高性能服務器架構思路

在服務器端程序開發領域，性能問題一直是備受關注的重點。業界有大量的框架、組件、類庫都是以性能爲賣點而廣爲人知。然而，服務器端程序在性能問題上應該有何種基本思路，這個卻很少被這些項目的文檔提及。本文正式希望介紹服務器端解決性能問題的基本策略和經典實踐，並分爲幾個部分來說明：

1. 緩存策略的概念和實例

2.緩存策略的難點：不同特點的緩存數據的清理機制

3.分佈策略的概念和實例

4.分佈策略的難點：共享數據安全性與代碼複雜度的平衡

緩存

緩存策略的概念

我們提到服務器端性能問題的時候，往往會混淆不清。因爲當我們訪問一個服務器時，出現服務卡住不能得到數據，就會認爲是“性能問題”。但是實際上這個性能問題可能是有不同的原因，表現出來都是針對客戶請求的延遲很長甚至中斷。我們來看看這些原因有哪些：第一個是所謂併發數不足，也就是同時請求的客戶過多，導致超過容納能力的客戶被拒絕服務，這種情況往往會因爲服務器內存耗盡而導致的；第二個是處理延遲過長，也就是有一些客戶的請求處理時間已經超過用戶可以忍受的長度，這種情況常常表現爲CPU佔用滿額100%。

我們在服務器開發的時候，最常用到的有下面這幾種硬件：CPU、內存、磁盤、網卡。其中CPU是代表計算機處理時間的，硬盤的空間一般很大，主要是讀寫磁盤會帶來比較大的處理延遲，而內存、網卡則是受存儲、帶寬的容量限制的。所以當我們的服務器出現性能問題的時候，就是這幾個硬件某一個甚至幾個都出現負荷佔滿的情況。這四個硬件的資源一般可以抽象成兩類：一類是時間資源，比如CPU和磁盤讀寫；一類是空間資源，比如內存和網卡帶寬。所以當我們的服務器出現性能問題，有一個最基本的思路，就是——時間空間轉換。我們可以舉幾個例子來說明這個問題。

[水壩就是用水庫空間來換流量時間的例子]

當我們訪問一個WEB的網站的時候，輸入的URL地址會被服務器變成對磁盤上某個文件的讀取。如果有大量的用戶訪問這個網站，每次的請求都會造成對磁盤的讀操作，可能會讓磁盤不堪重負，導致無法即時讀取到文件內容。但是如果我們寫的程序，會把讀取過一次的文件內容，長時間的保存在內存中，當有另外一個對同樣文件的讀取時，就直接從內存中把數據返回給客戶端，就無需去讓磁盤讀取了。由於用戶訪問的文件往往很集中，所以大量的請求可能都能從內存中找到保存的副本，這樣就能大大提高服務器能承載的訪問量了。這種做法，就是用內存的空間，換取了磁盤的讀寫時間，屬於用空間換時間的策略。

[方便麪預先緩存了大量的烹飪操作]

舉另外一個例子：我們寫一個網絡遊戲的服務器端程序，通過讀寫數據庫來提供玩家資料存檔。如果有大量玩家進入這個服務器，必定有很多玩家的數據資料變化，比如升級、獲得武器等等，這些通過讀寫數據庫來實現的操作，可能會讓數據庫進程負荷過重，導致玩家無法即時完成遊戲操作。我們會發現遊戲中的讀操作，大部分都是針是對一些靜態數據的，比如遊戲中的關卡數據、武器道具的具體信息；而很多寫操作，實際上是會覆蓋的，比如我的經驗值，可能每打一個怪都會增加幾十點，但是最後記錄的只是最終的一個經驗值，而不會記錄下打怪的每個過程。所以我們也可以使用時空轉換的策略來提供性能：我們可以用內存，把那些遊戲中的靜態數據，都一次性讀取並保存起來，這樣每次讀這些數據，都和數據庫無關了；而玩家的資料數據，則不是每次變化都去寫數據庫，而是先在內存中保持一個玩家數據的副本，所有的寫操作都先去寫內存中的結構，然後定期再由服務器主動寫回到數據庫中，這樣可以把多次的寫數據庫操作變成一次寫操作，也能節省很多寫數據庫的消耗。這種做法也是用空間換時間的策略。

[拼裝傢俱很省運輸空間，但是安裝很費時]

