ReaderMX.
京东技术

「数据密集型应用系统设计」读后感与团队高并发高性能实践案例

京京东物流 冯志文约 16 分钟

Image

分布式数据系统挑战

1.一致性（Consistency）：在多个节点上维护相同的数据副本，确保所有节点在任何给定时间点都能看到相同的数据状态。这是CAP理论中的C部分（一致性、可用性和分区容错性）。

2.可用性（Availability）：即使部分节点出现故障或网络分区，系统也要能够继续提供服务。这个问题与一致性相互冲突，因为为了提高可用性，可能需要牺牲一致性。

3.分区容错性（Partition Tolerance）：在网络分区情况下，系统仍然可以正常工作。网络分区可能会导致节点之间的通信中断，从而影响系统的整体性能和稳定性。

4.数据同步和复制：在多个节点上复制数据以提高可用性和减少单点故障带来的风险。但这引入了数据同步和一致性问题。

5.故障恢复和容错：当某个节点或组件发生故障时，系统需要能够自动检测并恢复到正常状态，或者在某种程度上继续运作。

6.扩展性和弹性：分布式系统应该能够根据需求灵活地扩展或收缩资源，以应对不断变化的负载。
理论篇

1）主从复制

1.1）为什么需要主从复制

简单来说，主从复制功能主要有以下三点作用。

（1）读写分离

由于单台服务器可支持的能力有上限，故可部署1主N从，主库核心负责写，主从复制后，从库负责读（当然强一致性的比如财务金钱 读的还是主），以此提升中间件能力

（2）数据容灾

任何服务器都有宕机的可能，同样可以通过主从复制功能提升中间件服务的可靠性；一旦主服务器宕机，可以立即将请求切换到从服务器，从而避免服务中断，继续提供服务。

（3）分担主压力

比如mysql数据库大数据抽数，通过抽从库（数据量大），减轻主库压力
比如关闭redis主服务器持久化功能，由从服务器去执行持久化操作即可，以避免备份期间影响主服务器的服务。

1.2）mysql主从复制

1.2.1）原理

主从复制步骤：

①Master节点进行insert、update、delete操作时，会按顺序写入到binlog中。

②salve从库连接master主库。

③当Master节点的binlog发生变化时，binlog dump 线程会通知所有的salve节点，并将相应的binlog内容推送给slave节点。

④I/O线程接收到 binlog 内容后，将内容写入到本地的中继日志relay-log。

⑤SQL thread读取I/O线程写入的relay-log，并且根据 relay-log 的内容对从数据库做对应的操作。

Image

1.2.2）主从复制模式

（1）同步复制

Image

（2）异步复制：mysql默认的复制方式

Image

（3）半同步模式

Image

1.2.3）主从复制binlog模式

MySQL 主从复制的 binlog 模式主要有以下几种：

（1）基于语句的复制
  • 在这种模式下，主库会将执行的每一条 SQL 语句记录到 binlog 中，然后从库会重新执行这些 SQL 语句。
  • 优点：binlog 文件较小，适合大部分简单的 SQL 语句。

  • 缺点：对于某些包含不确定性或依赖于环境的 SQL 语句（如NOW()或UUID()），复制可能会出现不一致的情况。

（2）基于行的复制：
  • 在这种模式下，主库会将每一行数据的变化记录到 binlog 中，而不是记录 SQL 语句本身。从库会直接应用这些行数据的变化。
  • 优点：可以避免语句模式下由于某些 SQL 语句的不确定性导致的复制不一致问题，适用于复杂的 SQL 操作。

  • 缺点：binlog 文件可能会变得非常大，特别是在进行批量更新或插入操作时。

（3）混合模式复制：
  • 这种模式是 语句 和 行 的结合。在大部分情况下，MySQL 会使用 语句 模式，但在某些情况下（如无法保证语句在从库上执行结果一致时），会自动切换到 行 模式。
  • 优点：结合了 语句 和 行 的优点，能够在大多数情况下保证复制的一致性和效率。

  • 缺点：复杂性增加，可能需要更多的调试和监控。

具体选择哪种模式，通常取决于应用的具体需求和数据一致性的要求。
Image
从 MySQL 5.7 开始，默认的binlog_format参数值是MIXED。在这种模式下，MySQL 会在大多数情况下使用基于语句的复制（SBR），但在某些需要更高一致性的情况下（例如，当语句包含不确定性或依赖于环境时），会自动切换到基于行的复制（RBR）。

