ddia_read/ch01.md
2023-02-22 16:06:40 +08:00

14 KiB
Raw Blame History

DDIA 逐章精读(一):可靠、可扩展、可维护

本书为什么以数据系统为主题

数据系统data system是一种模糊的统称。在信息社会中一切皆可信息化或者某种程度上来说——数字化。这些数据的采集、存储和使用是构成信息社会的基础。我们常见的绝大部分应用背后都有一套数据系统支撑比如微信、京东、微博等等。

data-society.png

因此,作为 IT 从业人员,有必要系统性的了解一下现代的、分布式的数据系统。学习本书,能够学习到数据系统的背后的原理、了解其常见的实践、进而将其应用到我们工作的系统设计中。

常见的数据系统有哪些

  • 存储数据,以便之后再次使用——数据库
  • 记住一些非常“重”的操作结果,方便之后加快读取速度——缓存
  • 允许用户以各种关键字搜索、以各种条件过滤数据——搜索引擎
  • 源源不断的产生数据、并发送给其他进程进行处理——流式处理
  • 定期处理累积的大量数据——批处理
  • 进行消息的传送与分发——消息队列

这些概念如此耳熟能详以至于我们在设计系统时拿来就用,而不用去想其实现细节,更不用从头进行实现。当然,这也侧面说明这些概念抽象的多么成功。

数据系统的日益复杂化

但这些年来,随着应用需求的进一步复杂化,出现了很多新型的数据采集、存储和处理系统,它们不拘泥于单一的功能,也难以生硬的归到某个类别。随便举几个例子:

  1. Kafka:可以作为存储持久化一段时间日志数据、可以作为消息队列对数据进行分发、可以作为流式处理组件对数据反复蒸馏等等。
  2. Spark:可以对数据进行批处理、也可以化小批为流,对数据进行流式处理。
  3. Redis:可以作为缓存加速对数据库的访问、也可以作为事件中心对消息的发布订阅。

我们面临一个新的场景,以某种组合使用这些组件时,在某种程度上,便是创立了一个新的数据系统。书中给了一个常见的对用户数据进行采集、存储、查询、旁路等操作的数据系统示例。从其示意图中可以看到各种 Web Services 的影子。

data-system.png

但就这么一个小系统,在设计时,就可以有很多取舍:

  1. 使用何种缓存策略?是旁路还是写穿透?
  2. 部分组件机器出现问题时,是保证可用性还是保证一致性?
  3. 当机器一时难以恢复,如何保证数据的正确性和完整性?
  4. 当负载增加时,是增加机器还是提升单机性能?
  5. 设计对外的 API 时,是力求简洁还是追求强大?

因此,有必要从根本上思考下如何评价一个好数据系统,如何构建一个好的数据系统,有哪些可以遵循的设计模式?有哪些通常需要考虑的方面?

书中用了三个词来回答:可靠性Reliability、可伸缩性Scalability、可维护性Maintainability

可靠性

如何衡量可靠性?

  • 功能上
    1. 正常情况下,应用行为满足 API 给出的行为
    2. 在用户误输入/误操作时,能够正常处理
  • 性能上 在给定硬件和数据量下,能够满足承诺的性能指标。
  • 安全上 能够阻止未授权、恶意破坏。

可用性也是可靠性的一个侧面,云服务通常以多少个 9 来衡量可用性。


两个易混淆的概念:Fault系统出现问题 and Failure系统不能提供服务

不能进行 Fault-tolerance 的系统,积累的 fault 多了,就很容易 Failure。

如何预防?混沌测试:如 Netflix 的 chaosmonkey

硬件故障

在一个大型数据中心中,这是常态:

  1. 网络抖动、不通
  2. 硬盘老化坏道
  3. 内存故障
  4. 机器过热导致 CPU 出问题
  5. 机房断电

数据系统中常见的需要考虑的硬件指标:

  • MTTF mean time to failure 单块盘 平均故障时间 5 ~10 年,如果你有 1w+ 硬盘,则均匀期望下,每天都有坏盘出现。当然事实是硬盘会一波一波坏。

解决办法,增加冗余度:

机房多路供电,双网络等等。

对于数据:

单机:可以做 RAID 冗余。如EC 编码。

多机:多副本 or EC 编码。

软件错误

相比硬件故障的随机性,软件错误的相关性更高:

