阿里二面：千万级、亿级数据，如何性能优化？ 教科书级 答案来了
说在前面
在尼恩指导了几百个小伙伴的面试，在这些过程中， 非常、非常高频的一个面试题：
千万级数据，如何做性能优化？
亿级数据，如何做性能优化？
最近，有个小伙伴阿里二面，又遇到了这个问题。
其实，尼恩一直想梳理一个教科书式的答案，
但是由于千万级数据、亿级数据的场景，千差万别，唯恐不能覆盖全面而出现纰漏，所以一直拖着。
一直拖着....
最近，在梳理超高并发行业案例的过程中，发现了一个"近乎完美" 的行业案例《vivo 全球商城 亿级订单中心、优惠券中心架构设计与实践》。
突然，豁然开朗。
咱们一直心心念念的 “千万级数据，如何做性能优化？” 的教科书式的答案，其实就藏着在这个行业案例里边。
什么才是“教科书式” 答案：
- 要求1：数据量贴近实际
很多小伙伴，一说到3高架构，就习惯于 一顿猛吹，不切实际
面试官又不是傻子，一听，就知道在吹水。
vivo 案例里边的数据量， 刚好不多不少， 正好是 “教科书式” 的数据量
- 要求2：方案不够完美，但是生产足以
很多小伙伴，一遇到3高架构的题目，就异常亢奋
狠不得竹筒倒豆子，把尼恩面试宝典里边的三高架构思路，尼恩书里的三高架构思路，社群的听到到三高架构思路，一个劲儿全部倒出来，
一听，就知道在吹水。为什么呢？
生产方案，其实不不是完美的
完美的方案，都不怎么生产；都活在书上、活在嘴里
而行业案例《vivo 全球商城 亿级订单中心、优惠券中心架构设计与实践》，刚好就是一个不怎么完美的方案，但是，却恰恰是一个 真正生产方案。
总之，尼恩从 面试维度，对这个方案，进行二次重构和梳理，现在把其做为参考答案，收入咱们的
供后面的小伙伴参考，大家一定好好看看这个教科书级别的答案。
问题场景介绍
首先，看看VIVO商城的用户数据
截止2021，vivo在全球已覆盖4亿多用户，服务60多个国家和地区，
vivo 在菲律宾、马来、印度等国家的市场份额名列前三，在国内出货量始终保持领先地位，成功跻身2021年第三季度4000+以上高端手机市场份额的Top3。
抱歉，以上是他们2021的数据，
但是咱们手上的方案，大概是他们2018年的，那时候，他们的订单只有1000万级别。
那个时候的vivo商城数据量看上去不多，但是刚好是完美的学习型数据。
VIVO商城问题场景
从2017年开始，随着用户量级的快速增长，vivo 官方商城 v1.0 的单体架构逐渐暴露出弊端：
- 模块愈发臃肿
- 开发效率低下
- 性能出现瓶颈
- 系统维护困难。
订单模块是电商系统的交易核心，不断累积的数据即将达到单表存储瓶颈，系统难以支撑新品发布和大促活动期间的流量，服务化改造势在必行。
那么，他们如何做优化呢？
优化措施的宏观介绍
优化1：业务架构解耦
从2017年开始启动的 v2.0 架构升级和全面的解耦，包括 业务模块解耦、服务化改造
- 业务模块解耦，主要是基于业务模块进行垂直的系统物理拆分，
- 服务化改造，就是在业务模块解耦基础上，进一步的微服务化。拆分出来业务线各司其职，提供服务化的能力，共同支撑主站业务。
基于业务模块进行垂直的系统物理拆分，分出来业务线各司其职，提供服务化的能力，共同支撑主站业务。
优化2：数据量大的优化
随着历史订单不断累积，2017年MySQL中订单表数据量已达千万级。之后的订单数据，远远大于亿级
对数据量大的问题，进行了以下优化：
- 数据归档
- 分表
优化3：吞吐量大的优化
商城业务处于高速发展期，下单量屡创新高，业务复杂度也在提升，
应用程序对MySQL的访问量越来越高，但是， 单机MySQL的处理能力是有限的，
当压力过大时，所有请求的访问速度都会下降，甚至有可能使数据库宕机。
并发量高的解决方案有：
- 使用缓存
- 读写分离
- 分库
优化4：高速搜索引擎的数据一致性优化
为了便于订单的聚合搜索，高速搜索，把订单数据冗余存储在Elasticsearch中，
那么，如何在MySQL的订单数据和ES中订单数据的增量一致性呢？
他们从以下的两种方案中：
1）MQ方案
2）Binlog方案
他们没有选择 业务代码侵入小、不影响服务本身的性能 的Binlog方案
而是选择 更加低延迟的 MQ方案。
优化5：合理的选择数据库迁移措施
何将数据从原来的单实例数据库，迁移到新的数据库集群，也是一大技术挑战。
要考虑的问题有二：
- 要确保数据的正确性，
- 还要保证迁移过程中，只要有问题，能快速地回滚。
他们考虑了两种方案：
- 停机迁移
- 不停机迁移
他们比较务实，不追求高大上。
考虑到不停机方案的改造成本较高，而夜间停机方案的业务损失并不大，最终选用的是停机迁移方案。
这才是 教科书式的选择。
优化6：合理的进行分布式事务方案的选型
从单体架构，到微服务架构，数据的一致性呢？
单体架构的 数据库ACID 事务，当然保证不了，需要用到分布式事务。
分布式事务的方案，那就太多了。 具体可以参考下面的博客文章：
分布式事务 （秒懂）_40岁资深老架构师尼恩的博客-CSDN博客_尼恩分布式事务
业界的主流方案中，用于解决强一致性的有两阶段提交(2PC)、三阶段提交(3PC)，
用于解决最终一致性的有TCC、本地消息、事务消息和最大努力通知等。
他们从高并发的场景出发，选择了本地消息表方案：
在本地事务中将要执行的异步操作记录在消息表中，如果执行失败，可以通过定时任务来补偿。
优化7： 其他的一些细节优化
- 比如 es 召回优化
- 比如消息的有序性优化
- 比如sharding-jdbc 分页查询优化等等
接下来，来看看这个生产项目，具体是怎么做的。
优化1：业务架构解耦
业务架构解耦，就是基于业务模块，进行垂直的系统物理拆分，
拆分出来业务线各司其职，提供服务化的能力，共同支撑主站业务。
所以，之前的订单模块，被从商城拆分出来，独立为订单系统，为商城相关系统提供订单、支付、物流、售后等标准化服务。
模块解耦配合的，就是数据库解耦，所以，订单模块使用独立的数据库，
高并发场景下，模块解耦之后，就是服务解耦（微服务化）。
服务化解耦之后，对应的就是团队解耦。拆分出来业务线，各司其职。
总结起来，其实就是四大解耦：
- 模块解耦
- 数据库解耦
- 服务解耦
- 团队解耦（业务线解耦）
四大解耦之后，订单系统架构如下图所示：
那么四大解耦之后，结果是什么呢：
- 拆分出来业务线各司其职，迭代效率大幅提升
- 能更好的应对超高并发、超大规模数据存储难题。各个业务线可以结合领域特性，实施个性化的解决方案，更加有效、更有针对性的生产难题。
优化2：数据量大的优化
随着历史订单不断累积，2017年MySQL中订单表数据量已达千万级。2017年之后的订单数据，远远大于亿级
大家知道，InnoDB存储引擎的存储结构是B+树，单表的查找时间复杂度是O(log n)，
B+树的问题是： 树的高度越大， IO次数越多
而磁盘IO操作，是性能非常低的。
因此当数据总量n变大时，检索速度必然会变慢，
不论如何加索引或者优化都无法解决，只能想办法减小单表数据量。
对数据量大的问题，进行了以下优化：
- 数据归档
- 分表
1）数据归档
根据二八定律，系统绝大部分的性能开销花在20%的业务。数据也不例外，
从数据的使用频率来看，经常被业务访问的数据称为热点数据；反之，称之为冷数据。
订单数据具备时间属性，存在热尾效应，
在了解的数据的冷、热特性后，便可以指导我们做一些有针对性的性能优化。
这里面有业务层面的优化，也有技术层面的优化。
业务层面的优化：
电商网站，一般只能查询3个月内的订单，如果你想看看3个月前的订单，需要访问历史订单页面。
技术层面的优化：
大部分情况下检索的都是最近的订单，而订单表里却存储了大量使用频率较低的老数据。
那么就可以将新老数据分开存储，将历史订单移入另一张表中，
然后，对代码中的查询模块做一些相应改动，便能有效解决数据量大的问题。
2）数据分表
分表又包含垂直分表和水平分表：
- 水平分表：在同一个数据库内，把一个表的数据按一定规则拆到多个表中；
- 垂直分表：将一个表按照字段分成多表，每个表存储其中一部分字段。
