從各個角度總結了電商平臺中的架構實踐，由於時間倉促，定了個初稿，待補充完善，歡迎大家一起交流。

轉載請聲明出處：http://blog.csdn.net/yangbutao/article/details/12242441

作者：楊步濤

關註分散式架構、大數據、搜索、開源技術

QQ:306591368

技術Blog：http://blog.csdn.net/yangbutao

一、 設計理念

1.      空間換時間

1)      多級緩存，靜態化

客戶端頁面緩存（http header中包含Expires/Cache of Control，last modified(304，server不返回body，客戶端可以繼續用cache，減少流量)，ETag）

反向代理緩存

應用端的緩存(memcache)

記憶體資料庫

Buffer、cache機制（資料庫，中間件等）

2)      索引

哈希、B樹、倒排、bitmap

哈希索引適合綜合數組的定址和鏈表的插入特性，可以實現數據的快速存取。

B樹索引適合於查詢為主導的場景，避免多次的IO，提高查詢的效率。

倒排索引實現單詞到文檔映射關係的最佳實現方式和最有效的索引結構，廣泛用在搜索領域。

Bitmap是一種非常簡潔快速的數據結構，他能同時使存儲空間和速度最優化（而不必空間換時間），適合於海量數據的的計算場景。

2.     並行與分散式計算

1)      任務切分、分而治之(MR)

在大規模的數據中，數據存在一定的局部性的特征，利用局部性的原理將海量數據計算的問題分而治之。

MR模型是無共用的架構，數據集分佈至各個節點。處理時，每個節點就近讀取本地存儲的數據處理(map)，將處理後的數據進行合併(combine)、排序(shuffle and sort)後再分發(至reduce節點)，避免了大量數據的傳輸，提高了處理效率。

2)      多進程、多線程並行執行(MPP)

並行計算（Parallel Computing）是指同時使用多種計算資源解決計算問題的過程，是提高電腦系統計算速度和處理能力的一種有效手段。它的基本思想是用多個處理器/進程/線程來協同求解同一問題，即將被求解的問題分解成若幹個部分，各部分均由一個獨立的處理機來並行計算。

和MR的區別在於，它是基於問題分解的，而不是基於數據分解。

3.      多維度的可用

1)      負載均衡、容災、備份

隨著平臺併發量的增大，需要擴容節點進行集群，利用負載均衡設備進行請求的分發；負載均衡設備通常在提供負載均衡的同時，也提供失效檢測功能；同時為了提高可用性，需要有容災備份，以防止節點宕機失效帶來的不可用問題；備份有線上的和離線備份，可以根據失效性要求的不同，進行選擇不同的備份策略。

2)      讀寫分離

讀寫分離是對資料庫來講的，隨著系統併發量的增大，提高數據訪問可用性的一個重要手段就是寫數據和讀數據進行分離；當然在讀寫分離的同時，需要關註數據的一致性問題；對於一致性的問題，在分散式的系統CAP定量中，更多的關註於可用性。

3)      依賴關係

平臺中各個模塊之間的關係儘量是低耦合的，可以通過相關的消息組件進行交互，能非同步則非同步，分清楚數據流轉的主流程和副流程，主副是非同步的，比如記錄日誌可以是非同步操作的，增加整個系統的可用性。

當然在非同步處理中，為了確保數據得到接收或者處理，往往需要確認機制(confirm、ack)。

但是有些場景中，雖然請求已經得到處理，但是因其他原因(比如網路不穩定)，確認消息沒有返回，那麼這種情況下需要進行請求的重發，對請求的處理設計因重發因素需要考慮冪等性。

4)      監控

監控也是提高整個平臺可用性的一個重要手段，多平臺進行多個維度的監控；模塊在運行時候是透明的，以達到運行期白盒化。

4.      伸縮

1)      拆分

拆分包括對業務的拆分和對資料庫的拆分。

系統的資源總是有限的，一段比較長的業務執行如果是一竿子執行的方式，在大量併發的操作下，這種阻塞的方式，無法有效的及時釋放資源給其他進程執行，這樣系統的吞吐量不高。

