隨著樂視硬體搶購的不斷升級，樂視集團支付面臨的請求壓力百倍乃至千倍的暴增。作為商品購買的最後一環，保證用戶快速穩定地完成支付尤為重要。所以在2015年11月，我們對整個支付系統進行了全面的架構升級，使之具備了每秒穩定處理10萬訂單的能力。為樂視生態各種形式的搶購秒殺活動提供了強有力的支撐。 一. 分 ...
隨著樂視硬體搶購的不斷升級，樂視集團支付面臨的請求壓力百倍乃至千倍的暴增。作為商品購買的最後一環，保證用戶快速穩定地完成支付尤為重要。所以在2015年11月，我們對整個支付系統進行了全面的架構升級，使之具備了每秒穩定處理10萬訂單的能力。為樂視生態各種形式的搶購秒殺活動提供了強有力的支撐。
一. 分庫分表
在Redis，memcached等緩存系統盛行的互聯網時代，構建一個支撐每秒十萬隻讀的系統並不複雜，無非是通過一致性哈希擴展緩存節點，水平擴展web伺服器等。支付系統要處理每秒十萬筆訂單，需要的是每秒數十萬的資料庫更新操作（insert加update），這在任何一個獨立資料庫上都是不可能完成的任務，所以我們首先要做的是對訂單表（簡稱order）進行分庫與分表。
在進行資料庫操作時，一般都會有用戶ID（簡稱uid）欄位，所以我們選擇以uid進行分庫分表。
分庫策略我們選擇了“二叉樹分庫”，所謂“二叉樹分庫”指的是：我們在進行資料庫擴容時，都是以2的倍數進行擴容。比如：1台擴容到2台，2台擴容到4台，4台擴容到8台，以此類推。這種分庫方式的好處是，我們在進行擴容時，只需DBA進行表級的數據同步，而不需要自己寫腳本進行行級數據同步。
光是有分庫是不夠的，經過持續壓力測試我們發現，在同一資料庫中，對多個表進行併發更新的效率要遠遠大於對一個表進行併發更新，所以我們在每個分庫中都將order表拆分成10份：order_0，order_1，....，order_9。
最後我們把order表放在了8個分庫中（編號1到8，分別對應DB1到DB8），每個分庫中10個分表（編號0到9，分別對應order_0到order_9），部署結構如下圖所示：
根據uid計算資料庫編號：
資料庫編號 = (uid / 10) % 8 + 1
根據uid計算表編號：
表編號 = uid % 10
當uid=9527時，根據上面的演算法，其實是把uid分成了兩部分952和7，其中952模8加1等於1為資料庫編號，而7則為表編號。所以uid=9527的訂單信息需要去DB1庫中的order_7表查找。具體演算法流程也可參見下圖：
有了分庫分表的結構與演算法最後就是尋找分庫分表的實現工具，目前市面上約有兩種類型的分庫分表工具：
1.客戶端分庫分表，在客戶端完成分庫分表操作，直連資料庫
2.使用分庫分表中間件，客戶端連分庫分表中間件，由中間件完成分
庫分表操作
這兩種類型的工具市面上都有，這裡不一一列舉，總的來看這兩類工具各有利弊。客戶端分庫分表由於直連資料庫，所以性能比使用分庫分表中間件高15%到20%。而使用分庫分表中間件由於進行了統一的中間件管理，將分庫分表操作和客戶端隔離，模塊劃分更加清晰，便於DBA進行統一管理。
我們選擇的是在客戶端分庫分表，因為我們自己開發並開源了一套數據層訪問框架，它的代號叫“芒果”，芒果框架原生支持分庫分表功能，並且配置起來非常簡單。
芒果主頁：mango.jfaster.org
芒果源碼：github.com/jfaster/mango
二. 訂單ID
