这几天正好看到一条新闻 铁道部:新客票系统2015年建成 ，正好最近想整理和总结一下这几年的工作中的收获，正好可以借这个机会，尝试设计一下铁路客票系统，把自己所学全部用到这个系统中去，顺便也希望各位猿们拍砖，一起探讨一下设计，技术吗，讨论讨论总是有点收获的，总比一个人在那里看书好。
非功能性要求
废话不说，这里先脱离系统的整体架构，后续在不断完善整体架构，这里首先讨论的是数据库层面的设计，因为对于整个架构系统来说，数据库的设计是最为关键重要的，数据库的设计好与坏，决定了整个系统的性能，可用性，扩展性。在考虑数据库的设计之前，我们可以先抛开非业务功能的需求，先看看非功能性需求，主要包括
1 数据库的类型选择
目前市场上数据库主要有：关系型数据库（Oracle,DB2,Mysql)，NOSQL类型数据库(MogonDB)，对象数据库(不是很了解)，面向文档的数据库(apache couchBD),面向统计的数据库(HBASE)
根据客票系统的类型，应该是属于OLTP类型的系统，但是考虑到商业上分析需求，也属于OLAP型系统，由于本次讨论OLTP系统的设计，优先选择Oracle。为啥，用的公司多，市场上相关的技术工程师多，DBA管理员多，安全性和性能都不错。就是有点贵，不过考虑到是铁道部，完全忽略。对于部分客票系统非关键性业务也不重要的，这一部分数据可以考虑使用Mysql。至于NOSQL，没有用过，这个主要是面向web2.0的，对于事务要求高的系统，不太适合。
2 多数据中心
在金融行业，都必须部署多个数据中心，避免在一个数据库机房故障之后，全部数据都不可用。比如假如某地地震，数据库所在机房宕机了，如果这个时候检票或者买票，就sb了，所以需要尽快恢复。这样必须马上启动另外一个数据库机房配置。
除去灾备情况，考虑到铁路售票系统数据库的巨大访问量，2011年的铁道部的旅客发送量---2011年全国铁路运输目标:旅客发送量19亿人次，根据这个，初略估计一下一年估计要20亿张票，这个只是2011年的量，按照未来的几年的增长，按照目标值100亿人次估计，相当于一天有2700W独立UV，1亿PV。考虑到春节这个变态的高峰期，瞬间的并发量比平时会高上千倍。如果只在一个数据库只有一台，数据库就会存在单点，一旦数据库挂掉了，需要尽快的恢复。这个时候不太可能启用灾备数据库，因为灾备是异地备份，备份数据库同步数据比较慢（网络延迟），所以必须必须在同一个城市在部署一套数据库。这样在单点数据库故障的时候，可以马上切到备份数据库。
下面两幅图主要介绍异地灾备以及同城异机房备份的实现原理。
- 同城备份
数据一次写一份，日志写两份。由于日志文件实时同步，A服务器写完B服务器的日志文件，B服务器马上就写自己的数据文件。这样不会丢失数据。当A服务器故障，应用马上就可以切换到B服务器。不会存在单点故障。但是考虑特殊情况，北京地震，A，B机房同时故障，整个数据都丢失了。所以必须由异地灾备的数据中心。不过还有其他的方式，这里就不做叙述了。总之是要做好去除单点。
- 异地备份
这个架构和同城备份有一点区别，就是A服务器只会写A机房的日志文件，然后A异步同步日志到B机房的日志文件。这里面会有几分钟的网络延迟。这里不实时写B机房的日志文件，主要是性能。如果实时写B机房的数据，一次更新操作，就会至少有一次网络延迟（上海到北京的网络传输时间）。会影响数据库的性能。而同城市通过光纤连接，传输速率快，可以忽略网络延迟。如果A机房故障（灾难性的故障，比如地震，机房被恐怖分析袭击），就会丢失一部分数据，丢失的数据就是网络延迟同步的数据。对于购票业务来说，数据丢失几分钟的，是可以接受的，大不了我铁道部亏一点，这几分钟丢失的数据我全部免票。也可以做一次好的营销。但是对于金融行业来说，数据是不能丢失的，这里的异地备份就不符合金融业的要求。用性能换取可用性。就像atm取钱一样，一次交易涉及几分钟。你的交易数据银行至少会备份2份，一份同城的，一份异地的。
3 硬件配置
这一块不是很熟悉，交给dba专业的人去做吧。小机 + 存储（SAS）。不过对于铁道部有钱，上大机即可。不过我们还是按照互联网方式去分析设计系统，使用普通的存储以及服务器。
功能性分析
1 业务流程分析
先简单的了解一下购票系统的业务流程：旅客到互联网（也可能是其他渠道）登录，根据出发日期，起始站，终点站查询车票，确定车次和座位，预定车票，然后进行支付，支付成功之后，发短信，之后客户到线下去取票。一个简单的流程就结束了。
从上面的流程可以看出，整个业务流程中有几个以下几个实体以及实体的重要属性信息
1 旅客信息：假设都是实名的，至少有三个重要信息 姓名，身份证，手机号
2 车次信息：车次，起始站，终点站，类型，发车时间，到达时间
3 车次停靠信息：车次，停靠站，达到时间，停靠时间
4 余票信息：车次，起始站，终点站，发车日期，剩余座票，剩余卧铺。。。
5 车票信息：车次，起始站，终点站，发车日期，购票日期，旅客姓名，身份证，手机号，状态，购票渠道，支付日期
6 支付信息：金额，支付日期，支付银行，支付金额，支付方式
7 短信信息：车票信息，验证码，短信内容
整个购票过程包括以上几个重要的实体，其他的几个字段可以先不管。我们可以假设一下每一个实体的数据规模