最後說說用時間換空間的例子：假設我們要開發一個企業通訊錄的數據存儲系統，客戶要求我們能保存下通訊錄的每次新增、修改、刪除操作，也就是這個數據的所有變更歷史，以便可以讓數據回退到任何一個過去的時間點。那麼我們最簡單的做法，就是這個數據在任何變化的時候，都拷貝一份副本。但是這樣會非常的浪費磁盤空間，因爲這個數據本身變化的部分可能只有很小一部分，但是要拷貝的副本可能很大。這種情況下，我們就可以在每次數據變化的時候，都記下一條記錄，內容就是數據變化的情況：插入了一條內容是某某的聯繫方法、刪除了一條某某的聯繫方法……，這樣我們記錄的數據，僅僅就是變化的部分，而不需要拷貝很多份副本。當我們需要恢復到任何一個時間點的時候，只需要按這些記錄依次對數據修改一遍，直到指定的時間點的記錄即可。這個恢復的時間可能會有點長，但是卻可以大大節省存儲空間。這就是用CPU的時間來換磁盤的存儲空間的策略。我們現在常見的MySQL InnoDB日誌型數據表，以及SVN源代碼存儲，都是使用這種策略的。

另外，我們的Web服務器，在發送HTML文件內容的時候，往往也會先用ZIP壓縮，然後發送給瀏覽器，瀏覽器收到後要先解壓，然後才能顯示，這個也是用服務器和客戶端的CPU時間，來換取網絡帶寬的空間。

在我們的計算機體系中，緩存的思路幾乎無處不在，比如我們的CPU裏面就有1級緩存、2級緩存，他們就是爲了用這些快速的存儲空間，換取對內存這種相對比較慢的存儲空間的等待時間。我們的顯示卡里面也帶有大容量的緩存，他們是用來存儲顯示圖形的運算結果的。

[通往大空間的郊區路上容易交通堵塞]

緩存的本質，除了讓“已經處理過的數據，不需要重複處理”以外，還有“以快速的數據存儲讀寫，代替較慢速的存儲讀寫”的策略。我們在選擇緩存策略進行時空轉換的時候，必須明確我們要轉換的時間和空間是否合理，是否能達到效果。比如早期有一些人會把WEB文件緩存在分佈式磁盤上（例如NFS），但是由於通過網絡訪問磁盤本身就是一個比較慢的操作，而且還會佔用可能就不充裕的網絡帶寬空間，導致性能可能變得更慢。

在設計緩存機制的時候，我們還容易碰到另外一個風險，就是對緩存數據的編程處理問題。如果我們要緩存的數據，並不是完全無需處理直接讀寫的，而是需要讀入內存後，以某種語言的結構體或者對象來處理的，這就需要涉及到“序列化”和“反序列化”的問題。如果我們採用直接拷貝內存的方式來緩存數據，當我們的這些數據需要跨進程、甚至跨語言訪問的時候，會出現那些指針、ID、句柄數據的失效。因爲在另外一個進程空間裏，這些“標記型”的數據都是不存在的。因此我們需要更深入的對數據緩存的方法，我們可能會使用所謂深拷貝的方案，也就是跟着那些指針去找出目標內存的數據，一併拷貝。一些更現代的做法，則是使用所謂序列化方案來解決這個問題，也就是用一些明確定義了的“拷貝方法”來定義一個結構體，然後用戶就能明確的知道這個數據會被拷貝，直接取消了指針之類的內存地址數據的存在。比如著名的Protocol Buffer就能很方便的進行內存、磁盤、網絡位置的緩存；現在我們常見的JSON，也被一些系統用來作爲緩存的數據格式。

但是我們需要注意的是，緩存的數據和我們程序真正要操作的數據，往往是需要進行一些拷貝和運算的，這就是序列化和反序列化的過程，這個過程很快，也有可能很慢。所以我們在選擇數據緩存結構的時候，必須要注意其轉換時間，否則你緩存的效果可能被這些數據拷貝、轉換消耗去很多，嚴重的甚至比不緩存更差。一般來說，緩存的數據越解決使用時的內存結構，其轉換速度就越快，在這點上，Protocol Buffer採用TLV編碼，就比不上直接memcpy的一個C結構體，但是比編碼成純文本的XML或者JSON要來的更快。因爲編解碼的過程往往要進行復雜的查表映射，列表結構等操作。