  1. 不能处理特定输入,导致系统崩溃。
  2. 失控进程(如循环未释放资源)耗尽 CPU、内存、网络资源。
  3. 系统依赖组件变慢甚至无响应。
  4. 级联故障。

在设计软件时,我们通常有一些环境假设,和一些隐性约束。随着时间的推移、系统的持续运行,如果这些假设不能够继续被满足;如果这些约束被后面维护者增加功能时所破坏;都有可能让一开始正常运行的系统,突然崩溃。

人为问题

系统中最不稳定的是人,因此要在设计层面尽可能消除人对系统影响。依据软件的生命周期,分几个阶段来考虑:

  • 设计编码
    1. 尽可能消除所有不必要的假设,提供合理的抽象,仔细设计 API
    2. 进程间进行隔离,对尤其容易出错的模块使用沙箱机制
    3. 对服务依赖进行熔断设计
  • 测试阶段
    1. 尽可能引入第三方成员测试,尽量将测试平台自动化
    2. 单元测试、集成测试、e2e 测试、混沌测试
  • 运行阶段
    1. 详细的仪表盘
    2. 持续自检
    3. 报警机制
    4. 问题预案
  • 针对组织 科学的培训和管理

可靠性有多重要?

事关用户数据安全,事关企业声誉,企业存活和做大的基石。

可伸缩性

可伸缩性,即系统应对负载增长的能力。它很重要,但在实践中又很难做好,因为存在一个基本矛盾:只有能存活下来的产品才有资格谈伸缩,而过早为伸缩设计往往活不下去

但仍是可以了解一些基本的概念,来应对可能会暴增的负载。

衡量负载

应对负载之前,要先找到合适的方法来衡量负载,如负载参数load parameters

  • 应用日活月活
  • 每秒向 Web 服务器发出的请求
  • 数据库中的读写比率
  • 聊天室中同时活跃的用户数量

书中以 Twitter 2012 年 11 月披露的信息为例进行了说明:

  1. 识别主营业务:发布推文、首页 Feed 流。
  2. 确定其请求量级:发布推文(平均 4.6k 请求/秒,峰值超过 12k 请求/秒查看其他人推文300k 请求/秒)

twitter-table.png

单就这个数据量级来说,无论怎么设计都问题不大。但 Twitter 需要根据用户之间的关注与被关注关系来对数据进行多次处理。常见的有推拉两种方式:

  1. 。每个人查看其首页 Feed 流时,从数据库现拉取所有关注用户推文,合并后呈现。
  2. 。为每个用户保存一个 Feed 流视图,当用户发推文时,将其插入所有关注者 Feed 流视图中。

twitter-push.png

前者是 Lazy 的,用户只有查看时才会去拉取,不会有无效计算和请求,但每次需要现算,呈现速度较慢。而且流量一大也扛不住。

后者实现算出视图,而不管用户看不看,呈现速度较快,但会引入很多无效请求。

最终,使用的是一种推拉结合的方式,这也是外国一道经典的系统设计考题。

描述性能

注意和系统负载区分,系统负载是从用户视角来审视系统,是一种客观指标。而系统性能则是描述的系统的一种实际能力。比如:

  1. 吞吐量throughput:每秒可以处理的单位数据量,通常记为 QPS。
  2. 响应时间response time:从用户侧观察到的发出请求到收到回复的时间。
  3. 延迟latency:日常中,延迟经常和响应时间混用指代响应时间;但严格来说,延迟只是只请求过程中排队等休眠时间,虽然其在响应时间中一般占大头;但只有我们把请求真正处理耗时认为是瞬时,延迟才能等同于响应时间。

响应时间通常以百分位点来衡量,比如 p95p99 和 p999它们意味着 9599或 99.9 的请求都能在该阈值内完成。在实际中,通常使用滑动窗口滚动计算最近一段时间的响应时间分布,并通常以折线图或者柱状图进行呈现。

应对负载

在有了描述和定义负载、性能的手段之后,终于来到正题,如何应对负载的不断增长,即使系统具有可伸缩性。

  1. 纵向伸缩scaling upor 垂直伸缩vertical scaling换具有更强大性能的机器。e.g. 大型机机器学习训练。
  2. 横向伸缩scaling outor 水平伸缩horizontal scaling“并联”很多廉价机分摊负载。e.g. 马斯克造火箭。

