亿级大数据量的订单中心,架构如何设计?

2020年8月28日14:48:59 评论 58

订单中心,是互联网业务中,一个典型的“多key”业务,即:用户ID,商家ID,订单ID等多个key上都有业务查询需求。

随着数据量的逐步增大,并发量的逐步增大, 订单中心这种“多key”业务,架构应该如何设计,有哪些因素需要考虑,是本文将要系统性讨论的问题。

什么是“多key”类业务?

所谓的“多key”,是指一条元数据中,有多个属性上存在前台在线查询需求。

订单中心是什么业务,有什么典型业务需求?

订单中心是一个非常常见的“多key”业务,主要提供订单的查询与修改的服务,其核心元数据为:

Order(oid, buyer_uid, seller_uid, time, money, detail…);

其中:

(1)oid为订单ID,主键;

(2)buyer_uid为买家uid;

(3)seller_uid为卖家uid;

(4)time, money, detail, …等为订单属性;

数据库设计上,一般来说在 业务初期,单库,配合查询字段上的索引,就能满足元数据存储与查询需求。

亿级大数据量的订单中心,架构如何设计?

(1)order-center:订单中心服务,对调用者提供友好的RPC接口;

(2)order-db:对订单进行数据存储,并在订单,买家,卖家等字段建立索引;

随着订单量的越来越大,数据库需要进行水平切分,由于存在多个key上的查询需求,用哪个字段进行切分呢?

(1)如果用oid来切分,buyer_uid和seller_uid上的查询则需要遍历多库;

(2)如果用buyer_uid或seller_uid来切分,其他属性上的查询则需要遍历多库;

总之,很难有一个万全之策,在展开技术方案之前,先一起梳理梳理查询需求。

任何脱离业务需求的架构设计,都是耍流氓。

订单中心,典型业务查询需求有哪些?

第一类,前台访问,最典型的有三类需求:

(1) 订单实体查询:通过oid查询订单实体,90%流量属于这类需求;

(2) 用户订单列表查询:通过buyer_uid分页查询用户历史订单列表,9%流量属于这类需求;

(3) 商家订单列表查询:通过seller_uid分页查询商家历史订单列表,1%流量属于这类需求;

前台访问的特点是什么呢?

吞吐量大,服务要求高可用,用户对订单的访问一致性要求高,商家对订单的访问一致性要求相对较低,可以接受一定时间的延时。

第二类,后台访问,根据产品、运营需求,访问模式各异:

(1)按照时间,价格,商品,详情来进行查询;

后台访问的特点是什么呢?

运营侧的查询基本上是批量分页的查询,由于是内部系统,访问量很低,对可用性的要求不高,对一致性的要求也没这么严格,允许秒级甚至十秒级别的查询延时。

这两类不同的业务需求,应该使用什么样的架构方案来解决呢?

要点一:前台与后台分离的架构设计。

如果前台业务和后台业务共用一批服务和一个数据库,有可能导致,由于后台的“少数几个请求”的“批量查询”的“低效”访问,导致数据库的cpu偶尔瞬时100%,影响前台正常用户的访问(例如,订单查询超时)。

亿级大数据量的订单中心,架构如何设计?

前台与后台访问的查询需求不同,对系统的要求也不一样,故应该 两者解耦,实施“前台与后台分离”的架构设计。

前台业务架构不变,站点访问,服务分层,数据库水平切分。

后台业务需求则抽取独立的web/service/db来支持,解除系统之间的耦合,对于“业务复杂”“并发量低”“无需高可用”“能接受一定延时”的后台业务:

(1)可以去掉service层,在运营后台web层通过dao直接访问数据层;

(2)可以不需要反向代理,不需要集群冗余;

(3)可以通过MQ或者线下异步同步数据,牺牲一些数据的实时性;

(4)可以使用更契合大量数据允许接受更高延时的“索引外置”或者“HIVE”的设计方案;

关于前台与后台分离的架构设计,在《 用户中心,1亿数据架构,这次服 了》一文中有更为细致的分析,便不再展开。

解决完了后台业务的访问需求, 那前台的oid,buyer_uid,seller_uid如何来进行数据库水平切分呢?

要点二:多个维度的查询较为复杂,对于复杂系统设计,应该逐个击破。

假设没有seller_uid,应该如何击破oid和buyer_uid的查询需求?

订单中心,假设只有oid和buyer_uid上的查询需求,就蜕化为一个“1对多”的业务场景,对于“1对多”的业务,水平切分应该使用 “基因法”

要点三:基因法,是解决“1对多”业务,数据库水平切分的常见方案。

什么是分库基因?