緩存策略的難點

雖然使用緩存思想似乎是一個很簡單的事情，但是緩存機制卻有一個核心的難點，就是——緩存清理。我們所說的緩存，都是保存一些數據，但是這些數據往往是會變化的，我們要針對這些變化，清理掉保存的“髒”數據，卻可能不是那麼容易。

首先我們來看看最簡單的緩存數據——靜態數據。這種數據往往在程序的運行時是不會變化的，比如Web服務器內存中緩存的HTML文件數據，就是這種。事實上，所有的不是由外部用戶上傳的數據，都屬於這種“運行時靜態數據”。一般來說，我們對這種數據，可以採用兩種建立緩存的方法：一是程序一啓動，就一股腦把所有的靜態數據從文件或者數據庫讀入內存；二就是程序啓動的時候並不加載靜態數據，而是等有用戶訪問相關數據的時候，纔去加載，這也就是所謂lazy load的做法。第一種方法編程比較簡單，程序的內存啓動後就穩定了，不太容易出現內存漏洞（如果加載的緩存太多，程序在啓動後立刻會因內存不足而退出，比較容易發現問題）；第二種方法程序啓動很快，但要對緩存佔用的空間有所限制或者規劃，否則如果要緩存的數據太多，可能會耗盡內存，導致在線服務中斷。

一般來說，靜態數據是不會“髒”的，因爲沒有用戶會去寫緩存中的數據。但是在實際工作中，我們的在線服務往往會需要“立刻”變更一些緩存數據。比如在門戶網站上發佈了一條新聞，我們會希望立刻讓所有訪問的用戶都看到。按最簡單的做法，我們一般只要重啓一下服務器進程，內存中的緩存就會消失了。對於靜態緩存的變化頻率非常低的業務，這樣是可以的，但是如果是新聞網站，就不能每隔幾分鐘就重啓一下WEB服務器進程，這樣會影響大量在線用戶的訪問。常見的解決這類問題有兩種處理策略：

第一種是使用控制命令。簡單來說，就是在服務器進程上，開通一個實時的命令端口，我們可以通過網絡數據包（如UDP包），或者Linux系統信號（如kill SIGUSR2進程號）之類的手段，發送一個命令消息給服務器進程，讓進程開始清理緩存。這種清理可能執行的是最簡單的“全部清理”，也有的可以細緻一點的，讓命令消息中帶有“想清理的數據ID”這樣的信息，比如我們發送給WEB服務器的清理消息網絡包中會帶一個字符串URL，表示要清理哪一個HTML文件的緩存。這種做法的好處是清理的操作很精準，可以明確的控制清理的時間和數據。但是缺點就是比較繁瑣，手工去編寫發送這種命令很煩人，所以一般我們會把清理緩存命令的工作，編寫到上傳靜態數據的工具當中，比如結合到網站的內容發佈系統中，一旦編輯提交了一篇新的新聞，發佈系統的程序就自動的發送一個清理消息給WEB服務器。

第二種是使用字段判斷邏輯。也就是服務器進程，會在每次讀取緩存前，根據一些特徵數據，快速的判斷內存中的緩存和源數據內容，是否有不一致（是否髒）的地方，如果有不一致的地方，就自動清理這條數據的緩存。這種做法會消耗一部分CPU，但是就不需要人工去處理清理緩存的事情，自動化程度很高。現在我們的瀏覽器和WEB服務器之間，就有用這種機制：檢查文件MD5；或者檢查文件最後更新時間。具體的做法，就是每次瀏覽器發起對WEB服務器的請求時，除了發送URL給服務器外，還會發送一個緩存了此URL對應的文件內容的MD5校驗串、或者是此文件在服務器上的“最後更新時間”（這個校驗串和“最後更新時間”是第一次獲的文件時一併從服務器獲得的）；服務器收到之後，就會把MD5校驗串或者最後更新時間，和磁盤上的目標文件進行對比，如果是一致的，說明這個文件沒有被修改過（緩存不是“髒”的），可以直接使用緩存。否則就會讀取目標文件返回新的內容給瀏覽器。這種做法對於服務器性能是有一定消耗的，所以如果往往我們還會搭配其他的緩存清理機制來用，比如我們會在設置一個“超時檢查”的機制：就是對於所有的緩存清理檢查，我們都簡單的看看緩存存在的時間是否“超時”了，如果超過了，才進行下一步的檢查，這樣就不用每次請求都去算MD5或者看最後更新時間了。但是這樣就存在“超時”時間內緩存變髒的可能性。

