面的算法，其實是把uid分成了兩部分952和7，其中952模8加1等于1為數據庫編號，而7則為表編號。所以uid=9527的訂單信息需要去DB1庫中的order_7表查找。具體算法流程也可參見下圖：?

?

有了分庫分表的結構與算法最后就是尋找分庫分表的實現工具，目前市面上約有兩種類型的分庫分表工具：?

1.客戶端分庫分表，在客戶端完成分庫分表操作，直連數據庫?
2.使用分庫分表中間件，客戶端連分庫分表中間件，由中間件完成分庫分表操作?
這兩種類型的工具市面上都有，這里不一一列舉，總的來看這兩類工具各有利弊?？蛻舳朔謳旆直碛捎谥边B數據庫，所以性能比使用分庫分表中間件高15%到20%。而使用分庫分表中間件由于進行了統一的中間件管理，將分庫分表操作和客戶端隔離，模塊劃分更加清晰，便于DBA進行統一管理。?

我們選擇的是在客戶端分庫分表，因為我們自己開發并開源了一套數據層訪問框架，它的代號叫“芒果”，芒果框架原生支持分庫分表功能，并且配置起來非常簡單。?

• 芒果主頁：mango.jfaster.org
• 芒果源碼：github.com/jfaster/mango

二、訂單ID?
訂單系統的ID必須具有全局唯一的特征，最簡單的方式是利用數據庫的序列，每操作一次就能獲得一個全局唯一的自增ID，如果要支持每秒處理10萬訂單，那每秒將至少需要生成10萬個訂單ID，通過數據庫生成自增ID顯然無法完成上述要求。所以我們只能通過內存計算獲得全局唯一的訂單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。通過反復比較與篩選，我們借鑒了Twitter的Snowflake算法，實現了全局唯一ID。下面是訂單ID的簡化結構圖：?

?

上圖分為3個部分：?

時間戳?
這里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?
每個訂單服務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?
當在同一服務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。比如在同一服務器同一毫秒有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局唯一的訂單ID。不過光全局唯一還不夠，很多時候我們會只根據訂單ID直接查詢訂單信息，這時由于沒有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信息添加到訂單ID上，下面是帶分庫分表信息的訂單ID簡化結構圖：?

?

我們在生成的全局訂單ID頭部添加了分庫與分表的信息，這樣只根據訂單ID，我們也能快速的查詢到對應的訂單信息。?

分庫分表信息具體包含哪些內容？第一部分有討論到，我們將訂單表按uid維度拆分成了8個數據庫，每個數據庫10張表，最簡單的分庫分表信息只需一個長度為2的字符串即可存儲，第1位存數據庫編號，取值范圍1到8，第2位存表編號，取值范圍0到9。?

還是按照第一部分根據uid計算數據庫編號和表編號的算法，當uid＝9527時，分庫信息＝1，分表信息＝7，將他們進行組合，兩位的分庫分表信息即為”17”。具體算法流程參見下圖：?

?

上述使用表編號作為分表信息沒有任何問題，但使用數據庫編號作為分庫信息卻存在隱患，考慮未來的擴容需求，我們需要將8庫擴容到16庫，這時取值范圍1到8的分庫信息將無法支撐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信息精度丟失。?

為解決分庫信息精度丟失問題，我們需要對分庫信息精度進行冗余，即我們現在保存的分庫信息要支持以后的擴容。這里我們假設最終我們會擴容到64臺數據庫，所以新的分庫信息算法為：?

分庫信息 = (uid / 10) % 64 + 1?

當uid＝9527時，根據新的算法，分庫信息=57，這里的57并不是真正數據庫的編號，它冗余了最后擴展到64臺數據庫的分庫信息精度。我們當前只有8臺數據庫，實際數據庫編號還需根據下面的公式進行計算：?

實際數據庫編號 = (分庫信息 - 1) % 8 + 1?

當uid＝9527時，分庫信息＝57，實際數據庫編號＝1，分庫分表信息=”577”。?

由于我們選擇模64來保存精度冗余后的分庫信息，保存分庫信息的長度由1變為了2，最后的分庫分表信息的長度為3。具體算法流程也可參見下圖：?

?

如上圖所示，在計算分庫信息的時候采用了模64的方式冗余了分庫信息精度，這樣當我們的系統以后需要擴容到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后的擴容需求，但考慮到業務的不確定性，我們在訂單ID的最前方加了1位用于標識訂單ID的版本，這個版本號屬于冗余數據，目前并沒有用到。下面是最終訂單ID簡化結構圖：?

?

Snowflake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表的超高并發寫入與更新，并能通過uid和訂單ID查詢訂單信息。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）來查詢訂單信息，所以我們引入了bid維度的order表集群，將uid維度的order表集群冗余一份到bid維度的order表集群中，要根據bid查詢訂單信息時，只需查bid維度的order表集群即可。?

上面的方案雖然簡單，但保持兩個order表集群的數據一致性是一件很麻煩的事情。兩個表集群顯然是在不同的數據庫集群中，如果在寫入與更新中引入強一致性的分布式事務，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，所以我們引入了消息隊列進行異步數據同步，來實現數據的最終一致性。當然消息隊列的各種異常也會造成數據不一致，所以我們又引入了實時監控服務，實時計算兩個集群的數據差異，并進行一致性同步。?