通过buyer_uid分库,假设分为16个库,采用buyer_uid%16的方式来进行数据库路由,所谓的模16,其本质是buyer_uid的最后4个bit决定这行数据落在哪个库上,这4个bit,就是分库基因。

什么是基因法分库?

在订单数据oid生成时,oid末端加入分库基因,让同一个buyer_uid下的所有订单都含有相同基因,落在同一个分库上。

亿级大数据量的订单中心,架构如何设计?

如上图所示,buyer_uid=666的用户下了一个订单:

(1)使用buyer_uid%16分库,决定这行数据要插入到哪个库中;

(2)分库基因是buyer_uid的最后4个bit,即1010;

(3)在生成订单标识oid时,先使用一种分布式ID生成算法生成前60bit(上图中绿色部分);

(4)将分库基因加入到oid的最后4个bit(上图中粉色部分),拼装成最终64bit的订单oid(上图中蓝色部分);

通过这种方法保证, 同一个用户下的所有订单oid,都落在同一个库上,oid的最后4个bit都相同,于是:

(1)通过buyer_uid%16能够定位到库;

(2)通过oid%16也能定位到库;

关于“一对多”业务,以及“基因法”,在《 帖子中心,1亿数据架构,这次服了 》一文中有更为细致的分析,便不再展开。

假设没有oid,应该如何击破 buyer_uid 和seller_uid的查询需求?

订单中心,假设只有buyer_uid和seller_uid上的查询需求,就蜕化为一个“多对多”的业务场景,对于“多对多”的业务,水平切分应该使用 “数据冗余法”

亿级大数据量的订单中心,架构如何设计?

如上图所示:

(1)当有订单生成时,通过buyer_uid分库,oid中融入分库基因,写入DB-buyer库;

(2)通过线下异步的方式,通过binlog+canal,将数据冗余到DB-seller库中;

(3)buyer库通过buyer_uid分库,seller库通过seller_uid分库,前者满足oid和buyer_uid的查询需求,后者满足seller_uid的查询需求;

数据冗余的方法有很多种:

(1)服务同步双写;

(2)服务异步双写;

(3)线下异步双写(上图所示,是线下异步双写);

要点四:数据冗余,是解决“多对多”业务,数据库水平切分的常见方案。

不管哪种方案,因为两步操作不能保证原子性,总有出现数据不一致的可能,高吞吐分布式事务是业内尚未解决的难题, 此时的架构方向,是最终一致性,并不是完全保证数据的一致,而是尽早的发现不一致,并修复不一致。

要点五:最终一致性,是高吞吐互联网业务一致性的常用实践。

保证冗余数据最终一致的常见方案有三种:

(1)冗余数据全量定时扫描;

(2)冗余数据增量日志扫描;

(3)冗余数据线上消息实时检测;

关于“多对多”业务,数据冗余多种方案,数据冗余保证最终一致性多种方案,在《 好友中心,1亿数据架构,这次服了 》一文中有更为细致的分析,便不再展开。

那如果oid/buyer_uid/seller_uid同时存在呢?

综合上面的解决方案即可:

(1)如果没有seller_uid,“多key”业务会蜕化为“1对多”业务,此时应该使用“基因法”分库:使用buyer_uid分库,在oid中加入分库基因;

(2)如果没有oid,“多key”业务会蜕化为“多对多”业务,此时应该使用“数据冗余法”分库:使用buyer_uid和seller_uid来分别分库,冗余数据,满足不同属性上的查询需求;

(3)如果oid/buyer_uid/seller_uid同时存在, 可以使用上述两种方案的综合方案,来解决“多key”业务的数据库水平切分难题

要点总结

一:前后台差异化需求,可使用 前台与后台分离的架构设计;

二:对于复杂系统设计,应该 逐个击破

三: 基因法,是解决“1对多”业务,数据库水平切分的常见方案;

四: 数据冗余,是解决“多对多”业务,数据库水平切分的常见方案;

五: 最终一致性,是高吞吐互联网业务一致性的常用实践。

(转载:https://www.sohu.com/a/415106698_178889)

素课网
  • 本文由 发表于 2020年8月28日14:48:59
  • 转载请注明:https://www.suketech.com/9636.html
京东抢购服务高并发实践 架构

京东抢购服务高并发实践

服务介绍 限时抢购又称闪购,英文Flash sale,起源于法国网站Vente Privée。闪购模式即是以互联网为媒介的B2C电子零售交易活动,以限时特卖的形式,定期定时推出国际知名品牌的商品,一般...
匿名

发表评论

匿名网友 填写信息

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: