转载

支撑百万并发的数据库架构如何设计？

这篇文章，我们来聊一下对于一个支撑日活百万用户的高并系统，他的数据库架构应该如何设计?

支撑百万并发的数据库架构如何设计？

看到这个题目，很多人第一反应就是：分库分表啊!但是实际上，数据库层面的分库分表到底是用来干什么的，他的不同的作用如何应对不同的场景，我觉得很多同学可能都没搞清楚。

用一个创业公司的发展作为背景引入

假如我们现在是一个小创业公司，注册用户就 20 万，每天活跃用户就 1 万，每天单表数据量就 1000，然后高峰期每秒钟并发请求最多就 10。

天哪!就这种系统，随便找一个有几年工作经验的高级工程师，然后带几个年轻工程师，随便干干都可以做出来。

因为这样的系统，实际上主要就是在前期快速的进行业务功能的开发，搞一个单块系统部署在一台服务器上，然后连接一个数据库就可以了。

接着大家就是不停的在一个工程里填充进去各种业务代码，尽快把公司的业务支撑起来。

如下图所示：

支撑百万并发的数据库架构如何设计？

结果呢，没想到我们运气这么好，碰上个优秀的 CEO 带着我们走上了康庄大道!

公司业务发展迅猛，过了几个月，注册用户数达到了 2000 万!每天活跃用户数 100 万!每天单表新增数据量达到 50 万条!高峰期每秒请求量达到 1 万!

同时公司还顺带着融资了两轮，估值达到了惊人的几亿美金!一只朝气蓬勃的幼年独角兽的节奏!

好吧，现在大家感觉压力已经有点大了，为啥呢?因为每天单表新增 50 万条数据，一个月就多 1500 万条数据，一年下来单表会达到上亿条数据。

经过一段时间的运行，现在咱们单表已经两三千万条数据了，勉强还能支撑着。

但是，眼见着系统访问数据库的性能怎么越来越差呢，单表数据量越来越大，拖垮了一些复杂查询 SQL 的性能啊!

然后高峰期请求现在是每秒 1 万，咱们的系统在线上部署了 20 台机器，平均每台机器每秒支撑 500 请求，这个还能抗住，没啥大问题。但是数据库层面呢?

如果说此时你还是一台数据库服务器在支撑每秒上万的请求，负责任的告诉你，每次高峰期会出现下述问题：

你的数据库服务器的磁盘 IO、网络带宽、CPU 负载、内存消耗，都会达到非常高的情况，数据库所在服务器的整体负载会非常重，甚至都快不堪重负了。
高峰期时，本来你单表数据量就很大，SQL 性能就不太好，这时加上你的数据库服务器负载太高导致性能下降，就会发现你的 SQL 性能更差了。
最明显的一个感觉，就是你的系统在高峰期各个功能都运行的很慢，用户体验很差，点一个按钮可能要几十秒才出来结果。
如果你运气不太好，数据库服务器的配置不是特别的高的话，弄不好你还会经历数据库宕机的情况，因为负载太高对数据库压力太大了。

多台服务器分库支撑高并发读写

首先我们先考虑第一个问题，数据库每秒上万的并发请求应该如何来支撑呢?

要搞清楚这个问题，先得明白一般数据库部署在什么配置的服务器上。通常来说，假如你用普通配置的服务器来部署数据库，那也起码是 16 核 32G 的机器配置。

这种非常普通的机器配置部署的数据库，一般线上的经验是：不要让其每秒请求支撑超过 2000，一般控制在 2000 左右。

控制在这个程度，一般数据库负载相对合理，不会带来太大的压力，没有太大的宕机风险。

所以首先第一步，就是在上万并发请求的场景下，部署个 5 台服务器，每台服务器上都部署一个数据库实例。

然后每个数据库实例里，都创建一个一样的库，比如说订单库。此时在 5 台服务器上都有一个订单库，名字可以类似为：db_order_01，db_order_02，等等。

然后每个订单库里，都有一个相同的表，比如说订单库里有订单信息表，那么此时 5 个订单库里都有一个订单信息表。

比如 db_order_01 库里就有一个 tb_order_01 表，db_order_02 库里就有一个 tb_order_02 表。

这就实现了一个基本的分库分表的思路，原来的一台数据库服务器变成了 5 台数据库服务器，原来的一个库变成了 5 个库，原来的一张表变成了 5 个表。

然后你在写入数据的时候，需要借助数据库中间件，比如 sharding-jdbc，或者是 mycat，都可以。

你可以根据比如订单 id 来 hash 后按 5 取模，比如每天订单表新增 50 万数据，此时其中 10 万条数据会落入 db_order_01 库的 tb_order_01 表，另外 10 万条数据会落入 db_order_02 库的 tb_order_02 表，以此类推。