这里主要是减少 IO 的次数，降低B+树的高度，所以，主要考虑的是水平分表
按照业内的参考标准，单表的数据在500-1000W，B+树的高度在2-3层，一般2-3次IO操作，就可以读取到数据记录。
但是，分表和措施，通常和分库一起分析和落地。
所以，这里稍后结合 第三大优化吞吐量大的优化，一起分析。
优化3：吞吐量大的优化
截止2021，vivo在全球已覆盖4亿多用户，服务60多个国家和地区
从2017年开始，商城业务处于高速发展期，下单量屡创新高，吞吐量猛涨
- 应用程序吞吐量猛涨
- MySQL的吞吐量猛涨
但是， 单体MySQL的处理能力是有限的，当压力过大时，首先是 所有请求的RT时间拉长，访问速度下降，最后是拖垮整个数据库，甚至有可能使数据库宕机。
吞吐量大的优化的解决方案有：
- 使用缓存
- 读写分离
- 分库
1）使用缓存
尼恩梳理了《当当的亿级电商支付系统性能优化方案》之后，总结了高并发架构的三板斧： 缓存、池化、异步
第一板斧，首当其冲
首先考虑的是分布式缓存 Redis，使用Redis作为MySQL的前置缓存，可以挡住大部分的查询请求，并降低响应时延。
其次，对于热点数据，可以使用二级缓存，甚至三级缓存
具体可以参考尼恩的 《第26章视频： 百万qps 三级缓存架构落地与实操》
但是，缓存对存在局部热点、周期性热点数据友好
比如： 商品系统、 优惠券系统、活动系统，这里存在局部热点、周期性热点数据的系统，使用一级缓存、二级缓存、甚至三级缓存。
但是，订单系统不属于这个场景。
订单熊有一个特点，每个用户的订单数据都不一样，
所以，在订单系统中，缓存的缓存命中率不高。不存在太热的数据，所以一级缓存、三级缓存就不用了。
但是，redis 二级缓存，能缓存最近的订单，
最近的订单也是用户最近最可能使用的数据，矮个子里边拔将军，
所以，redis分布式还是能够为DB分担一下压力。这个还是要用的。
2）读写分离
主库负责执行数据更新请求，然后将数据变更实时同步到所有从库，用多个从库来分担查询请求。
问题是：
- 但订单数据的更新操作较多，下单高峰时主库的压力依然没有得到解决。
- 且存在主从同步延迟，正常情况下延迟非常小，不超过1ms，但也会导致在某一个时刻的主从数据不一致。
那就需要对所有受影响的业务场景进行兼容处理，可能会做一些妥协，
比如下单成功后先跳转到一个下单成功页，用户手动点击查看订单后才能看到这笔订单。
3）分库
分库又包含垂直分库和水平分库：
- 水平分库：把同一个表的数据按一定规则拆到不同的数据库中，每个库可以放在不同的服务器上；
- 垂直分库：按照业务将表进行分类，分布到不同的数据库上面，每个库可以放在不同的服务器上，它的核心理念是专库专用。
分库能够解决整体 高吞吐的问题
分表能够解决单表 高吞吐的问题
综合考虑了改造成本、效果和对现有业务的影响，决定直接使用最后一招：分库分表。
4）分库分表技术选型
分库分表的技术选型主要从这几个方向考虑：
- 客户端sdk开源方案
- 中间件proxy开源方案
- 公司中间件团队提供的自研框架
- 自己动手造轮子
参考之前项目经验，并与公司中间件团队沟通后，采用了开源的 Sharding-JDBC 方案。
Sharding-JDBC 方案 已更名为Sharding-Sphere。其官方的地址是：
- Github：https://github.com/sharding-sphere/
- 文档：官方文档比较粗糙，但是网上资料、源码解析、demo比较丰富
- 社区：活跃
- 特点：jar包方式提供，属于client端分片，支持xa事务
1）分库分表策略
结合业务特性，选取用户标识作为分片键，
通过计算用户标识的哈希值再取模，来得到用户订单数据的库表编号。
假设共有n个库，每个库有m张表，
则库表编号的计算方式为：
- 库序号：Hash(userId) / m % n
- 表序号：Hash(userId) % m
路由过程如下图所示：
id的路由，逻辑比较复杂， 尼恩的第19章《10w qps 推送中台》有详细具体的介绍，这个可以参考。