需要把業務進行邏輯的分段，採用非同步非阻塞的方式，提高系統的吞吐量。

隨著數據量和併發量的增加，讀寫分離不能滿足系統併發性能的要求，需要對數據進行切分，包括對數據進行分庫和分表。這種分庫分表的方式，需要增加對數據的路由邏輯支持。

2)      無狀態

對於系統的伸縮性而言，模塊最好是無狀態的，通過增加節點就可以提高整個的吞吐量。

5.      優化資源利用

1)      系統容量有限

系統的容量是有限的，承受的併發量也是有限的，在架構設計時，一定需要考慮流量的控制，防止因意外攻擊或者瞬時併發量的衝擊導致系統崩潰。在設計時增加流控的措施，可考慮對請求進行排隊，超出預期的範圍，可以進行告警或者丟棄。

2)      原子操作與併發控制

對於共用資源的訪問，為了防止衝突，需要進行併發的控制，同時有些交易需要有事務性來保證交易的一致性，所以在交易系統的設計時，需考慮原子操作和併發控制。

保證併發控制一些常用高性能手段有，樂觀鎖、Latch、mutex、寫時複製、CAS等；多版本的併發控制MVCC通常是保證一致性的重要手段，這個在資料庫的設計中經常會用到。

3)      基於邏輯的不同，採取不一樣的策略

平臺中業務邏輯存在不同的類型，有計算複雜型的，有消耗IO型的，同時就同一種類型而言，不同的業務邏輯消耗的資源數量也是不一樣的，這就需要針對不同的邏輯採取不同的策略。

針對IO型的，可以採取基於事件驅動的非同步非阻塞的方式，單線程方式可以減少線程的切換引起的開銷，或者在多線程的情況下採取自旋spin的方式，減少對線程的切換(比如Oracle latch設計)；對於計算型的，充分利用多線程進行操作。

同一類型的調用方式，不同的業務進行合適的資源分配，設置不同的計算節點數量或者線程數量，對業務進行分流，優先執行優先順序別高的業務。

4)      容錯隔離

系統的有些業務模塊在出現錯誤時，為了減少併發下對正常請求的處理的影響，有時候需要考慮對這些異常狀態的請求進行單獨渠道的處理，甚至暫時自動禁止這些異常的業務模塊。

有些請求的失敗可能是偶然的暫時的失敗(比如網路不穩定)，需要進行請求重試的考慮。

5)      資源釋放

系統的資源是有限的，在使用資源時，一定要在最後釋放資源，無論是請求走的是正常路徑還是異常的路徑，以便於資源的及時回收，供其他請求使用。

在設計通信的架構時，往往需要考慮超時的控制。

二、 靜態架構藍圖

整個架構是分層的分散式的架構，縱向包括CDN，負載均衡/反向代理，web應用，業務層，基礎服務層，數據存儲層。水平方向包括對整個平臺的配置管理部署和監控。

三、 剖析架構

1. CDN

CDN系統能夠實時地根據網路流量和各節點的連接、負載狀況以及到用戶的距離和響應時間等綜合信息將用戶的請求重新導向離用戶最近的服務節點上。其目的是使用戶可就近取得所需內容，解決 Internet網路擁擠的狀況，提高用戶訪問網站的響應速度。

對於大規模電子商務平臺一般需要建CDN做網路加速，大型平臺如淘寶、京東都採用自建CDN，中小型的企業可以採用第三方CDN廠商合作，如藍汛、網宿、快網等。

當然在選擇CDN廠商時，需要考慮經營時間長短，是否有可擴充的帶寬資源、靈活的流量和帶寬選擇、穩定的節點、性價比。

2. 負載均衡、反向代理

一個大型的平臺包括很多個業務域，不同的業務域有不同的集群，可以用DNS做功能變數名稱解析的分發或輪詢，DNS方式實現簡單，但是因存在cache而缺乏靈活性；一般基於商用的硬體F5、NetScaler或者開源的軟負載lvs在4層做分發，當然會採用做冗餘(比如lvs+keepalived)的考慮，採取主備方式。

4層分發到業務集群上後，會經過web伺服器如nginx或者HAProxy在7層做負載均衡或者反向代理分發到集群中的應用節點。

選擇哪種負載，需要綜合考慮各種因素（是否滿足高併發高性能，Session保持如何解決，負載均衡的演算法如何，支持壓縮，緩存的記憶體消耗）；下麵基於幾種常用的負載均衡軟體做個介紹。