负载伸缩的两种方式:

  • 自动 如果负载不好预测且多变,则自动较好。坏处在于不易跟踪负载,容易抖动,造成资源浪费。
  • 手动 如果负载容易预测且不长变化,最好手动。设计简单,且不容易出错。

针对不同应用场景:

首先,如果规模很小,尽量还是用性能好一点的机器,可以省去很多麻烦。

其次,可以上云,利用云的可伸缩性。甚至如 Snowflake 等基础服务提供商也是 All In 云原生。

最后,实在不行再考虑自行设计可伸缩的分布式架构。

两种服务类型:

  • 无状态服务 比较简单,多台机器,外层罩一个 gateway 就行。
  • 有状态服务 根据需求场景,如读写负载、存储量级、数据复杂度、响应时间、访问模式,来进行取舍,设计合乎需求的架构。

不可能啥都要,没有万金油架构!但同时:万变不离其宗,组成不同架构的原子设计模式是有限的,这也是本书稍后要论述的重点。

可维护性

从软件的整个生命周期来看,维护阶段绝对占大头。

但大部分人都喜欢挖坑,不喜欢填坑。因此有必要,在刚开就把坑开的足够好。有三个原则:

  • 可维护性Operability 便于运维团队无痛接手。
  • 简洁性Simplicity 便于新手开发平滑上手:这需要一个合理的抽象,并尽量消除各种复杂度。如,层次化抽象。
  • 可演化性Evolvability 便于后面需求快速适配:避免耦合过紧,将代码绑定到某种实现上。也称为可扩展性extensibility可修改性modifiability  或可塑性plasticity

可运维性Operability人生苦短关爱运维

有效的运维绝对是个高技术活:

  1. 紧盯系统状态,出问题时快速恢复。
  2. 恢复后,复盘问题,定位原因。
  3. 定期对平台、库、组件进行更新升级。
  4. 了解组件间相互关系,避免级联故障。
  5. 建立自动化配置管理、服务管理、更新升级机制。
  6. 执行复杂维护任务,如将存储系统从一个数据中心搬到另外一个数据中心。
  7. 配置变更时,保证系统安全性。

系统具有良好的可维护性,意味着将可定义的维护过程编写文档和工具以自动化,从而解放出人力关注更高价值事情:

  1. 友好的文档和一致的运维规范。
  2. 细致的监控仪表盘、自检和报警。
  3. 通用的缺省配置。
  4. 出问题时的自愈机制,无法自愈时允许管理员手动介入。
  5. 将维护过程尽可能的自动化。
  6. 避免单点依赖,无论是机器还是人。

简洁性Simplicity复杂度管理

recommand-book.png

推荐一本书:A Philosophy of Software Design ,讲述在软件设计中如何定义、识别和降低复杂度。

复杂度表现:

  1. 状态空间的膨胀。
  2. 组件间的强耦合。
  3. 不一致的术语和命名
  4. 为了提升性能的 hack。
  5. 随处可见的补丁workaround

需求很简单,但不妨碍你实现的很复杂 😉:过多的引入了额外复杂度accidental complexity )——非问题本身决定的,而由实现所引入的复杂度。

通常是问题理解的不够本质,写出了“流水账”(没有任何抽象abstraction)式的代码。

如果你为一个问题找到了合适的抽象,那么问题就解决了一半,如:

  1. 高级语言隐藏了机器码、CPU 和系统调用细节。
  2. SQL 隐藏了存储体系、索引结构、查询优化实现细节。

如何找到合适的抽象?

  1. 从计算机领域常见的抽象中找。
  2. 从日常生活中常接触的概念找。

总之,一个合适的抽象,要么是符合直觉的;要么是和你的读者共享上下文的。

本书之后也会给出很多分布式系统中常用的抽象。

可演化性:降低改变门槛

系统需求没有变化,说明这个行业死了。

否则,需求一定是不断在变,引起变化的原因多种多样:

  1. 对问题阈了解更全面
  2. 出现了之前未考虑到的用例
  3. 商业策略的改变
  4. 客户爸爸要求新功能
  5. 依赖平台的更迭
  6. 合规性要求
  7. 体量的改变

应对之道:

  • 项目管理上 敏捷开发
  • 系统设计上 依赖前两点。合理抽象,合理封装,对修改关闭,对扩展开放。