1.3）Reids主从复制

本章节摘抄自《Redis5设计与源码分析》
Redis 2.8提出了新的主从复制解决方案。

主从复制(全量复制)流程图：

Image

master会在其内存中创建一个复制数据用的缓存队列，缓存最近一段时间的数据，master和它所有的slave都维护了复制的数据下标offset和master的进程id，因此，当网络连接断开后，slave会请求master继续进行未完成的复制，从所记录的数据下标开始。如果master进程id变化了，或者从节点数据下标offset太旧，已经不在master的缓存队列里了，那么将会进行一次全量数据的复制。

Image

主从复制初始化流程如图所示。

Image

从上图可以看到，当主服务器判断可以执行部分重同步时向从服务器返回"+CONTINUE"；需要执行完整重同步时向从服务器返回"+FULLRESYNC RUN_ID OFFSET"，其中RUN_ID为主服务器自己的运行ID，OFFSET为复制偏移量。

执行部分重同步的要求比较严格的：
1）RUN_ID必须相等；

2）复制偏移量必须包含在复制缓冲区中。

在生产环境中，经常会出现以下两种情况：
  • 从服务器重启（复制信息丢失）；

  • 主服务器故障导致主从切换（从多个从服务器重新选举出一台机器作为主服务器，主服务器运行ID发生改变）。

这时候无法执行部分重同步的，而这两种情况又很常见，因此Redis 4.0针对主从复制又提出了两点优化，提出了psync2协议。

方案1：持久化主从复制信息。
Redis服务器关闭时，将主从复制信息（复制的主服务器RUN_ID与复制偏移量）作为辅助字段存储在RDB文件中；
Redis启动加载RDB文件，恢复主从复制信息，重新同步主服务器时携带持久化主从复制信息 ;

if(rdbSaveAuxFieldStrStr(rdb,"repl-id",server.replid)

== -1)return-1;
if(rdbSaveAuxFieldStrInt(rdb,"repl-offset",server.master_repl_offset)

== -1)return-1;

方案2：存储上一个主服务器复制信息。
/* Replication (master) */
charreplid[CONFIG_RUN_ID_SIZE+1];/* My current replication ID. */
charreplid2[CONFIG_RUN_ID_SIZE+1];/*初始化replid2为空字符串*/
long longmaster_repl_offset;/* My current replication offset */
long longsecond_replid_offset;/*初始化-1. */
当主服务器发生故障，自己成为新的主服务器时，便使用replid2和second_replid_offset存储之前主服务器的运行ID与复制偏移量;

voidshiftReplicationId(void) {

memcpy(server.replid2,server.replid,sizeof(server.replid));

server.second_replid_offset = server.master_repl_offset+1;

changeReplicationId();

}
判断是否能执行部分重同步的条件也改变为：
if(strcasecmp(master_replid, server.replid) &&
(strcasecmp(master_replid, server.replid2) ||
psync_offset> server.second_replid_offset))

{...

gotoneed_full_resync;

}

假设m为主服务器（运行ID为M_ID），A、B和C为三个从服务器；某一时刻主服务器m发生故障，从服务器A升级为主服务器（同时会记录replid2=M_ID），从服务器B和C重新向主服务器A发送"psync M_ID psync_offset"请求；显然根据上面条件，只要psync_offset满足条件，就可以执行部分重同步。

1.4）延迟复制问题

在使用延迟复制的数据库系统中，主从复制的数据传输并不是实时的，存在一定的延迟。这种延迟可能导致从服务器上的数据不是最新的，从而影响数据的一致性和系统的可靠性。以下是一些在使用延迟复制时需要注意的事项：
  • 读写分离策略：在读写分离的系统中，确保关键的读取操作（如需要最新数据的查询）始终从主服务器读取，而非关键的读取操作可以从从服务器读取。

  • 数据一致性要求：根据业务需求，明确哪些操作需要读取最新数据，哪些操作可以容忍一定的延迟。

2）数据分区

面对海量数据或者高并发场景的数据，主从复制技术还不够，还需要将数据拆分为多个分区。分区的目的是为了高可扩展性。

2.1）分区算法

取模

取模算法虽然使用简单，但对机器数量取模，在集群扩容和收缩时却有一定的局限性：因为在生产环境中根据业务量的大小，调整服务器数量是常有的事，而服务器数量N发生变化后hash（key）%N计算的结果也会随之变化！
Image
比如：一个服务器节点挂了，计算公式从hash（key）% 3变成了hash（key）% 2，结果会发生变化，此时想要访问一个key，这个key的缓存位置大概率会发生改变，那么之前缓存key的数据也会失去作用与意义。
大量缓存在同一时间失效，造成缓存的雪崩，进而导致整个缓存系统的不可用，这基本上是不能接受的。为了解决优化上述情况，一致性hash算法应运而生~