这样就可以把数据均匀分散在 5 台服务器上了，查询的时候，也可以通过订单 id 来 hash 取模，去对应的服务器上的数据库里，从对应的表里查询那条数据出来即可。

依据这个思路画出的图如下所示，大家可以看看：

支撑百万并发的数据库架构如何设计？

做这一步有什么好处呢?第一个好处，原来比如订单表就一张表，这个时候不就成了 5 张表了么，那么每个表的数据就变成 1/5 了。

假设订单表一年有 1 亿条数据，此时 5 张表里每张表一年就 2000 万数据了。

那么假设当前订单表里已经有 2000 万数据了，此时做了上述拆分，每个表里就只有 400 万数据了。

而且每天新增 50 万数据的话，那么每个表才新增 10 万数据，这样是不是初步缓解了单表数据量过大影响系统性能的问题?

另外就是每秒 1 万请求到 5 台数据库上，每台数据库就承载每秒 2000 的请求，是不是一下子把每台数据库服务器的并发请求降低到了安全范围内?

这样，降低了数据库的高峰期负载，同时还保证了高峰期的性能。

大量分表来保证海量数据下的查询性能

但是上述的数据库架构还有一个问题，那就是单表数据量还是过大，现在订单表才分为了 5 张表，那么如果订单一年有 1 亿条，每个表就有 2000 万条，这也还是太大了。

所以还应该继续分表，大量分表。比如可以把订单表一共拆分为 1024 张表，这样 1 亿数据量的话，分散到每个表里也就才 10 万量级的数据量，然后这上千张表分散在 5 台数据库里就可以了。

在写入数据的时候，需要做两次路由，先对订单 id hash 后对数据库的数量取模，可以路由到一台数据库上，然后再对那台数据库上的表数量取模，就可以路由到数据库上的一个表里了。

通过这个步骤，就可以让每个表里的数据量非常小，每年 1 亿数据增长，但是到每个表里才 10 万条数据增长，这个系统运行 10 年，每个表里可能才百万级的数据量。

这样可以一次性为系统未来的运行做好充足的准备，看下面的图，一起来感受一下：

支撑百万并发的数据库架构如何设计？

全局唯一 id 如何生成

在分库分表之后你必然要面对的一个问题，就是 id 咋生成?因为要是一个表分成多个表之后，每个表的 id 都是从 1 开始累加自增长，那肯定不对啊。

举个例子，你的订单表拆分为了 1024 张订单表，每个表的 id 都从 1 开始累加，这个肯定有问题了!

你的系统就没办法根据表主键来查询订单了，比如 id = 50 这个订单，在每个表里都有!

所以此时就需要分布式架构下的全局唯一 id 生成的方案了，在分库分表之后，对于插入数据库中的核心 id，不能直接简单使用表自增 id，要全局生成唯一 id，然后插入各个表中，保证每个表内的某个 id，全局唯一。

比如说订单表虽然拆分为了 1024 张表，但是 id = 50 这个订单，只会存在于一个表里。

那么如何实现全局唯一 id 呢?有以下几种方案：

方案一：独立数据库自增 id

这个方案就是说你的系统每次要生成一个 id，都是往一个独立库的一个独立表里插入一条没什么业务含义的数据，然后获取一个数据库自增的一个 id。拿到这个 id 之后再往对应的分库分表里去写入。

比如说你有一个 auto_id 库，里面就一个表，叫做 auto_id 表，有一个 id 是自增长的。

那么你每次要获取一个全局唯一 id，直接往这个表里插入一条记录，获取一个全局唯一 id 即可，然后这个全局唯一 id 就可以插入订单的分库分表中。

这个方案的好处就是方便简单，谁都会用。缺点就是单库生成自增 id，要是高并发的话，就会有瓶颈的，因为 auto_id 库要是承载个每秒几万并发，肯定是不现实的了。