訂單系統的ID必須具有全局唯一的特征，最簡單的方式是利用資料庫的序列，每操作一次就能獲得一個全局唯一的自增ID，如果要支持每秒處理10萬訂單，那每秒將至少需要生成10萬個訂單ID，通過資料庫生成自增ID顯然無法完成上述要求。所以我們只能通過記憶體計算獲得全局唯一的訂單ID。
Java領域最著名的唯一ID應該算是UUID了，不過UUID太長而且包含字母，不適合作為訂單ID。通過反覆比較與篩選，我們借鑒了Twitter的Snowflake演算法，實現了全局唯一ID。下麵是訂單ID的簡化結構圖：
上圖分為3個部分：
1
時間戳
這裡時間戳的粒度是毫秒級，生成訂單ID時，使用System.currentTimeMillis()作為時間戳
2
機器號
每個訂單伺服器都將被分配一個唯一的編號，生成訂單ID時，直接使用該唯一編號作為機器號即可。
3
自增序號
當在同一伺服器的同一毫秒中有多個生成訂單ID的請求時，會在當前毫秒下自增此序號，下一個毫秒此序號繼續從0開始。比如在同一伺服器同一毫秒有3個生成訂單ID的請求，這3個訂單ID的自增序號部分將分別是0，1，2。
上面3個部分組合，我們就能快速生成全局唯一的訂單ID。不過光全局唯一還不夠，很多時候我們會只根據訂單ID直接查詢訂單信息，這時由於沒有uid，我們不知道去哪個分庫的分表中查詢，遍歷所有的庫的所有表？這顯然不行。所以我們需要將分庫分表的信息添加到訂單ID上，下麵是帶分庫分表信息的訂單ID簡化結構圖：
我們在生成的全局訂單ID頭部添加了分庫與分表的信息，這樣只根據訂單ID，我們也能快速的查詢到對應的訂單信息。
分庫分表信息具體包含哪些內容？第一部分有討論到，我們將訂單表按uid維度拆分成了8個資料庫，每個資料庫10張表，最簡單的分庫分表信息只需一個長度為2的字元串即可存儲，第1位存資料庫編號，取值範圍1到8，第2位存表編號，取值範圍0到9。
還是按照第一部分根據uid計算資料庫編號和表編號的演算法，當uid＝9527時，分庫信息＝1，分表信息＝7，將他們進行組合，兩位的分庫分表信息即為"17"。具體演算法流程參見下圖：
上述使用表編號作為分表信息沒有任何問題，但使用資料庫編號作為分庫信息卻存在隱患，考慮未來的擴容需求，我們需要將8庫擴容到16庫，這時取值範圍1到8的分庫信息將無法支撐1到16的分庫場景，分庫路由將無法正確完成，我們將上訴問題簡稱為分庫信息精度丟失。
為解決分庫信息精度丟失問題，我們需要對分庫信息精度進行冗餘，即我們現在保存的分庫信息要支持以後的擴容。這裡我們假設最終我們會擴容到64台資料庫，所以新的分庫信息演算法為：
分庫信息 = (uid / 10) % 64 + 1
當uid＝9527時，根據新的演算法，分庫信息=57，這裡的57並不是真正資料庫的編號，它冗餘了最後擴展到64台資料庫的分庫信息精度。我們當前只有8台資料庫，實際資料庫編號還需根據下麵的公式進行計算：
實際資料庫編號 = (分庫信息 - 1) % 8 + 1
當uid＝9527時，分庫信息＝57，實際資料庫編號＝1，分庫分表信息="577"。
由於我們選擇模64來保存精度冗餘後的分庫信息，保存分庫信息的長度由1變為了2，最後的分庫分表信息的長度為3。具體演算法流程也可參見下圖：
如上圖所示，在計算分庫信息的時候採用了模64的方式冗餘了分庫信息精度，這樣當我們的系統以後需要擴容到16庫，32庫，64庫都不會再有問題。
上面的訂單ID結構已經能很好的滿足我們當前與之後的擴容需求，但考慮到業務的不確定性，我們在訂單ID的最前方加了1位用於標識訂單ID的版本，這個版本號屬於冗餘數據，目前並沒有用到。下麵是最終訂單ID簡化結構圖：