Hash

散列是一种将输入数据（通常是键）转换为固定长度的值（通常是整数）的过程。这个固定长度的值称为哈希值。散列函数是执行这种转换的函数。常见的散列函数包括 MD5、SHA-256 以及更简单的 CRC16 等。

特点：

  • 散列函数的输出是一个固定长度的哈希值。

  • 相同的输入总是会产生相同的输出。

  • 散列函数的设计目标是使不同的输入尽量均匀地分布到输出范围内，以减少冲突。

  • 数据量和请求量分布均匀：使用散列函数将数据均匀分布到各个节点上，确保每个节点存储的数据量和处理的请求量大致相同，从而避免单个节点成为性能瓶颈。

  • 扩容短板：当需要扩容时，增加或减少节点会导致大量数据需要重新分配，因为散列函数的结果会发生变化。这种情况下，几乎所有的数据都需要迁移到新的节点，导致扩容过程复杂且影响性能。

范围

  • 扩容好：使用范围分片时，每个节点负责一定范围的数据。当需要扩容时，只需将新的范围分配给新节点，旧节点上的数据迁移量较小，扩容过程相对简单。

  • 请求量不均匀：由于数据分布是基于范围的，如果某些范围的数据请求量特别大，会导致部分节点负载过高，而其他节点负载较低，造成请求量的不均匀分布。

一致性Hash

2011左右比较火的分布式缓存框架memcache就是使用的一致性hash算法。

  • 平衡数据分布和扩容问题：一致性Hash通过将数据和节点都映射到一个虚拟的环上，使得每个节点只负责环上特定范围的数据。扩容时，只需将部分数据从现有节点迁移到新节点，迁移量较小，数据分布也相对均匀。

  • 减少数据迁移：当添加或删除节点时，只需重新分配相邻节点的数据，大部分数据不需要移动，极大地减少了数据迁移量。

假设需要增加一台服务器CS4，经过同样的hash运算，该服务器最终落于t1和t2服务器之间，具体如下图所示：

Image
此时，只有t1和t2服务器之间的部分对象需要重新分配。在以上示例中只有o3对象需要重新分配，即它被重新到CS4服务器。
所以一致性哈希算法对于容错性和扩展性有非常好的支持。但一致性哈希算法也有一个严重的问题，就是数据倾斜。
如果在分片的集群中，节点太少，并且分布不均，一致性哈希算法就会出现部分节点数据太多，部分节点数据太少。也就是说无法控制节点存储数据的分配。

哈希槽：散列和取模的结合

Redis集群（Cluster）并没有选用上面一致性哈希，而是采用了哈希槽（SLOT）的这种概念。主要的原因就是上面所说的，一致性哈希算法对于数据分布、节点位置的控制并不是很友好。

1.散列函数：首先，使用散列函数 CRC16(key) 将键转换为一个哈希值。

2.取模运算：然后，对哈希值进行 16384 取模来得到具体槽位。HASH_SLOT = CRC16(key) mod 16384

2.2）分库分表

  • 个人建议能不分就不分，通过合适的索引，读写分离、冷热数据等方式，可以很好的解决性能问题：避免“过度设计”和“过早优化”

  • 数据量过大，正常运维已经影响到了业务访问的阶段才开始考虑分

分库分表有2种模式，分别如下：

1.CLIENT模式：Apache开源社区的ShardingSphere-JDBC、阿里的TDDL；

2.PROXY 模式：Apache开源社区的ShardingSphere-Proxy、公司弹性数据库JED（京东弹性数据库，个人未实践过其分表功能），阿里的cobar，MyCAT。
核心的步骤基本都是一样的：SQL解析，优化，路由，执行，结果归并。

mycat架构图：

Image
ShardingSphere混合部署架构图：
Image

2.3）扩容理想状态

  • 最好不要数据迁移、无数据热点的问题

范围求模分片案例：

优点可以避免扩容时的数据迁移，又可以一定程度上避免范围分片的热点问题

1.比如数据库刚开始预估是4000W数据量，采用2个库shard0、shard1。里面分别有2张表Table_0,Table_1。通过idhash2分别对应不同shard0、shard1数据库库。里面数据量再通过范围比如0-2000w定位到Table_0,2000-4000w定位到Table_1.