[WEB服務器靜態緩存例子]

 

上面說了運行時靜態的緩存清理，現在說說運行時變化的緩存數據。在服務器程序運行期間，如果用戶和服務器之間的交互，導致了緩存的數據產生了變化，就是所謂“運行時變化緩存”。比如我們玩網絡遊戲，登錄之後的角色數據就會從數據庫裏讀出來，進入服務器的緩存（可能是堆內存或者memcached、共享內存），在我們不斷進行遊戲操作的時候，對應的角色數據就會產生修改的操作，這種緩存數據就是“運行時變化的緩存”。這種運行時變化的數據，有讀和寫兩個方面的清理問題：由於緩存的數據會變化，如果另外一個進程從數據庫讀你的角色數據，就會發現和當前遊戲裏的數據不一致；如果服務器進程突然結束了，你在遊戲裏升級，或者撿道具的數據可能會從內存緩存中消失，導致你白忙活了半天，這就是沒有回寫（緩存寫操作的清理）導致的問題。這種情況在電子商務領域也很常見，最典型的就是火車票網上購買的系統，火車票數據緩存在內存必須有合適的清理機制，否則讓兩個買了同一張票就麻煩了，但如果不緩存，大量用戶同時搶票，服務器也應對不過來。因此在運行時變化的數據緩存，應該有一些特別的緩存清理策略。

在實際運行業務中，運行變化的數據往往是根據使用用戶的增多而增多的，因此首先要考慮的問題，就是緩存空間不夠的可能性。我們不太可能把全部數據都放到緩存的空間裏，也不可能清理緩存的時候就全部數據一起清理，所以我們一般要對數據進行分割，這種分割的策略常見的有兩種：一種是按重要級來分割，一種是按使用部分分割。

先舉例說說“按重要級分割”，在網絡遊戲中，同樣是角色的數據，有些數據的變化可能會每次修改都立刻回寫到數據庫（清理寫緩存），其他一些數據的變化會延遲一段時間，甚至有些數據直到角色退出遊戲纔回寫，如玩家的等級變化（升級了），武器裝備的獲得和消耗，這些玩家非常看重的數據，基本上會立刻回寫，這些就是所謂最重要的緩存數據。而玩家的經驗值變化、當前HP、MP的變化，就會延遲一段時間才寫，因爲就算丟失了緩存，玩家也不會太過關注。最後有些比如玩家在房間（地區）裏的X/Y座標，對話聊天的記錄，可能會退出時回寫，甚至不回寫。這個例子說的是“寫緩存”的清理，下面說說“讀緩存”的按重要級分割清理。

假如我們寫一個網店系統，裏面容納了很多產品，這些產品有一些會被用戶頻繁檢索到，比較熱銷，而另外一些商品則沒那麼熱銷。熱銷的商品的餘額、銷量、評價都會比較頻繁的變化，而滯銷的商品則變化很少。所以我們在設計的時候，就應該按照不同商品的訪問頻繁程度，來決定緩存哪些商品的數據。我們在設計緩存的結構時，就應該構建一個可以統計緩存讀寫次數的指標，如果有些數據的讀寫頻率過低，或者空閒（沒有人讀、寫緩存）時間超長，緩存應該主動清理掉這些數據，以便其他新的數據能進入緩存。這種策略也叫做“冷熱交換”策略。實現“冷熱交換”的策略時，關鍵是要定義一個合理的冷熱統計算法。一些固定的指標和算法，往往並不能很好的應對不同硬件、不同網絡情況下的變化，所以現在人們普遍會用一些動態的算法，如Redis就採用了5種，他們是：

1.根據過期時間，清理最長時間沒用過的

2.根據過期時間，清理即將過期的

3.根據過期時間，任意清理一個

4.無論是否過期，隨機清理

5.無論是否過期，根據LRU原則清理：所謂LRU，就是Least Recently Used，最近最久未使用過。這個原則的思想是：如果一個數據在最近一段時間沒有被訪問到，那麼在將來他被訪問的可能性也很小。LRU是在操作系統中很常見的一種原則，比如內存的頁面置換算法（也包括FIFO,LFU等），對於LRU的實現，還是非常有技巧的，但是本文就不詳細去說明如何實現，留待大家上網搜索“LRU”關鍵字學習。