行业有非常多的解决案例， 推特 snowflake雪花id， 百度 雪花id，shardingjdbc 雪花id 源码，这些案例各有优势，这些 尼恩的第19章《10w qps 推送中台》有源码级、原理级的介绍。
2）分库分表的局限性和应对方案
分库分表解决了数据量和并发问题，但它会极大限制数据库的查询能力，
有一些之前很简单的关联查询，在分库分表之后可能就没法实现了，
那就需要单独对这些Sharding-JDBC不支持的SQL进行改写。
除此之外，还遇到了这些挑战：
①全局唯一ID设计
分库分表后，数据库自增主键不再全局唯一，不能作为订单号来使用，
但很多内部系统间的交互接口只有订单号，没有用户标识这个分片键，如何用订单号来找到对应的库表呢？
原来，我们在生成订单号时，就将库表编号隐含在其中了。
这样就能在没有用户标识的场景下，从订单号中获取库表编号。
id的设计，逻辑复杂，既要考虑 高并发高性能，还要考虑时钟回拨等问题。
行业有非常多的解决案例， 推特 snowflake雪花id， 百度 雪花id，shardingjdbc 雪花id 源码，这些案例各有优势，这些 尼恩的第19章《10w qps 推送中台》有源码级、原理级的介绍。
②历史订单号没有隐含库表信息
用一张表单独存储历史订单号和用户标识的映射关系，随着时间推移，这些订单逐渐不在系统间交互，就慢慢不再被用到。
③管理后台需要根据各种筛选条件，分页查询所有满足条件的订单
将订单数据冗余存储在搜索引擎Elasticsearch中，仅用于后台查询。
优化4：高速搜索引擎的数据一致性优化
为了便于订单的聚合搜索，高速搜索，把订单数据冗余存储在Elasticsearch中，
那么，如何在MySQL的订单数据和ES中订单数据的增量一致性呢？
上面的说法，文绉绉的。
直白来说，如何在MySQL的订单数据变更后，同步到ES中呢？
上面说到为了便于管理后台的查询，我们将订单数据冗余存储在Elasticsearch中，
那么，如何在MySQL的订单数据变更后，同步到ES中呢？
这里要考虑的是数据同步的时效性和一致性、对业务代码侵入小、不影响服务本身的性能等。
1）MQ方案
ES更新服务作为消费者，接收订单变更MQ消息后对ES进行更新
2）Binlog方案
ES更新服务借助canal等开源项目，把自己伪装成MySQL的从节点，接收Binlog并解析得到实时的数据变更信息，然后根据这个变更信息去更新ES。
其中BinLog方案比较通用，但实现起来也较为复杂，我们最终选用的是MQ方案。
因为ES数据只在管理后台使用，对数据可靠性和同步实时性的要求不是特别高。
考虑到宕机和消息丢失等极端情况，在后台增加了按某些条件手动同步ES数据的功能来进行补偿。
优化5：合理的选择数据库迁移措施
如何将数据从原来的单实例数据库，迁移到新的数据库集群，也是一大技术挑战。
不但要确保数据的正确性，还要保证每执行一个步骤后，一旦出现问题，能快速地回滚到上一个步骤。
我们考虑了停机迁移和不停机迁移的两种方案：
1）不停机迁移方案：
- 把旧库的数据复制到新库中，上线一个同步程序，使用 Binlog等方案实时同步旧库数据到新库；
- 上线双写订单新旧库服务，只读写旧库；
- 开启双写，同时停止同步程序，开启对比补偿程序，确保新库数据和旧库一致；
- 逐步将读请求切到新库上；
- 读写都切换到新库上，对比补偿程序确保旧库数据和新库一致；
- 下线旧库，下线订单双写功能，下线同步程序和对比补偿程序。
2）停机迁移方案：
- 上线新订单系统，执行迁移程序将两个月之前的订单同步到新库，并对数据进行稽核；
- 将商城V1应用停机，确保旧库数据不再变化；
- 执行迁移程序，将第一步未迁移的订单同步到新库并进行稽核；
- 上线商城V2应用，开始测试验证，如果失败则回退到商城V1应用（新订单系统有双写旧库的开关）。
考虑到不停机方案的改造成本较高，而夜间停机方案的业务损失并不大，最终选用的是停机迁移方案。
优化6：合理的进行分布式事务方案的选型