| 实体 | 数据量 | 日增量 |
| 旅客信息 | 上限-中国人口数 16亿 | 这个真不好估计 |
| 车次信息 | 比较少，假设10万 | 日增应该也不会超过10 |
| 车次停靠信息 | 车次信息 ×200 == 200W | 日增应该也不会超过100 |
| 车票信息 | 巨大，目前年增20亿，未来年曾100亿 | 自己换算一下，不过不会很平均，春节几天会暴增 |
| 支付信息 | 和车票信息同数量级 | 和车票信息一样 |
| 短信信息 | 少于车票信息，毕竟只有网络订票才会有短信，线下购票不会有 | 未知，假设100W |
| 余票信息 | 一年交易量 365×车次信息 == 5000W | 日增数据量 和 车次信息数量一致 假设10W |
从数据量来看 车票信息 > 支付信息 > 短信信息 > 余票信息 > 旅客信息 > 车次停靠信息 > 车次信息
从如此数据量来看，必须进行分库分表。所以分库分表就在设计库的时候就显的非常重要。
2 简单分库策略
旅客信息相关的信息单独分在一个库，这些数据相对来说是读多写少，并且可以大量进行缓存，是基础相数据。
车次相关的信息，比如车次，车次停靠可以单独放在一个标里面，这个标是保存原数据信息，数据量不大，数据完全可以缓存。可以考虑和余票库放在一次。
剩下就是四大的实体信息，余票信息，车票信息，支付信息，短信通知信息，首先短信通知信息相对来说比较通用的，可能未来很多业务都会涉及到短信通知，所以短信相关的信息放在一个库
在剩下就是考虑业务上比较耦合的三个实体：余票，车票，支付。
余票查询频繁，没出一张票，就会更新余票数
车票数据量巨大，有查询和更新需求
支付信息：单笔查询和更新需求
考虑到车票和支付信息在数据量级上远远高于余票信息，余票信息单独一个库，而车票信息和支付信息业务上差异比较大，也单独分出来。
根据以上的分析，可以分出来5个逻辑库：旅客库，车票库，短信库，车次库（车次信息，余票信息），支付库。
继续往下分析，在5个逻辑库里面，由于旅客库数据量有上线，只需要分配一个实体库即可。 车次库增长有限，也暂时分配一个实体库里面。而车库票，支付库，短信库数据量比较大，分配一个实体库显然不够。下面单独分析这三个逻辑库的分库策略
3 车票库分库策略
对于车票信息的分库策略，需要考虑到以下几个因素
1. 功能需求
查询需求：按照购票日期 + 旅客信息 + 状态 或者 旅客 + 发车日期 + 状态
统计需求：按发车日期统计购票总数量和金额 或者其他几个维度
交易需求：创建车票信息，更新车票状态，创建关联支付信息
对账需求：（假设不考虑退票需求）按照支付日期统计支付流水总金额 以及 统计 支付成功的车票信息总金额
2. 负载均衡
按照数据库处理实时要求进行分析，响应要求高的请求和耗时类请求分开，优先保证能够卖出票，支付车票。同时不能所有的请求都指向一个库。
3 高可用性
避免单点，否则购票功能就不可用。所以数据库至少有备份机制。
4 数据均匀
避免大多数据都在同一个库，否则遇到大数据查询数据库负载会很高，进而影响系统整体的可用性。因为大多数请求都会排队，导致系统资源耗尽。
5 可扩展性
当数据增长过快时候，能够很灵活的添加数据库而整个应用不需要做太大的修改
根据以上几个因素考虑，每一张车票生成一个全局的唯一性id，根据id最后一位数字/N平均把数据分配到N个数据库中，这样每张车票库最多可以分成10个库，可扩展性不强。也可以考虑一致性hash算法进行分库，但是这个比较复杂。还有一种方式就是随机分库，好处是可以无限扩展数据库，但是会给查询带来很大的影响。考虑到查询需求，太多的库可能导致查询复杂，甚至在有限时间内无法查询出来。这里采用最后数字/N的方式进行分库，N为数据库的个数。在这个基础上，在增加一个库，就是历史库，暂时只需要一个即可，把完结的历史数据迁移到这个库，一个季度之前的数据不需要在进行操作，一般只是查询需求，就迁移到这个库里面，减少交易库的压力。
这里分10个线上库，一个历史库。一共11个库。能够支持年100亿的交易规模。不过对于对账的需求，可以考虑另外的方式来实现。这里以后在说。
下面一幅图展示了分库的模型：
通过以上的分库策略，如果某一个库宕机了，会影响1/10的购票用户。
4 余票库分库策略
余票库虽然数据量没有车票库数大，但是查询和更新需求远比车票库频繁。而且是整个业务的关键路径。在考虑这个库的只需要保持一个月的数据即可，一个月前的数据可以迁移走，不需要所有的数据。而在春运期间，这个库的瞬间访问量会飙升，相当于淘宝的秒杀，要求实时性比较高，所以不太可能读写分离。综合考虑，可以分为两个库， 线上库和历史库。历史库用来做分析。这个后续是设计的重点。
5 支付库分库策略
支付信息和车票信息这两个库有点类似，只是用户查询相对来说比较少。这个支付库分库策略和车票库的策略可以一样。
6 短信库分库策略
由于短信通知是全站业务，这个完全可以独立与购票业务。消息量大，但非关键业务，非系统关键路径，对实时行要求不高，所以简单分成两个库即可。
在分库之后，数据一致性要求就会比较高，涉及到分布式事务 ，后续会重点讨论分布式事务的设计。
先写到这里吧，下一篇 会分析表结构以及分表策略和索引。
