从0到百万用户：后悔当初架构没这样设计，现在全是坑……
Latency Gambler约 4 分钟项目上线时，我们仅有100名用户。但几个月后，用户数迅速突破 10,000，接着是 100,000。此时，扩展性问题比用户增长来得更快。
我们的目标是支持 100 万用户，但原本支撑 1,000 用户的架构已不堪重负。回顾过去，以下是我希望从第一天就建立起来的架构，以及在高压下扩展的宝贵经验。
阶段 1：单体的成功（直到它失败）
最初的架构非常简单：
Spring Boot 应用
MySQL 数据库
NGINX 负载均衡器
所有组件部署在一台虚拟机（VM）上
[ Client ] → [ NGINX ] → [ Spring Boot App ] → [ MySQL ]该架构轻松应对 500 并发用户。但当并发用户达到 5,000 时：
CPU 满载
查询变慢
系统可用性跌破 99%
监控显示问题根源：数据库锁、GC 停顿、线程竞争。
阶段 2：增加服务器（却忽略了真正的瓶颈）
我们在 NGINX 后增加了多个应用服务器：
[ Client ] → [ NGINX ] → [ App1 | App2 | App3 ] → [ MySQL ]读请求 扩展良好，但 写请求 仍集中在 单 MySQL 实例。
负载测试结果：
| Users | Avg Response Time || ----- | ----------------- || 1000 | 120ms || 5000 | 480ms || 10000 | 3.2s |
瓶颈并非 CPU，而是 数据库。
阶段 3：引入缓存层
我们添加 Redis 作为读密集型查询的缓存：
public User getUser(String id) {User cached = redisTemplate.opsForValue().get(id);if (cached != null) return cached;User user = userRepository.findById(id).orElseThrow();redisTemplate.opsForValue().set(id, user, 10, TimeUnit.MINUTES);return user;}
效果显著：
数据库负载减少 60%
缓存命中的读请求响应时间降至 200ms 以内
1,000个并发用户请求的基准测试：
| Approach | Avg Latency | DB Queries || ---------- | ----------- | ---------- || No Cache | 150ms | 1000 || With Cache | 20ms | 50 |
阶段 4：拆分单体架构
将核心功能拆分为 微服务：
用户服务
帖子服务
动态流服务
每个服务拥有独立数据库表（初期共享同一数据库实例）。
服务间通过 REST API 通信：
@RestControllerpublic class FeedController {@GetMapping("/feed/{userId}")public Feed getFeed(@PathVariableString userId) {User user = userService.getUser(userId);List<Post> posts = postService.getPostsForUser(userId);return new Feed(user, posts);}}
但链式 REST 调用导致 延迟叠加：一个请求可能触发 3-4 次内部调用。
用户量激增时，性能急剧下降。
阶段 5：消息队列与异步处理
引入 Kafka 处理异步任务：
用户注册触发 Kafka 事件
下游服务通过消费事件替代同步 REST 调用
// PublishkafkaTemplate.send("user-signed-up", newUserId);// Consume@KafkaListener(topics = "user-signed-up")public void handleSignup(String userId) {recommendationService.prepareWelcomeRecommendations(userId);}
使用Kafka后，注册延迟从1.2秒降至300毫秒，因为昂贵的下游任务超出了带宽。
阶段 6：数据库扩展
当用户数达到 50 万时，即使有缓存，单 MySQL 实例仍无法支撑。
解决方案：
读写分离 → 分离读/写流量
分片 → 按用户 ID 分区（例如 0-999k、100 万-200 万等）
归档表 → 将冷数据移出主表
分片查询路由示例：
if (userId < 1000000) {return jdbcTemplate1.query(...);} else {return jdbcTemplate2.query(...);}
效果：减少 写竞争，各分片查询时间显著优化。
阶段 7：可观测性
用户量突破 10 万后，缺乏监控导致故障排查困难。
我们引入：
分布式追踪（Jaeger + OpenTelemetry）
集中式日志（ELK 技术栈）
Prometheus + Grafana 监控面板
Grafana 面板示例：
| Metric | Value || -------------- | ------- || P95 latency | 280ms || DB connections | 120/200 || Kafka lag | 0 |
改进前，定位延迟峰值需 数小时；改进后仅需 几分钟。
阶段 8：CDN 与边缘缓存
用户量达 100 万时，40% 流量来自 静态资源（图片、头像、JS 文件）。
我们将静态资源迁移至 Cloudflare CDN，并设置强缓存策略：
| Asset | Origin Latency | CDN Latency || ------------------ | -------------- | ----------- || /static/app.js | 400ms | 40ms || /images/avatar.png | 300ms | 35ms |
效果：源站流量减少 70%。
若重头再来：更早构建的最终架构
如果重新开始，我会跳过中间阶段，直接采用以下架构：
[ Client ]↓[ CDN + Edge Caching ]↓[ API Gateway → Service Mesh ]↓[ Microservices + Kafka + Redis Cache ]↓[ Sharded Database + Read Replicas ]
关键经验：
缓存是必选项，而非可选项
数据库扩展需提前设计
异步处理至关重要
可观测性越早投入回报越大
扩展的核心不是“堆服务器”，而是 逐层消除瓶颈。
最终基准测试（100 万用户，1,000 RPS）
| Metric | Value || ------------------ | ------ || P95 API Latency | 210ms || Error Rate | <0.1% || Cache Hit Ratio | 85% || DB Query Rate | 50 qps || Kafka Consumer Lag | 0 |
总结
扩展到 100 万用户的关键不是追逐新技术，而是按正确顺序解决正确问题。
支撑前 1,000 用户的架构，无法支撑下一个百万。
在问题爆发前，提前设计应对方案。
-
你在扩展过程中踩过哪些架构大坑？欢迎分享。
作者丨The Latency Gambler 编译丨Rio