大家好，我是 Tom哥。
作为互联网从业者，高并发一直是我们绕不开的一个话题。
那么高并发系统都有哪些经验，掌握核心技巧，你可以快速成为一个架构师，主导一些高访问量系统的架构设计。
然后，升职加薪自然也就是水到渠成的事。
一、负载均衡
靠优化单台机器的内存、CPU、磁盘、网络带宽，使其发挥极致性能，已经不太现实。
正所谓 "双拳难敌四手，恶虎还怕群狼"，现在早已经是分布式时代，靠的是shu量取胜，也称之为水平伸缩方案。
这么多的系统，如何流量调度，这里的第一道入口就是负载均衡。
负载均衡，它的职责是将网络请求 “均摊”到不同的机器上。避免集群中部分服务器压力过大，而另一些服务器比较空闲的情况。
通过负载均衡，可以让每台服务器获取到适合自己处理能力的负载。在为高负载服务器分流的同时，还可以避免资源浪费，一举两得。
常见的负载算法：
随机算法。
轮询算法。
轮询权重算法。
一致性哈希算法。
最小连接。
自适应算法。
常用负载均衡工具：
LVS。
Nginx。
HAProxy。
对于一些大型系统，一般会采用 DNS+四层负载+七层负载的方式进行多层次负载均衡。
二、分布式微服务
过去是一个大而全的系统，面对复杂的业务规则，我们采用分而治之的思想，通过SOA架构，将一个大的系统拆分成若干个微服务，粒度越来越小，称之为微服务架构。
每个微服务独立部署，服务和服务间采用轻量级的通信机制，如：标准的HTTP协议、或者私有的RPC协议。
微服务特点：
按照业务划分服务，单个服务代码量小，业务单一，容易维护。
每个微服务都有自己独立的基础组件，例如数据库。
微服务之间的通信是通过HTTP协议或者私有协议，且具有容错能力。
微服务有一套服务治理的解决方案，服务之间不耦合，可以随时加入和剔除。
单个微服务能够集群化部署，有负载均衡的能力。
整个微服务系统应该有完整的安全机制，包括用户验证，权限验证，资源保护。
整个微服务系统有链路追踪的能力。
有一套完整的实时日志系统。
市面常用微服务框架有：Spring Cloud 、Dubbo 、kubernetes、gRPC、Thrift 等。
这么多的微系统之间如何感知?这里面会引入注册中心。
常用的注册中心有：Zookeeper、etcd、Eureka、Nacos、Consul。
万事有利就有弊，分布式微服务由于拆分的过细，引入一些复杂化问题需要关注：
分布式事务。
限流机制。
熔断机制。
网关。
服务链路追踪。
三、缓存机制
性能不够，缓存来凑。要想快速提升性能，缓存肯定少不了。
缓存能够带来性能的大幅提升，以 Memcache 为例，单台 Memcache 服务器简单的 key-value 查询能够达到 TPS 50000 以上;Redis性能数据是10W+ QPS。
为什么缓存的速度那么快?
从上图中发现，同机房两台服务器跑个来回，再从内存中顺序读取1M数据，共耗时0.75ms。如果从硬盘读取，做一次磁盘寻址需要10ms，再从磁盘里顺序读取1M数据需要30ms。可见，使用内存缓存性能上提高多个数量级，同时也能支持更高的并发量。
常见的缓存分为本地缓存和分布式缓存，区别在与是否要走网络通讯。
本地缓存是部署在应用服务器中，而我们应用服务器通常会部署多台，当数据更新时，我们不能确定哪台服务器本地中了缓存，更新或者删除所有服务器的缓存不是一个好的选择，所以我们通常会等待缓存过期。因此，这种缓存的有效期很短，通常为分钟或者秒级别，以避免返回前端脏数据。
相反，分布式缓存采用集群化管理，支持水平扩容，并提供客户端路由数据，数据一致性维护更好。虽然有不到 1ms 的网络开销，但比起其优势，这点损耗微不足道。
缓存更新常用策略?