Image

2.扩容（不迁移数据）：比如数据量超过了4000万，需要扩容的时候，之前0-4000万数据保持不动，比如扩容到1个亿。则采用上面类似算法，把6000-1个亿的数据再次分布

Image

3.热点：解决数据热点的问题（因为我们局部用了散列） 

4.总结：1.多查一次数据库（字典表）2.依赖全局的ID生成

2.4）Redis高可用集群

Image
redis集群是一个由多个主从节点群组成的分布式服务器群，它具有复制、高可用和分片特性。Redis集群不需要sentinel哨兵也能完成节点移除和故障转移的功能。需要将每个节点设置成集群模式，这种集群模式没有中心节点，可水平扩展
Redis Cluster 将所有数据划分为 16384 个 slots(槽位)，每个节点负责其中一部分槽位。槽位的信息存储于每个节点中。当 Redis Cluster 的客户端来连接集群时，它也会得到一份集群的槽位配置信息并将其缓存在客户端本地。这样当客户端要查找某个 key 时，可以直接定位到目标节点。同时因为槽位的信息可能会存在客户端与服务器不一致的情况，还需要纠正机制来实现槽位信息的校验调整。
槽位定位算法
Cluster 默认会对 key 值使用 crc16 算法进行 hash 得到一个整数值，然后用这个整数值对 16384 进行取模来得到具体槽位。HASH_SLOT = CRC16(key) mod 16384
关于Redis集群选举原理、缓存穿透、雪崩、击穿等其他信息 网上很多资料，大家可搜索参考
实践篇--高并发高性能

1）数据库主从模式

采用1主2从模式，业务配置写主库，可延迟的导出或者查询采用读从库。如果对配置一致性比较强，则读主库。从库另外一个作用是大数据抽数，晚上抽数任务运行，但不影响主库

Image
由于本身黄金链路不依赖mysql数据库，并且业务数据量在百万以下，离线数据千万及左右，主要用于大数据离线抽数表，过期数据及时结转，故没有采用分库分表策略。

踩坑案例：一条delete语句导致主从延迟问题

前提：mysql-binlog模式是row

现象：在业务验证阶段，发现大数据抽数数据不全（数据库主库数据2800W，大数据抽到1500W数据） alpha_aging_product_info_no_degrade_v2表数据量5700W（保留2天数据）

排查过程：通过分析，发现大数据抽数的时候数据库从库数据1500W少了，但主库数据没少，主库数据是2800万。通过查看数据库监控，发现是主从延迟较长，延迟11小时（当时没配主从延迟报警）
Image
找规律：观察是从10.18号开始延迟明显
Image

经过分析操作记录如下：

1.10.8号加的delete语句：delete from alpha_aging_product_info_no_degrade_v2 where create_time <'2022-10-19 00:00:00'; 主从延迟小于30分钟，可接受 

2.10.18号添加了一个组合索引（仓+地址） 

3.10.18号delete表数据的时候，导致主从延迟慢。

根本原因：

因为上面的sql增加了索引加剧了主从延迟，如果 delete 的数据是大量的数据，则会：

1.如果不加 limit 由于需要更新大量数据，从而索引失效变成全扫描导致锁表，同时由于修改大量的索引，产生大量的日志，导致这个更新会有很长时间，锁表锁很长时间，期间这个表无法处理线上业务。

2.由于产生了大量 binlog 导致主从同步压力变大。

3.由于标记删除产生了大量的存储碎片。由于 MySQL 是按页加载数据，这些存储碎片不仅大量增加了随机读取的次数，并且让页命中率降低，导致页交换增多。

改进点：

1.由于该数据库只为promise给路由推数不降级数据使用，数据库只有增加操作，故可让大数据抽主库 

2.truncate table（VtDriver驱动是不支持truncate语法），truncate操作需要慎用，需要根据业务场景评估。

truncate表都是高危操作，特别是在生产环境要更加小心，下面列出几点注意事项，希望大家使用时可以做下参考。

1.truncate无法通过binlog回滚。

2.truncate会清空所有数据且执行速度很快。

3.truncate不能对有外键约束引用的表使用。

4.执行truncate需要drop权限，不建议给账号drop权限。

5.执行truncate前一定要再三检查确认，最好提前备份下表数据。

思考点：

1. MySQL单表记录数过大，思考是否一定要用MYSQL？比如JDQ数据传输等 

2.当MySQL单表记录数过大时，增删改查性能都会急剧下降，任何的sql操作都不能根据常规思维去操作（比如加字段，加索引，删除语句，Select查询语句等） 

3.XBP的SQL审批工单添加备注：表记录数，比如同一个sql 表数据10万和1千万是不一样的。

2）大key治理

2.1）扫描大key

大KEY带来的影响：
  • 严重影响 QPS、TP99 等指标，对大Key进行的慢操作会导致后续的命令被阻塞，从而导致一系列慢查询。
  • 大Key发生热点，大 String，value 大于 20K。当OPS为 10000，流量即为 200M, 达到单实例的流量配额. 导致无法正常提供服务。
  • 集群各分片内存使用不均。某个分片占用内存较高或OOM，发送缓存区增大等，导致该分片其他Key被逐出，同时也会造成其他分片的资源浪费。