方案二：UUID

这个每个人都应该知道吧，就是用 UUID 生成一个全局唯一的 id。

好处就是每个系统本地生成，不要基于数据库来了。不好之处就是，UUID 太长了，作为主键性能太差了，不适合用于主键。

如果你是要随机生成个什么文件名了，编号之类的，你可以用 UUID，但是作为主键是不能用 UUID 的。

方案三：获取系统当前时间

这个方案的意思就是获取当前时间作为全局唯一的 id。但是问题是，并发很高的时候，比如一秒并发几千，会有重复的情况，这个肯定是不合适的。

一般如果用这个方案，是将当前时间跟很多其他的业务字段拼接起来，作为一个 id，如果业务上你觉得可以接受，那么也是可以的。

你可以将别的业务字段值跟当前时间拼接起来，组成一个全局唯一的编号，比如说订单编号：时间戳 + 用户 id + 业务含义编码。

方案四：SnowFlake 算法的思想分析

SnowFlake 算法，是 Twitter 开源的分布式 id 生成算法。其核心思想就是：使用一个 64 bit 的 long 型的数字作为全局唯一 id。

这 64 个 bit 中，其中 1 个 bit 是不用的，然后用其中的 41 bit 作为毫秒数，用 10 bit 作为工作机器 id，12 bit 作为序列号。

支撑百万并发的数据库架构如何设计？

给大家举个例子吧，比如下面那个 64 bit 的 long 型数字：

第一个部分，是 1 个 bit：0，这个是无意义的。
第二个部分是 41 个 bit：表示的是时间戳。
第三个部分是 5 个 bit：表示的是机房 id，10001。
第四个部分是 5 个 bit：表示的是机器 id，1 1001。
第五个部分是 12 个 bit：表示的序号，就是某个机房某台机器上这一毫秒内同时生成的 id 的序号，0000 00000000。

①1 bit：是不用的，为啥呢?

因为二进制里第一个 bit 为如果是 1，那么都是负数，但是我们生成的 id 都是正数，所以第一个 bit 统一都是 0。

②41 bit：表示的是时间戳，单位是毫秒。

41 bit 可以表示的数字多达 2^41 - 1，也就是可以标识 2 ^ 41 - 1 个毫秒值，换算成年就是表示 69 年的时间。

③10 bit：记录工作机器 id，代表的是这个服务最多可以部署在 2^10 台机器上，也就是 1024 台机器。

但是 10 bit 里 5 个 bit 代表机房 id，5 个 bit 代表机器 id。意思就是最多代表 2 ^ 5 个机房(32 个机房)，每个机房里可以代表 2 ^ 5 个机器(32 台机器)。

④12 bit：这个是用来记录同一个毫秒内产生的不同 id。

12 bit 可以代表的最大正整数是 2 ^ 12 - 1 = 4096，也就是说可以用这个 12 bit 代表的数字来区分同一个毫秒内的 4096 个不同的 id。

简单来说，你的某个服务假设要生成一个全局唯一 id，那么就可以发送一个请求给部署了 SnowFlake 算法的系统，由这个 SnowFlake 算法系统来生成唯一 id。

这个 SnowFlake 算法系统首先肯定是知道自己所在的机房和机器的，比如机房 id = 17，机器 id = 12。

接着 SnowFlake 算法系统接收到这个请求之后，首先就会用二进制位运算的方式生成一个 64 bit 的 long 型 id，64 个 bit 中的第一个 bit 是无意义的。

接着 41 个 bit，就可以用当前时间戳(单位到毫秒)，然后接着 5 个 bit 设置上这个机房 id，还有 5 个 bit 设置上机器 id。

最后再判断一下，当前这台机房的这台机器上这一毫秒内，这是第几个请求，给这次生成 id 的请求累加一个序号，作为最后的 12 个 bit。

最终一个 64 个 bit 的 id 就出来了，类似于：

支撑百万并发的数据库架构如何设计？

这个算法可以保证说，一个机房的一台机器上，在同一毫秒内，生成了一个唯一的 id。可能一个毫秒内会生成多个 id，但是有最后 12 个 bit 的序号来区分开来。

下面我们简单看看这个 SnowFlake 算法的一个代码实现，这就是个示例，大家如果理解了这个意思之后，以后可以自己尝试改造这个算法。

总之就是用一个 64 bit 的数字中各个 bit 位来设置不同的标志位，区分每一个 id。

SnowFlake 算法的实现代码如下：

public class IdWorker { 
  private long workerId; // 这个就是代表了机器id 
  private long datacenterId; // 这个就是代表了机房id 
  private long sequence; // 这个就是代表了一毫秒内生成的多个id的最新序号 
  public IdWorker(long workerId, long datacenterId, long sequence) { 
    // sanity check for workerId 
    // 这儿不就检查了一下，要求就是你传递进来的机房id和机器id不能超过32，不能小于0 
    if (workerId > maxWorkerId || workerId < 0) { 
 
      throw new IllegalArgumentException( 
        String.format("worker Id can't be greater than %d or less than 0",maxWorkerId)); 
    } 
 
    if (datacenterId > maxDatacenterId || datacenterId < 0) { 
 
      throw new IllegalArgumentException( 
        String.format("datacenter Id can't be greater than %d or less than 0",maxDatacenterId)); 
    } 
    this.workerId = workerId; 
    this.datacenterId = datacenterId; 
    this.sequence = sequence; 
  } 
  private long twepoch = 1288834974657L; 
  private long workerIdBits = 5L; 
  private long datacenterIdBits = 5L; 
 