Snowflake演算法：github.com/twitter/snowflake
三. 最終一致性
到目前為止，我們通過對order表uid維度的分庫分表，實現了order表的超高併發寫入與更新，並能通過uid和訂單ID查詢訂單信息。但作為一個開放的集團支付系統，我們還需要通過業務線ID（又稱商戶ID，簡稱bid）來查詢訂單信息，所以我們引入了bid維度的order表集群，將uid維度的order表集群冗餘一份到bid維度的order表集群中，要根據bid查詢訂單信息時，只需查bid維度的order表集群即可。
上面的方案雖然簡單，但保持兩個order表集群的數據一致性是一件很麻煩的事情。兩個表集群顯然是在不同的資料庫集群中，如果在寫入與更新中引入強一致性的分散式事務，這無疑會大大降低系統效率，增長服務響應時間，這是我們所不能接受的，所以我們引入了消息隊列進行非同步數據同步，來實現數據的最終一致性。當然消息隊列的各種異常也會造成數據不一致，所以我們又引入了實時監控服務，實時計算兩個集群的數據差異，併進行一致性同步。
下麵是簡化的一致性同步圖：
四. 資料庫高可用
沒有任何機器或服務能保證線上上穩定運行不出故障。比如某一時間，某一資料庫主庫宕機，這時我們將不能對該庫進行讀寫操作，線上服務將受到影響。
所謂資料庫高可用指的是：當資料庫由於各種原因出現問題時，能實時或快速的恢複數據庫服務並修補數據，從整個集群的角度看，就像沒有出任何問題一樣。需要註意的是，這裡的恢複數據庫服務並不一定是指修複原有資料庫，也包括將服務切換到另外備用的資料庫。
資料庫高可用的主要工作是資料庫恢復與數據修補，一般我們以完成這兩項工作的時間長短，作為衡量高可用好壞的標準。這裡有一個惡性迴圈的問題，資料庫恢復的時間越長，不一致數據越多，數據修補的時間就會越長，整體修複的時間就會變得更長。所以資料庫的快速恢覆成了資料庫高可用的重中之重，試想一下如果我們能在資料庫出故障的1秒之內完成資料庫恢復，修複不一致的數據和成本也會大大降低。
下圖是一個最經典的主從結構：
上圖中有1台web伺服器和3台資料庫，其中DB1是主庫，DB2和DB3是從庫。我們在這裡假設web伺服器由項目組維護，而資料庫伺服器由DBA維護。
當從庫DB2出現問題時，DBA會通知項目組，項目組將DB2從web服務的配置列表中刪除，重啟web伺服器，這樣出錯的節點DB2將不再被訪問，整個資料庫服務得到恢復，等DBA修複DB2時，再由項目組將DB2添加到web服務。
當主庫DB1出現問題時，DBA會將DB2切換為主庫，並通知項目組，項目組使用DB2替換原有的主庫DB1，重啟web伺服器，這樣web服務將使用新的主庫DB2，而DB1將不再被訪問，整個資料庫服務得到恢復，等DBA修複DB1時，再將DB1作為DB2的從庫即可。
上面的經典結構有很大的弊病：不管主庫或從庫出現問題，都需要DBA和項目組協同完成資料庫服務恢復，這很難做到自動化，而且恢復工程也過於緩慢。
我們認為，資料庫運維應該和項目組分開，當資料庫出現問題時，應由DBA實現統一恢復，不需要項目組操作服務，這樣便於做到自動化，縮短服務恢復時間。
先來看從庫高可用結構圖：
如上圖所示，web伺服器將不再直接連接從庫DB2和DB3，而是連接LVS負載均衡，由LVS連接從庫。這樣做的好處是LVS能自動感知從庫是否可用，從庫DB2宕機後，LVS將不會把讀數據請求再發向DB2。同時DBA需要增減從庫節點時，只需獨立操作LVS即可，不再需要項目組更新配置文件，重啟伺服器來配合。