Cache aside，通常会先更新数据库，然后再删除缓存，为了兜底还会设置缓存时间。
Read/Write through， 一般是由一个 Cache Provider 对外提供读写操作，应用程序不用感知操作的是缓存还是数据库。
Write behind，延迟写入，Cache Provider 每隔一段时间会批量写入数据库，大大提升写的效率。像操作系统的page cache也是类似机制。
四、分布式关系型数据库
MySQL数据库采用B+数索引，三层结构，为了保证IO性能，一般建议单表存储 千万 条数据。
如果遇到单机数据库性能瓶颈，我们可以考虑分表。
分表又可以细分为 垂直分表 和 水平分表 两种形式。
1、垂直分表
数据表垂直拆分就是纵向地把一张表中的列拆分到多个表，表由“宽”变“窄”，简单来讲，就是将大表拆成多张小表，一般会遵循以下几个原则：
冷热分离，把常用的列放在一个表，不常用的放在一个表。
字段更新、查询频次拆分。
大字段列独立存放。
关系紧密的列放在一起。
2、水平分表
表结构维持不变，对数据行进行切分，将表中的某些行切分到一张表中，而另外的某些行又切分到其他的表中，也就是说拆分后数据集的并集等于拆分前的数据集。
分库分表技术点：
SQl组合。因为是逻辑表名，需要按分表键计算对应的物理表编号，根据逻辑重新组装动态的SQL。
数据库路由。如果采用分库，需要根据逻辑的分表编号计算数据库的编号。
结果合并。如果查询没有传入指定的分表键，会全库执行，此时需要将结果合并再输出。
目前市面有很多的开源框架，大致分为两种模式：
Proxy模式。SQL 组合、数据库路由、执行结果合并等功能全部存放在一个代理服务中，业务方可以当做。
优点：支持多种语言。升级方便。对业务代码无侵入。
缺点：额外引入一个中间件，容易形成流量瓶颈，安全风险较高，有运维成本。
Client 模式。常见是 sharding-jdbc，业务端系统只需要引入一个jar包即可，按照规范配置路由规则。jar 中处理 SQL 组合、数据库路由、执行结果合并等相关功能。
优点：简单、轻便。不存在流量瓶颈，减少运维成本
缺点：单语言，升级不方便。
实现思路：
1、如何选择分表键。
数据尽量均匀分布在不同表或库、跨库查询操作尽可能少、这个字段的值不会变。比如电商订单采用user_id。
2、分片策略。
根据范围分片、根据 hash 值分片、根据 hash 值及范围混合分片
3、如何编写业务代码。结合具体的业务实现。
4、历史数据迁移。
增量数据监听 binlog，然后通过 canal 通知迁移程序开始增量数据迁移。
开启任务，全量数据迁移。
开启双写，并关闭增量迁移任务。
读业务切换到新库。
线上运行一段时间，确认没有问题后，下线老库的写操作。
有一种说法：数据量大，就分表;并发高，就分库。
在实际的业务开发中，要做好数据量的增长预测，做好技术方案选型。另外，在引入分表方案后，要考虑数据倾斜问题，这个跟分表键有很大关系，避免数据分布不均衡影响系统性能。
五、分布式消息队列
并不是所有的调用都要走同步形式，对于时间要求不高、或者非核心逻辑，我们可以采用异步处理机制。
也就衍生出消息队列。
消息队列主要有三种角色：生产者、消息队列、消费者。
生产端核心的逻辑处理完后，会封装一个MQ消息，发送到消息队列。下游系统，如果关心这个事件，只需要订阅这个 topic ，便可以收到消息，进行后续的业务逻辑处理。
两者之间通过消息中间件完成了解耦，系统的扩展性非常高。
常用的消息框架有哪些?
ActiveMQ，RabbitMQ，ZeroMQ，Kafka，MetaQ，RocketMQ、Pulsar 等。
消息队列的应用场景?
异步处理。将一个请求链路中的非核心流程，拆分出来，异步处理，减少主流程链路的处理逻辑，缩短RT，提升吞吐量。如：注册新用户发短信通知。
削峰填谷。避免流量暴涨，打垮下游系统，前面会加个消息队列，平滑流量冲击。比如：秒杀活动。生活中像电源适配器也是这个原理。
应用解耦。两个应用，通过消息系统间接建立关系，避免一个系统宕机后对另一个系统的影响，提升系统的可用性。如：下单异步扣减库存。
消息通讯。内置了高效的通信机制，可用于消息通讯。如：点对点消息队列、聊天室。
六、CDN
CDN 全称 (Content Delivery Network)，内容分发网络。
目的是在现有的网络中增加一层网络架构，将网站的内容发布到最接近用户的网络“边缘”，使用户可以就近取得所需的内容，提高用户访问网站的响应速度。
CDN = 镜像(Mirror)+缓存(Cache)+整体负载均衡(GSLB)。
CDN都以缓存网站中的静态数据为主，如：CSS、JS、图片和静态页面等数据。用户从主站服务器中请求到动态内容后，再从CDN下载静态数据，从而加速网页数据内容的下载速度。
主要特点：
本地Cache加速。
镜像服务。
远程加速。
带宽优化。
集群抗攻击。
应用场景
网站站点/应用加速。
视音频点播/大文件下载分发加速。
视频直播加速。
移动应用加速。
七、其他
作为补充，像分布式文件系统、大数据、NoSQL、NewSQL，慢慢也开始成为高并发系统的周围框架生态补充。