數據緩存的清理策略其實遠不止上面所說的這些，要用好緩存這個武器，就要仔細研究需要緩存的數據特徵，他們的讀寫分佈，數據之中的差別。然後最大化的利用業務領域的知識，來設計最合理的緩存清理策略。這個世界上不存在萬能的優化緩存清理策略，只存在針對業務領域最優化的策略，這需要我們程序員深入理解業務領域，去發現數據背後的規律。

分佈

分佈策略的概念

任何的服務器的性能都是有極限的，面對海量的互聯網訪問需求，是不可能單靠一臺服務器或者一個CPU來承擔的。所以我們一般都會在運行時架構設計之初，就考慮如何能利用多個CPU、多臺服務器來分擔負載，這就是所謂分佈的策略。分佈式的服務器概念很簡單，但是實現起來卻比較複雜。因爲我們寫的程序，往往都是以一個CPU，一塊內存爲基礎來設計的，所以要讓多個程序同時運行，並且協調運作，這需要更多的底層工作。

首先出現能支持分佈式概念的技術是多進程。在DOS時代，計算機在一個時間內只能運行一個程序，如果你想一邊寫程序，同時一邊聽mp3，都是不可能的。但是，在WIN95操作系統下，你就可以同時開多個窗口，背後就是同時在運行多個程序。在Unix和後來的Linux操作系統裏面，都普遍支持了多進程的技術。所謂的多進程，就是操作系統可以同時運行我們編寫的多個程序，每個程序運行的時候，都好像自己獨佔着CPU和內存一樣。在計算機只有一個CPU的時候，實際上計算機會分時複用的運行多個進程，CPU在多個進程之間切換。但是如果這個計算機有多個CPU或者多個CPU核，則會真正的有幾個進程同時運行。所以進程就好像一個操作系統提供的運行時“程序盒子”，可以用來在運行時，容納任何我們想運行的程序。當我們掌握了操作系統的多進程技術後，我們就可以把服務器上的運行任務，分爲多個部分，然後分別寫到不同的程序裏，利用上多CPU或者多核，甚至是多個服務器的CPU一起來承擔負載。

[多進程利用多CPU]

 

這種劃分多個進程的架構，一般會有兩種策略：一種是按功能來劃分，比如負責網絡處理的一個進程，負責數據庫處理的一個進程，負責計算某個業務邏輯的一個進程。另外一種策略是每個進程都是同樣的功能，只是分擔不同的運算任務而已。使用第一種策略的系統，運行的時候，直接根據操作系統提供的診斷工具，就能直觀的監測到每個功能模塊的性能消耗，因爲操作系統提供進程盒子的同時，也能提供對進程的全方位的監測，比如CPU佔用、內存消耗、磁盤和網絡I/O等等。但是這種策略的運維部署會稍微複雜一點，因爲任何一個進程沒有啓動，或者和其他進程的通信地址沒配置好，都可能導致整個系統無法運作；而第二種分佈策略，由於每個進程都是一樣的，這樣的安裝部署就非常簡單，性能不夠就多找幾個機器，多啓動幾個進程就完成了，這就是所謂的平行擴展。

現在比較複雜的分佈式系統，會結合這兩種策略，也就是說系統既按一些功能劃分出不同的具體功能進程，而這些進程又是可以平行擴展的。當然這樣的系統在開發和運維上的複雜度，都是比單獨使用“按功能劃分”和“平行劃分”要更高的。由於要管理大量的進程，傳統的依靠配置文件來配置整個集羣的做法，會顯得越來越不實用：這些運行中的進程，可能和其他很多進程產生通信關係，當其中一個進程變更通信地址時，勢必影響所有其他進程的配置。所以我們需要集中的管理所有進程的通信地址，當有變化的時候，只需要修改一個地方。在大量進程構建的集羣中，我們還會碰到容災和擴容的問題：當集羣中某個服務器出現故障，可能會有一些進程消失；而當我們需要增加集羣的承載能力時，我們又需要增加新的服務器以及進程。這些工作在長期運行的服務器系統中，會是比較常見的任務，如果整個分佈系統有一個運行中的中心進程，能自動化的監測所有的進程狀態，一旦有進程加入或者退出集羣，都能即時的修改所有其他進程的配置，這就形成了一套動態的多進程管理系統。開源的ZooKeeper給我們提供了一個可以充當這種動態集羣中心的實現方案。由於ZooKeeper本身是可以平行擴展的，所以它自己也是具備一定容災能力的。現在越來越多的分佈式系統都開始使用以ZooKeeper爲集羣中心的動態進程管理策略了。