  // 这个是二进制运算，就是5 bit最多只能有31个数字，也就是说机器id最多只能是32以内 
  private long maxWorkerId = -1L ^ (-1L << workerIdBits);  
  // 这个是一个意思，就是5 bit最多只能有31个数字，机房id最多只能是32以内 
  private long maxDatacenterId = -1L ^ (-1L << datacenterIdBits);  
  private long sequenceBits = 12L; 
  private long workerIdShift = sequenceBits; 
  private long datacenterIdShift = sequenceBits + workerIdBits; 
  private long timestampLeftShift = sequenceBits + workerIdBits + datacenterIdBits; 
  private long sequenceMask = -1L ^ (-1L << sequenceBits); 
  private long lastTimestamp = -1L; 
  public long getWorkerId(){ 
    return workerId; 
  } 
  public long getDatacenterId() { 
    return datacenterId; 
  } 
  public long getTimestamp() { 
    return System.currentTimeMillis(); 
  } 
  // 这个是核心方法，通过调用nextId()方法，让当前这台机器上的snowflake算法程序生成一个全局唯一的id 
  public synchronized long nextId() { 
    // 这儿就是获取当前时间戳，单位是毫秒 
    long timestamp = timeGen(); 
    if (timestamp < lastTimestamp) { 
      System.err.printf( 
        "clock is moving backwards. Rejecting requests until %d.", lastTimestamp); 
      throw new RuntimeException( 
        String.format("Clock moved backwards. Refusing to generate id for %d milliseconds", 
               lastTimestamp - timestamp)); 
    } 
 
    // 下面是说假设在同一个毫秒内，又发送了一个请求生成一个id 
    // 这个时候就得把seqence序号给递增1，最多就是4096 
    if (lastTimestamp == timestamp) { 
 
      // 这个意思是说一个毫秒内最多只能有4096个数字，无论你传递多少进来， 
      //这个位运算保证始终就是在4096这个范围内，避免你自己传递个sequence超过了4096这个范围 
      sequence = (sequence + 1) & sequenceMask;  
      if (sequence == 0) { 
        timestamp = tilNextMillis(lastTimestamp); 
      } 
 
    } else { 
      sequence = 0; 
    } 
    // 这儿记录一下最近一次生成id的时间戳，单位是毫秒 
    lastTimestamp = timestamp; 
    // 这儿就是最核心的二进制位运算操作，生成一个64bit的id 
    // 先将当前时间戳左移，放到41 bit那儿；将机房id左移放到5 bit那儿；将机器id左移放到5 bit那儿；将序号放最后12 bit 
    // 最后拼接起来成一个64 bit的二进制数字，转换成10进制就是个long型 
    return ((timestamp - twepoch) << timestampLeftShift) | 
        (datacenterId << datacenterIdShift) | 
        (workerId << workerIdShift) | sequence; 
  } 
  private long tilNextMillis(long lastTimestamp) { 
 
    long timestamp = timeGen(); 
 
    while (timestamp <= lastTimestamp) { 
      timestamp = timeGen(); 
    } 
    return timestamp; 
  } 
  private long timeGen(){ 
    return System.currentTimeMillis(); 
  } 
  //---------------测试--------------- 
  public static void main(String[] args) { 
 
    IdWorker worker = new IdWorker(1,1,1); 
 
    for (int i = 0; i < 30; i++) { 
      System.out.println(worker.nextId()); 
    } 
  } 
}

SnowFlake 算法一个小小的改进思路：其实在实际的开发中，这个SnowFlake算法可以做一点点改进。

因为大家可以考虑一下，我们在生成唯一 id 的时候，一般都需要指定一个表名，比如说订单表的唯一 id。

所以上面那 64 个 bit 中，代表机房的那 5 个 bit，可以使用业务表名称来替代，比如用 00001 代表的是订单表。

因为其实很多时候，机房并没有那么多，所以那 5 个 bit 用做机房 id 可能意义不是太大。

这样就可以做到，SnowFlake 算法系统的每一台机器，对一个业务表，在某一毫秒内，可以生成一个唯一的 id，一毫秒内生成很多 id，用最后 12 个 bit 来区分序号对待。