一次线上事故，我顿悟了异步的精髓

在高并发的场景下，异步是一个极其重要的优化方向。,前段时间，生产环境发生一次事故，笔者认为事故的场景非常具备典型性 。,写这篇文章，笔者想和大家深入探讨该场景的架构优化方案。希望大家读完之后，可以对异步有更深刻的理解。,老师登录教研平台，会看到课程列表，点击课程后，课程会以视频的形式展现出来。,,访问课程详情页面，包含两个核心动作：,从缓存服务器 Redis 获取课程的视频信息 ，返回给前端，前端通过视频组件渲染。,当教师观看视频的过程中，浏览器每隔3秒发起请求，教研服务将观看行为记录插入到数据库表中。而且随着用户在线人数越多，写操作的频率也会指数级增长。,上线初期，这种设计运行还算良好，但随着在线用户的增多，系统响应越来越慢，大量线程阻塞在写入视频观看进度表上的 Dao 方法。上。,首先我们会想到一个非常直观的方案，提升写入数据库的能力。,这种方案其实也可以满足我们的需求，但是通过扩容硬件并不便宜，另外写操作可以允许适当延迟和丢失少量数据，那这种方案更显得性价比不足。,那么架构优化的方向应该是：“减少写动作的耗时，提升写动作的并发度”， 只有这样才能让系统更顺畅的运行。,于是，我们想到了第二种方案：写请求异步化。,2014年，笔者在艺龙旅行网负责红包系统相关工作。运营系统会调用红包系统给特定用户发送红包，当这些用户登录 app 后，app 端会调用红包系统的激活红包接口 。,激活红包接口是一个写操作，速度也比较快(20毫秒左右)，接口的日请求量在2000万左右。,应用访问高峰期，红包系统会变得不稳定，激活接口经常超时，笔者为了快速解决问题，采取了一个非常粗糙的方案：,”控制器收到请求后，将写操作放入到独立的线程池中后，立即返回给前端，而线程池会异步执行激活红包方法”。,当时按照这种粗糙的方法优化后，红包系统非常稳定，再也没有出现接口响应超时的问题。,回到教研的场景，见下图，我们也可以设计类似线程池模型的方案：,,使用线程池模式，需要注意如下几点：,线程数不宜过高，避免占用过多的数据库连接 ;,需要考虑评估线程池队列的大小，以免出现内存溢出的问题。,开源中国统计浏览数的方案非常经典。,用户访问过一次文章、新闻、代码详情页面，访问次数字段加 1 , 在 oschina 上这个操作是异步的，访问的时候只是将数据在内存中保存，每隔固定时间将这些数据写入数据库。,,示例代码如下：,,我们可以借鉴开源中国的方案 ：,控制器接收请求后，观看进度信息存储到本地内存 LinkedBlockingQueue 对象里；,异步线程每隔1分钟从队列里获取数据 ，组装成 List 对象，最后调用 Jdbc batchUpdate 方法批量写入数据库；,批量写入主要是为了提升系统的整体吞吐量，每次批量写入的 List 大小也不宜过大 。,这种方案优点是：不改动原有业务架构，简单易用，性能也高。该方案同样需要考虑内存溢出的风险。,很多同学们会想到 MQ 模式 ，消息队列最核心的功能是异步和解耦，MQ 模式架构清晰，易于扩展。,,核心流程如下：,这种方案优点是：,不过 MQ 模式需要引入新的组件，增加额外的复杂度。,互联网大厂还有一种常见的异步的方案：Agent 服务 + MQ 模式。,,教研服务器上部署 Agent 服务（独立的进程） , 教研服务接收写请求后，将请求按照固定的格式（比如 JSON ）写入到磁盘中，然后给前端返回成功信息。,Agent 服务会监听文件变动，将文件内容发送到消息队列 , 消费者服务获取观看行为记录，将其存储到 MySQL 数据库中。,这种方案最大的优点是：架构分层清晰，业务服务不需要引入 MQ 组件。,笔者原来接触过的性能监控平台，或者日志分析平台都使用这种模式。,学习需要一层一层递进的思考。,本文提到了四种异步方式：,它们的共同特点是：将写操作命令存储在一个池子后，立刻响应给前端，减少写动作的耗时。任务服务异步从池子里获取任务后执行。,在笔者看来，异步是更细粒度的使用系统资源的一种方式。,在教研课程详情场景里，数据库的资源是固定的，但写操作占据大量数据库资源，导致整个系统的阻塞，但写操作并不是最核心的业务流程，它不应该占用那么多的系统资源。,不能为了异步而异步，无论是使用线程池，还是本地内存 + 定时任务 ，亦或是 MQ ，对数据库资源的使用都需要在合理的范围内，否则异步就达不到我们想要的效果。​