  • 集群各分片的带宽使用不均。某个分片被流控，其他分片则没有这种情况，且影响宿主机上的其它应用。

2.2）大key改造

2.2.1）改造list set zset hash元素个数：1000

改造案例1：清理Hash里面field过期数据，让大key瘦身
针对仓库产能大key：iwpc:xxx:yyy:2:610:14:1:0里面对应field是对应的每天日期比如2024-01-1，故集合元素个数1218个是因为运行了3年多，由于存储的Hash结构缓存没有对过期的filed删除（如下图还存在2023年数据，这些数据已经无效）。由于Redis和JIMDB本身对Hash（key，field，value）的field字段不支持自动过期。需要代码判断并且hDel(String key, String... fields)对过期的field删除。
Image
代码改造
//首次个人设置清空历史1000+天数据//后面代码自动找到过去7天的fields日期，执行deleallFields.forEach( expireDay -> {        deleteCache(logPrefix,storeProductionKey,expireDay);});

private void deleteCache(String logPrefix,StoreProductionKey storeProductionKey, String day){    String key = storeProductionKey.generateConfigKey();    CallerInfo callerInfo = umpService.registerInfo(".XXX.deleteCache");    try{        redisClient.hDel(logPrefix, key, day);    }catch (Exception e){        if(log.isErrorEnabled()){           log.error(logPrefix +"XXX" + key + day,e);        }        umpService.functionError(callerInfo);    }finally {        umpService.registerInfoEnd(callerInfo);    }}

2.2.2）把大key变小key

改造案例2：重新定义唯一key，把大key变小key
背景：大宗时效数据，系统刚开始设计的key是promise:control:${controlType} 备注：controlType是订单类型，对应value是Map<String, WhiteSkuTimeRangeCO> 其中String是#{deliveryCenterId}:#{storeId)(对应配送中心+仓库ID ）
public class WhiteSkuTimeRangeCO {    /**     * 开始时间     */    @JSONField(name = "st")    private long effectSt;
    /**     * 结束时间     */    @JSONField(name = "ed")    private long effectEd;}

刚开始数据量不大，大key不明显，运营N年后，数据量变成1000+条，大key就体现出来了

改造后key变成promise:control:${controlType}:#{deliveryCenterId}:#{storeId)。

3）热key治理

热key产生有很多原因

案例1：

流量倾斜：比如流量严重倾斜导致的，比如大促扩容机器，都是copy行云分组，导致新机器都链接到同一个config对应的S分片，如果S分片是默认读组，则新机器流量都打到这个分片上，流量高峰期则会产生热key。解决方案：分组修改confing，让jimdb负载均衡平均。或者修改读组策略（比如轮循s分片）

案例2：

比如promise:xxx:yyy|:zzz这个key，固定前置，hash到固定的某个槽位，流量都打到这个机器。即是热key也是大key

解决方案：1）首先本地缓存是一方面，但没有从根源解决。2）如果某个关键被确认为热点，一个简单方法在关键字开头或者结尾添加一个随机数（比如两位数），这样就可以将关键字分布到100个不同的关键字上，从而分配到不同的分区上。比如上面key对应改造为 promise:xxx:yyy|:zzz:01 ...... promise:xxx:yyy|:zzz:50 ...... promise:xxx:yyy|:zzz:99

参考文献

1、《数据密集型应用系统设计》

2、《Redis设计与实现 第二版》

3、《Redis5设计与源码分析》

4、Redis之哈希分片原理一致性哈希算法与crc16算法（https://www.cnblogs.com/lemon-flm/p/15205026.html）

5、一致性 Hash 算法原理&应用梳理（https://cloud.tencent.com/developer/article/2197083）
如果文中有任何不足之处，恳请各位不吝赐教，留言指正。感谢大家的阅读和反馈！

KEEP THE THREAD GOING

更多来源文章

SIGIR 2026｜OxygenSearch 之生成式检索偏好对齐 RAD-DPO 技术解析

针对生成式检索在电商搜索中的偏好对齐难题，提出鲁棒自适应去噪偏好优化（RAD-DPO）方案，通过 session 级多标签全局对比、Token 级梯度阻断与动态奖励加权，缓解多正例概率挤压、公共前缀误伤和伪负例噪声问题，提升主站搜索生成式检索的效果与鲁棒性。

阅读全文