LVS，工作在4層，Linux實現的高性能高併發、可伸縮性、可靠的的負載均衡器，支持多種轉發方式(NAT、DR、IP Tunneling)，其中DR模式支持通過廣域網進行負載均衡。支持雙機熱備(Keepalived或者Heartbeat)。對網路環境的依賴性比較高。

Nginx工作在7層，事件驅動的、非同步非阻塞的架構、支持多進程的高併發的負載均衡器/反向代理軟體。可以針對功能變數名稱、目錄結構、正則規則針對http做一些分流。通過埠檢測到伺服器內部的故障，比如根據伺服器處理網頁返回的狀態碼、超時等等，並且會把返回錯誤的請求重新提交到另一個節點，不過其中缺點就是不支持url來檢測。對於session sticky，可以基於ip hash的演算法來實現，通過基於cookie的擴展nginx-sticky-module支持session sticky。

HAProxy支持4層和7層做負載均衡，支持session的會話保持，cookie的引導；支持後端url方式的檢測；負載均衡的演算法比較豐富，有RR、權重等。

對於圖片，需要有單獨的功能變數名稱，獨立或者分散式的圖片伺服器或者如mogileFS，可以圖片伺服器之上加varnish做圖片緩存。

3. App接入

應用層運行在jboss或者tomcat容器中，代表獨立的系統，比如前端購物、用戶自主服務、後端系統等

協議介面，HTTP、JSON

可以採用servlet3.0,非同步化servlet,提高整個系統的吞吐量

http請求經過Nginx，通過負載均衡演算法分到到App的某一節點，這一層層擴容起來比較簡單。

除了利用cookie保存少量用戶部分信息外(cookie一般不能超過4K的大小)，對於App接入層，保存有用戶相關的session數據，但是有些反向代理或者負載均衡不支持對session sticky支持不是很好或者對接入的可用性要求比較高(app接入節點宕機，session隨之丟失)，這就需要考慮session的集中式存儲，使得App接入層無狀態化，同時系統用戶變多的時候，就可以通過增加更多的應用節點來達到水平擴展的目的。

Session的集中式存儲，需要滿足以下幾點要求：

a、高效的通訊協議

b、session的分散式緩存，支持節點的伸縮，數據的冗餘備份以及數據的遷移

c、session過期的管理

4. 業務服務

代表某一領域的業務提供的服務，對於電商而言，領域有用戶、商品、訂單、紅包、支付業務等等，不同的領域提供不同的服務，

這些不同的領域構成一個個模塊，良好的模塊劃分和介面設計非常重要，一般是參考高內聚、介面收斂的原則，

這樣可以提高整個系統的可用性。當然可以根據應用規模的大小，模塊可以部署在一起，對於大規模的應用，一般是獨立部署的。

高併發：

業務層對外協議以NIO的RPC方式暴露，可以採用比較成熟的NIO通訊框架，如netty、mina

可用性：

為了提高模塊服務的可用性，一個模塊部署在多個節點做冗餘，並自動進行負載轉發和失效轉移;

最初可以利用VIP+heartbeat方式，目前系統有一個單獨的組件HA,利用zookeeper實現(比原來方案的優點)

一致性、事務：

對於分散式系統的一致性，儘量滿足可用性，一致性可以通過校對來達到最終一致的狀態。

5. 基礎服務中間件

1) 通信組件

通信組件用於業務系統內部服務之間的調用，在大併發的電商平臺中，需要滿足高併發高吞吐量的要求。

整個通信組件包括客戶端和服務端兩部分。

客戶端和伺服器端維護的是長連接，可以減少每次請求建立連接的開銷，在客戶端對於每個伺服器定義一個連接池，初始化連接後，可以併發連接服務端進行rpc操作，連接池中的長連接需要心跳維護，設置請求超時時間。

對於長連接的維護過程可以分兩個階段，一個是發送請求過程，另外一個是接收響應過程。在發送請求過程中，若發生IOException，則把該連接標記失效。接收響應時，服務端返回SocketTimeoutException，如果設置了超時時間，那麼就直接返回異常，清除當前連接中那些超時的請求。否則繼續發送心跳包(因為可能是丟包，超過pingInterval間隔時間就發送ping操作)，若ping不通(發送IOException)，則說明當前連接是有問題的，那麼就把當前連接標記成已經失效；若ping通，則說明當前連接是可靠的，繼續進行讀操作。失效的連接會從連接池中清除掉。