下面是簡化的一致性同步圖：?

?

四、數據庫高可用?
沒有任何機器或服務能保證在線上穩定運行不出故障。比如某一時間，某一數據庫主庫宕機，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。?

所謂數據庫高可用指的是：當數據庫由于各種原因出現問題時，能實時或快速的恢復數據庫服務并修補數據，從整個集群的角度看，就像沒有出任何問題一樣。需要注意的是，這里的恢復數據庫服務并不一定是指修復原有數據庫，也包括將服務切換到另外備用的數據庫。?

數據庫高可用的主要工作是數據庫恢復與數據修補，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。這里有一個惡性循環的問題，數據庫恢復的時間越長，不一致數據越多，數據修補的時間就會越長，整體修復的時間就會變得更長。所以數據庫的快速恢復成了數據庫高可用的重中之重，試想一下如果我們能在數據庫出故障的1秒之內完成數據庫恢復，修復不一致的數據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服務器和3臺數據庫，其中DB1是主庫，DB2和DB3是從庫。我們在這里假設web服務器由項目組維護，而數據庫服務器由DBA維護。?

當從庫DB2出現問題時，DBA會通知項目組，項目組將DB2從web服務的配置列表中刪除，重啟web服務器，這樣出錯的節點DB2將不再被訪問，整個數據庫服務得到恢復，等DBA修復DB2時，再由項目組將DB2添加到web服務。?

當主庫DB1出現問題時，DBA會將DB2切換為主庫，并通知項目組，項目組使用DB2替換原有的主庫DB1，重啟web服務器，這樣web服務將使用新的主庫DB2，而DB1將不再被訪問，整個數據庫服務得到恢復，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和項目組協同完成數據庫服務恢復，這很難做到自動化，而且恢復工程也過于緩慢。?

我們認為，數據庫運維應該和項目組分開，當數據庫出現問題時，應由DBA實現統一恢復，不需要項目組操作服務，這樣便于做到自動化，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服務器將不再直接連接主庫DB1，而是連接KeepAlive虛擬出的一個虛擬ip，再將此虛擬ip映射到主庫DB1上，同時添加DB_bak從庫，實時同步DB1中的數據。正常情況下web還是在DB1中讀寫數據，當DB1宕機后，腳本會自動將DB_bak設置成主庫，并將虛擬ip映射到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，就能完成主數據庫服務恢復。?

組合上面的結構，得到主從高可用結構圖：?

?

數據庫高可用還包含數據修補，由于我們在操作核心數據時，都是先記錄日志再執行更新，加上實現了近乎實時的快速恢復數據庫服務，所以修補的數據量都不大，一個簡單的恢復腳本就能快速完成數據修復。?

五、數據分級?
支付系統除了最核心的支付訂單表與支付流水表外，還有一些配置信息表和一些用戶相關信息表。如果所有的讀操作都在數據庫上完成，系統性能將大打折扣，所以我們引入了數據分級機制。?

我們簡單的將支付系統的數據劃分成了3級：?

第1級：訂單數據和支付流水數據；這兩塊數據對實時性和精確性要求很高，所以不添加任何緩存，讀寫操作將直接操作數據庫。?

第2級：用戶相關數據；這些數據和用戶相關，具有讀多寫少的特征，所以我們使用redis進行緩存。?

第3級：支付配置信息；這些數據和用戶無關，具有數據量小，頻繁讀，幾乎不修改的特征，所以我們使用本地內存進行緩存。?

使用本地內存緩存有一個數據同步問題，因為配置信息緩存在內存中，而本地內存無法感知到配置信息在數據庫的修改，這樣會造成數據庫中數據和本地內存中數據不一致的問題。?

為了解決此問題，我們開發了一個高可用的消息推送平臺，當配置信息被修改時，我們可以使用推送平臺，給支付系統所有的服務器推送配置文件更新消息，服務器收到消息會自動更新配置信息，并給出成功反饋。?

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，后續源源不斷的請求會讓我們的服務集群根本啟動不起來，唯一的辦法只能是切斷所有流量，重啟整個集群，再慢慢導入流量。?

我們在對外的web服務器上加一層“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集群前，會先經過一層粗細管道。入口端是粗口，我們設置最大能支持100萬請求每秒，多余的請求會被直接拋棄掉。出口端是細口，我們設置給web集群10萬請求每秒。剩余的90萬請求會在粗細管道中排隊，等待web集群處理完老的請求后，才會有新的請求從管道中出來，給web集群處理。這樣web集群處理的請求數每秒永遠不會超過10萬，在這個負載下，集群中的各個服務都會高校運轉，整個集群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持，相關資料請搜索?

nginx max_conns，需要注意的是max_conns是活躍連接數，具體設置除了需要確定最大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

轉載于:https://www.cnblogs.com/davidwang456/articles/5488384.html

總結

以上是生活随笔為你收集整理的每秒处理10万订单乐视集团支付架构--转的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。