再來看主庫高可用結構圖：
如上圖所示，web伺服器將不再直接連接主庫DB1，而是連接KeepAlive虛擬出的一個虛擬ip，再將此虛擬ip映射到主庫DB1上，同時添加DB_bak從庫，實時同步DB1中的數據。正常情況下web還是在DB1中讀寫數據，當DB1宕機後，腳本會自動將DB_bak設置成主庫，並將虛擬ip映射到DB_bak上，web服務將使用健康的DB_bak作為主庫進行讀寫訪問。這樣只需幾秒的時間，就能完成主資料庫服務恢復。
組合上面的結構，得到主從高可用結構圖：
資料庫高可用還包含數據修補，由於我們在操作核心數據時，都是先記錄日誌再執行更新，加上實現了近乎實時的快速恢複數據庫服務，所以修補的數據量都不大，一個簡單的恢復腳本就能快速完成數據修複。
五. 數據分級
支付系統除了最核心的支付訂單表與支付流水錶外，還有一些配置信息表和一些用戶相關信息表。如果所有的讀操作都在資料庫上完成，系統性能將大打折扣，所以我們引入了數據分級機制。
我們簡單的將支付系統的數據劃分成了3級：
第1級：訂單數據和支付流水數據；這兩塊數據對實時性和精確性要求很高，所以不添加任何緩存，讀寫操作將直接操作資料庫。
第2級：用戶相關數據；這些數據和用戶相關，具有讀多寫少的特征，所以我們使用redis進行緩存。
第3級：支付配置信息；這些數據和用戶無關，具有數據量小，頻繁讀，幾乎不修改的特征，所以我們使用本地記憶體進行緩存。
使用本地記憶體緩存有一個數據同步問題，因為配置信息緩存在記憶體中，而本地記憶體無法感知到配置信息在資料庫的修改，這樣會造成資料庫中數據和本地記憶體中數據不一致的問題。
為瞭解決此問題，我們開發了一個高可用的消息推送平臺，當配置信息被修改時，我們可以使用推送平臺，給支付系統所有的伺服器推送配置文件更新消息，伺服器收到消息會自動更新配置信息，並給出成功反饋。
六. 粗細管道
黑客攻擊，前端重試等一些原因會造成請求量的暴漲，如果我們的服務被激增的請求給一波打死，想要重新恢復，就是一件非常痛苦和繁瑣的過程。
舉個簡單的例子，我們目前訂單的處理能力是平均10萬下單每秒，峰值14萬下單每秒，如果同一秒鐘有100萬個下單請求進入支付系統，毫無疑問我們的整個支付系統就會崩潰，後續源源不斷的請求會讓我們的服務集群根本啟動不起來，唯一的辦法只能是切斷所有流量，重啟整個集群，再慢慢導入流量。
我們在對外的web伺服器上加一層“粗細管道”，就能很好的解決上面的問題。
下麵是粗細管道簡單的結構圖：
請看上面的結構圖，http請求在進入web集群前，會先經過一層粗細管道。入口端是粗口，我們設置最大能支持100萬請求每秒，多餘的請求會被直接拋棄掉。出口端是細口，我們設置給web集群10萬請求每秒。剩餘的90萬請求會在粗細管道中排隊，等待web集群處理完老的請求後，才會有新的請求從管道中出來，給web集群處理。這樣web集群處理的請求數每秒永遠不會超過10萬，在這個負載下，集群中的各個服務都會高校運轉，整個集群也不會因為暴增的請求而停止服務。
如何實現粗細管道？nginx商業版中已經有了支持，相關資料請搜索nginx max_conns，需要註意的是max_conns是活躍連接數，具體設置除了需要確定最大TPS外，還需確定平均響應時間。
nginx相關：
http://nginx.org/en/docs/http/ngx_http_upstream_module.html