每個連接對於接收響應來說都以單獨的線程運行，客戶端可以通過同步(wait,notify)方式或者非同步進行rpc調用，

序列化採用更高效的hession序列化方式。

服務端採用事件驅動的NIO的MINA框架，支撐高併發高吞吐量的請求。

2) 路由Router

在大多數的資料庫切分解決方案中，為了提高資料庫的吞吐量，首先是對不同的表進行垂直切分到不同的資料庫中，

然後當資料庫中一個表超過一定大小時，需要對該表進行水平切分，這裡也是一樣，這裡以用戶表為例；

對於訪問資料庫客戶端來講，需要根據用戶的ID，定位到需要訪問的數據；

數據切分演算法，

根據用戶的ID做hash操作，一致性Hash，這種方式存在失效數據的遷移問題，遷移時間內服務不可用

維護路由表，路由表中存儲用戶和sharding的映射關係,sharding分為leader和replica，分別負責寫和讀

這樣每個biz客戶端都需要保持所有sharding的連接池，這樣有個缺點是會產生全連接的問題；

一種解決方法是sharding的切分提到業務服務層進行，每個業務節點只維護一個shard的連接即可。

見圖（router）

路由組件的實現是這樣的（可用性、高性能、高併發）

基於性能方面的考慮，採用MongoDB中維護用戶id和shard的關係，為了保證可用性，搭建replicatset集群。

biz的sharding和資料庫的sharding是一一對應的，只訪問一個資料庫sharding.

biz業務註冊節點到zookeeper上/bizs/shard/下。

router監聽zookeeper上/bizs/下節點狀態，緩存線上biz在router中。

client請求router獲取biz時，router首先從mongodb中獲取用戶對應的shard,router根據緩存的內容通過RR演算法獲取biz節點。

為瞭解決router的可用性和併發吞吐量問題，對router進行冗餘，同時client監聽zookeeper的/routers節點並緩存線上router節點列表。

3) HA

傳統實現HA的做法一般是採用虛擬IP漂移，結合Heartbeat、keepalived等實現HA，

Keepalived使用vrrp方式進行數據包的轉發，提供4層的負載均衡，通過檢測vrrp數據包來切換，做冗餘熱備更加適合與LVS搭配。linux Heartbeat是基於網路或者主機的服務的高可用，HAProxy或者Nginx可以基於7層進行數據包的轉發，因此Heatbeat更加適合做HAProxy、Nginx，包括業務的高可用。

在分散式的集群中，可以用zookeeper做分散式的協調，實現集群的列表維護和失效通知，客戶端可以選擇hash演算法或者roudrobin實現負載均衡；對於master-master模式、master-slave模式，可以通過zookeeper分散式鎖的機制來支持。

4) 消息Message

對於平臺各個系統之間的非同步交互，是通過MQ組件進行的。

在設計消息服務組件時，需要考慮消息一致性、持久化、可用性、以及完善的監控體系。

業界開源的消息中間件主要RabbitMQ、kafka有兩種，

RabbitMQ,遵循AMQP協議，由內在高併發的erlanng語言開發；kafka是Linkedin於2010年12月份開源的消息發佈訂閱系統,它主要用於處理活躍的流式數據,大數據量的數據處理上。

對消息一致性要求比較高的場合需要有應答確認機制，包括生產消息和消費消息的過程；不過因網路等原理導致的應答缺失，可能會導致消息的重覆，這個可以在業務層次根據冪等性進行判斷過濾；RabbitMQ採用的是這種方式。還有一種機制是消費端從broker拉取消息時帶上LSN號，從broker中某個LSN點批量拉取消息，這樣無須應答機制，kafka分散式消息中間件就是這種方式。

消息的在broker中的存儲，根據消息的可靠性的要求以及性能方面的綜合衡量，可以在記憶體中，可以持久化到存儲上。

對於可用性和高吞吐量的要求，集群和主備模式都可以在實際的場景應用的到。RabbitMQ解決方案中有普通的集群和可用性更高的mirror queue方式。 kafka採用zookeeper對集群中的broker、consumer進行管理，可以註冊topic到zookeeper上；通過zookeeper的協調機制，producer保存對應topic的broker信息，可以隨機或者輪詢發送到broker上；並且producer可以基於語義指定分片，消息發送到broker的某分片上。