电商的交易流程中，分布式事务是一个经典问题，比如：
- 用户支付成功后，需要通知发货系统给用户发货；
- 用户确认收货后，需要通知积分系统给用户发放购物奖励的积分。
我们是如何保证微服务架构下数据的一致性呢？
不同业务场景对数据一致性的要求不同，业界的主流方案中，用于解决强一致性的有两阶段提交(2PC)、三阶段提交(3PC)，解决最终一致性的有TCC、本地消息、事务消息和最大努力通知等。
我们正在使用的本地消息表方案：
在本地事务中将要执行的异步操作记录在消息表中，如果执行失败，可以通过定时任务来补偿。
下图以订单完成后通知积分系统赠送积分为例。
优化7： 其他的一些细节、具备优化
1）网络隔离
只有极少数第三方接口可通过外网访问，且都会验证签名，
内部系统交互使用内网域名和RPC接口，不需要要进行签名，提升性能，也提升安全性。
2）并发锁
分布式场景，可能会出现同一个订单的并发更新
任何订单更新操作之前，会通过数据库行级锁加以限制，防止出现并发更新。
3）幂等性
分布式场景，可能会出现同一个订单的重复更新
所有接口均具备幂等性，不用担心对方网络超时重试所造成的影响。
4）熔断
分布式场景，需要防止故障的扩散，发生由一点牵动全身的系统性雪崩
防止某个系统故障的影响扩大到整个分布式系统中。
使用Hystrix组件，对外部系统的实时调用添加熔断保护，防止某个系统故障的影响扩大到整个分布式系统中。
5）全方位监控和告警
通过配置日志平台的错误日志报警、调用链的服务分析告警，
再加上公司各中间件和基础组件的监控告警功能，让我们能够能够第一时间发现系统异常。
6）消息的有序性问题
采用MQ消费的方式同步数据库的订单相关数据到ES中，遇到的写入数据不是订单最新数据问题。
上图左边是原方案：
在消费订单数据同步的MQ时，如果线程A在先执行，查出数据，
这时候订单数据被更新了，线程B开始执行同步操作，查出订单数据后先于线程A一步写入ES中，
线程A执行写入时就会将线程B写入的数据覆盖，导致ES中的订单数据不是最新的。
上图右边是解决方案：
解决方案是在查询订单数据时加行锁，整个业务执行在事务中，执行完成后再执行下一个线程。
7）sharding-jdbc 分组后排序分页查询出所有数据问题
示例：
select a from temp group by a,b order by a desc limit 1,10
执行时Sharding-jdbc里group by 和 order by 字段和顺序不一致时将10置为Integer.MAX_VALUE, 导致分页查询失效。
io.shardingsphere.core.routing.router.sharding.ParsingSQLRouter#processLimit
private void processLimit(final List<Object> parameters, final SelectStatement selectStatement, final boolean isSingleRouting) {
boolean isNeedFetchAll = (!selectStatement.getGroupByItems().isEmpty() || !selectStatement.getAggregationSelectItems().isEmpty()) && !selectStatement.isSameGroupByAndOrderByItems();
selectStatement.getLimit().processParameters(parameters, isNeedFetchAll, databaseType, isSingleRouting);
}
io.shardingsphere.core.parsing.parser.context.limit.Limit#processParameters
/**
* Fill parameters for rewrite limit.