總體來講，RabbitMQ用在實時的對可靠性要求比較高的消息傳遞上。kafka主要用於處理活躍的流式數據,大數據量的數據處理上。

5) Cache&Buffer

Cache系統

在一些高併發高性能的場景中，使用cache可以減少對後端系統的負載，承擔可大部分讀的壓力，可以大大提高系統的吞吐量，比如通常在資料庫存儲之前增加cache緩存。

但是引入cache架構不可避免的帶來一些問題，cache命中率的問題, cache失效引起的抖動，cache和存儲的一致性。

Cache中的數據相對於存儲來講，畢竟是有限的，比較理想的情況是存儲系統的熱點數據，這裡可以用一些常見的演算法LRU等等淘汰老的數據；隨著系統規模的增加，單個節點cache不能滿足要求，就需要搭建分散式Cache；為瞭解決單個節點失效引起的抖動 ，分散式cache一般採用一致性hash的解決方案，大大減少因單個節點失效引起的抖動範圍；而對於可用性要求比較高的場景，每個節點都是需要有備份的。數據在cache和存儲上都存有同一份備份，必然有一致性的問題，一致性比較強的，在更新資料庫的同時，更新資料庫cache。對於一致性要求不高的，可以去設置緩存失效時間的策略。

Memcached作為高速的分散式緩存伺服器，協議比較簡單，基於libevent的事件處理機制。

Cache系統在平臺中用在router系統的客戶端中，熱點的數據會緩存在客戶端，當數據訪問失效時，才去訪問router系統。

當然目前更多的利用記憶體型的資料庫做cache，比如Redis、mongodb；redis比memcache有豐富的數據操作的API；redis和mongodb都對數據進行了持久化，而memcache沒有這個功能，因此memcache更加適合在關係型資料庫之上的數據的緩存。

Buffer系統

用在高速的寫操作的場景中，平臺中有些數據需要寫入資料庫，並且數據是分庫分表的，但對數據的可靠性不是那麼高，為了減少對資料庫的寫壓力，可以採取批量寫操作的方式。

開闢一個記憶體區域，當數據到達區域的一定閥值時如80%時，在記憶體中做分庫梳理工作(記憶體速度還是比較快的)，後分庫批量flush。

6) 搜索

在電子商務平臺中搜索是一個非常的重要功能，主要有搜索詞類目導航、自動提示和搜索排序功能。

開源的企業級搜索引擎主要有lucene, sphinx，這裡不去論述哪種搜索引擎更好一些，不過選擇搜索引擎除了基本的功能需要支持外，非功能方面需要考慮以下兩點：

a、 搜索引擎是否支持分散式的索引和搜索，來應對海量的數據，支持讀寫分離，提高可用性

b、 索引的實時性

c、 性能

Solr是基於lucene的高性能的全文搜索伺服器，提供了比lucene更為豐富的查詢語言，可配置可擴展，對外提供基於http協議的XML/JSON格式的介面。

從Solr4版本開始提供了SolrCloud方式來支持分散式的索引，自動進行sharding數據切分；通過每個sharding的master-slave(leader、replica)模式提高搜索的性能；利用zookeeper對集群進行管理，包括leader選舉等等，保障集群的可用性。

Lucene索引的Reader是基於索引的snapshot的，所以必須在索引commit的後，重新打開一個新的snapshot，才能搜索到新添加的內容；而索引的commit是非常耗性能的，這樣達到實時索引搜索效率就比較低下。

對於索引搜索實時性，Solr4的之前解決方案是結合文件全量索引和記憶體增量索引合併的方式，參見下圖。

Solr4提供了NRT softcommit的解決方案，softcommit無需進行提交索引操作，就可以搜素到最新對索引的變更，不過對索引的變更並沒有sync commit到硬碟存儲上，若發生意外導致程式非正常結束，未commit的數據會丟失，因此需要定時的進行commit操作。

平臺中對數據的索引和存儲操作是非同步的，可以大大提高可用性和吞吐量；只對某些屬性欄位做索引操作，存儲數據的標識key，減少索引的大小；數據是存儲在分散式存儲Hbase 中的，hbase對二級索引搜索支持的不好，然而可以結合Solr搜索功能進行多維度的檢索統計。

索引數據和HBase數據存儲的一致性，也就是如何保障HBase存儲的數據都被索引過，可以採用confirm確認機制，通過在索引前建立待索引數據隊列，在數據存儲並索引完成後，從待索引數據隊列中刪除數據。