*
* @param parameters parameters
* @param isFetchAll is fetch all data or not
* @param databaseType database type
* @param isSingleRouting is single routing or not
*/
public void processParameters(final List<Object> parameters, final boolean isFetchAll, final DatabaseType databaseType, final boolean isSingleRouting) {
fill(parameters);
rewrite(parameters, isFetchAll, databaseType, isSingleRouting);
}
private void rewrite(final List<Object> parameters, final boolean isFetchAll, final DatabaseType databaseType, final boolean isSingleRouting) {
int rewriteOffset = 0;
int rewriteRowCount;
if (isFetchAll) {
rewriteRowCount = Integer.MAX_VALUE;
} else if (isNeedRewriteRowCount(databaseType) && !isSingleRouting) {
rewriteRowCount = null == rowCount ? -1 : getOffsetValue() + rowCount.getValue();
} else {
rewriteRowCount = rowCount.getValue();
}
if (null != offset && offset.getIndex() > -1 && !isSingleRouting) {
parameters.set(offset.getIndex(), rewriteOffset);
}
if (null != rowCount && rowCount.getIndex() > -1) {
parameters.set(rowCount.getIndex(), rewriteRowCount);
}
}
正确的写法应该是
select a from temp group by a desc ，b limit 1,10;
两个sql，可以对比一下
select a from temp group by a desc ，b limit 1,10 ； #优化的sql， 去掉了 oderby
select a from temp group by a,b order by a desc limit 1,10 #原始的sql
这里 使用的版本是sharing-jdbc的3.1.1。
8）ES分页查询的召回问题
ES分页查询的召回问题: ES分页查询如果排序字段存在重复的值。
解决方案：最好加一个唯一的字段作为第二排序条件，避免分页查询时漏掉数据、查出重复数据，
比如用的是订单创建时间作为唯一排序条件，同一时间如果存在很多数据，就会导致查询的订单存在遗漏或重复，
这里，需要增加一个唯一值作为第二排序条件、或者直接使用唯一值作为排序条件。
优化和升级的成果
最后，总结一下，优化和升级的成果
- 一次性上线成功，稳定运行了一年多；
- 核心服务性能提升十倍以上；
- 系统解耦，迭代效率大幅提升；
- 能够支撑商城至少五年的高速发展。
来自VIVO官方的建议
VIVO官网商城开发团队在系统设计时，并没有一味追求前沿技术和思想，
面对问题根据业务实际状况来选取最合适的办法。
VIVO官网商城开发团队认为，一个好的系统，不是在一开始就被大牛设计出来的，
一个好的系统，一定是随着业务的发展和演进逐渐被迭代出来的，持续预判业务发展方向，提前制定架构演进方案，
所以，以上才是“教科书式” 答案：
结合 VIVO的优化方案，大家回到前面的面试题：
- 千万级数据，如何做性能优化？
- 亿级数据，如何做性能优化？
很多小伙伴，一遇到3高架构的题目，就异常亢奋，狠不得竹筒倒豆子，一顿狂吹，一通猛吹，一通瞎吹
通过以上的VIVO的实际优化案例，大家应该有一个切实的感受：
- 生产方案，其实不不是完美的
- 完美的方案，都不怎么生产；都活在书上、活在嘴里
以上问题的和答案，不算完美，但是，正因为这样，才算是一个面试场景，教科书式的答案
该答疑，已经收入 《尼恩Java面试宝典》第V36版本。
后续，尼恩为结合生产实际项目、一线生产项目，
给大家分析、总结更多的，更加 符合实际的、真正的工业级的 教科书式的答案。
推荐阅读：
《峰值21WQps、亿级DAU，小游戏《羊了个羊》是怎么架构的？》
《Springcloud gateway 底层原理、核心实战 (史上最全)》
《分库分表 Sharding-JDBC 底层原理、核心实战（史上最全）》
《clickhouse 超底层原理 + 高可用实操 （史上最全）》
《队列之王： Disruptor 原理、架构、源码 一文穿透》
《环形队列、 条带环形队列 Striped-RingBuffer （史上最全）》
《一文搞定：SpringBoot、SLF4j、Log4j、Logback、Netty之间混乱关系（史上最全）》
《缓存之王：Caffeine 源码、架构、原理（史上最全，10W字 超级长文）》
《Java Agent 探针、字节码增强 ByteBuddy（史上最全）》