7) 日誌收集

在整個交易過程中，會產生大量的日誌，這些日誌需要收集到分散式存儲系統中存儲起來，以便於集中式的查詢和分析處理。

日誌系統需具備三個基本組件，分別為agent（封裝數據源，將數據源中的數據發送給collector），collector（接收多個agent的數據，併進行彙總後導入後端的store中），store（中央存儲系統，應該具有可擴展性和可靠性，應該支持當前非常流行的HDFS）。

開源的日誌收集系統業界使用的比較多的是cloudera的Flume和facebook的Scribe，其中Flume目前的版本FlumeNG對Flume從架構上做了較大的改動。

在設計或者對日誌收集系統做技術選型時，通常需要具有以下特征：

a、 應用系統和分析系統之間的橋梁，將他們之間的關係解耦

b、 分散式可擴展，具有高的擴展性，當數據量增加時，可以通過增加節點水平擴展

日誌收集系統是可以伸縮的，在系統的各個層次都可伸縮，對數據的處理不需要帶狀態，伸縮性方面也比較容易實現。

c、 近實時性

在一些時效性要求比較高的場景中，需要可以及時的收集日誌，進行數據分析；

一般的日誌文件都會定時或者定量的進行rolling，所以實時檢測日誌文件的生成，及時對日誌文件進行類似的tail操作，並支持批量發送提高傳輸效率；批量發送的時機需要滿足消息數量和時間間隔的要求。 

d、 容錯性

Scribe在容錯方面的考慮是，當後端的存儲系統crash時，scribe會將數據寫到本地磁碟上，當存儲系統恢復正常後，scribe將日誌重新載入到存儲系統中。

FlumeNG通過Sink Processor實現負載均衡和故障轉移。多個Sink可以構成一個Sink Group。一個Sink Processor負責從一個指定的Sink Group中激活一個Sink。Sink Processor可以通過組中所有Sink實現負載均衡；也可以在一個Sink失敗時轉移到另一個。

e、 事務支持

Scribe沒有考慮事務的支持。

Flume通過應答確認機制實現事務的支持，參見下圖，

通常提取發送消息都是批量操作的，消息的確認是對一批數據的確認，這樣可以大大提高數據發送的效率。

f、 可恢復性

FlumeNG的channel根據可靠性的要求的不同，可以基於記憶體和文件持久化機制，基於記憶體的數據傳輸的銷量比較高，但是在節點宕機後，數據丟失，不可恢復；而文件持久化宕機是可以恢復的。

g、 數據的定時定量歸檔

數據經過日誌收集系統歸集後，一般存儲在分散式文件系統如Hadoop，為了便於對數據進行後續的處理分析，需要定時(TimeTrigger)或者定量(SizeTrigger的rolling分散式系統的文件。

8) 數據同步

在交易系統中，通常需要進行異構數據源的同步，通常有數據文件到關係型資料庫，數據文件到分散式資料庫，關係型資料庫到分散式資料庫等。數據在異構源之間的同步一般是基於性能和業務的需求，數據存儲在本地文件中一般是基於性能的考慮，文件是順序存儲的，效率還是比較高的；數據同步到關係型數據一般是基於查詢的需求；而分散式資料庫是存儲越來越多的海量數據的，而關係型資料庫無法滿足大數據量的存儲和查詢請求。

在數據同步的設計中需要綜合考慮吞吐量、容錯性、可靠性、一致性的問題

同步有實時增量數據同步和離線全量數據區分，下麵從這兩個維度來介紹一下，

實時增量一般是Tail文件來實時跟蹤文件變化，批量或者多線程往資料庫導出,這種方式的架構類似於日誌收集框架。這種方式需要有確認機制，包括兩個方面。

一個方面是Channel需要給agent確認已經批量收到數據記錄了，發送LSN號給agent，這樣在agent失效恢復時，可以從這個LSN點開始tail；當然對於允許少量的重覆記錄的問題(發生在channel給agent確認的時，agent宕機並未受到確認消息)，需要在業務場景中判斷。

另外一個方面是sync給channel確認已經批量完成寫入到資料庫的操作，這樣channel可以刪除這部分已經confirm的消息。

基於可靠性的要求，channel可以採用文件持久化的方式。

參見下圖