[動態進程集羣]

 

在調用多進程服務的策略上，我們也會有一定的策略選擇，其中最著名的策略有三個：一個是動態負載均衡策略；一個是讀寫分離策略；一個是一致性哈希策略。動態負載均衡策略，一般會蒐集多個進程的服務狀態，然後挑選一個負載最輕的進程來分發服務，這種策略對於比較同質化的進程是比較合適的。讀寫分離策略則是關注對持久化數據的性能，比如對數據庫的操作，我們會提供一批進程專門用於提供讀數據的服務，而另外一個（或多個）進程用於寫數據的服務，這些寫數據的進程都會每次寫多份拷貝到“讀服務進程”的數據區（可能就是單獨的數據庫），這樣在對外提供服務的時候，就可以提供更多的硬件資源。一致性哈希策略是針對任何一個任務，看看這個任務所涉及讀寫的數據，是屬於哪一片的，是否有某種可以緩存的特徵，然後按這個數據的ID或者特徵值，進行“一致性哈希”的計算，分擔給對應的處理進程。這種進程調用策略，能非常的利用上進程內的緩存（如果存在），比如我們的一個在線遊戲，由100個進程承擔服務，那麼我們就可以把遊戲玩家的ID，作爲一致性哈希的數據ID，作爲進程調用的KEY，如果目標服務進程有緩存遊戲玩家的數據，那麼所有這個玩家的操作請求，都會被轉到這個目標服務進程上，緩存的命中率大大提高。而使用“一致性哈希”，而不是其他哈希算法，或者取模算法，主要是考慮到，如果服務進程有一部分因故障消失，剩下的服務進程的緩存依然可以有效，而不會整個集羣所有進程的緩存都失效。具體有興趣的讀者可以搜索“一致性哈希”一探究竟。

以多進程利用大量的服務器，以及服務器上的多個CPU核心，是一個非常有效的手段。但是使用多進程帶來的額外的編程複雜度的問題。一般來說我們認爲最好是每個CPU核心一個進程，這樣能最好的利用硬件。如果同時運行的進程過多，操作系統會消耗很多CPU時間在不同進程的切換過程上。但是，我們早期所獲得的很多API都是阻塞的，比如文件I/O，網絡讀寫，數據庫操作等。如果我們只用有限的進程來執行帶這些阻塞操作的程序，那麼CPU會大量被浪費，因爲阻塞的API會讓有限的這些進程停着等待結果。那麼，如果我們希望能處理更多的任務，就必須要啓動更多的進程，以便充分利用那些阻塞的時間，但是由於進程是操作系統提供的“盒子”，這個盒子比較大，切換耗費的時間也比較多，所以大量並行的進程反而會無謂的消耗服務器資源。加上進程之間的內存一般是隔離的，進程間如果要交換一些數據，往往需要使用一些操作系統提供的工具，比如網絡socket，這些都會額外消耗服務器性能。因此，我們需要一種切換代價更少，通信方式更便捷，編程方法更簡單的並行技術，這個時候，多線程技術出現了。

[在進程盒子裏面的線程盒子]

 

多線程的特點是切換代價少，可以同時訪問內存。我們可以在編程的時候，任意讓某個函數放入新的線程去執行，這個函數的參數可以是任何的變量或指針。如果我們希望和這些運行時的線程通信，只要讀、寫這些指針指向的變量即可。在需要大量阻塞操作的時候，我們可以啓動大量的線程，這樣就能較好的利用CPU的空閒時間；線程的切換代價比進程低得多，所以我們能利用的CPU也會多很多。線程是一個比進程更小的“程序盒子”，他可以放入某一個函數調用，而不是一個完整的程序。一般來說，如果多個線程只是在一個進程裏面運行，那其實是沒有利用到多核CPU的並行好處的，僅僅是利用了單個空閒的CPU核心。但是，在JAVA和C#這類帶虛擬機的語言中，多線程的實現底層，會根據具體的操作系統的任務調度單位（比如進程），儘量讓線程也成爲操作系統可以調度的單位，從而利用上多個CPU核心。比如Linux2.6之後，提供了NPTL的內核線程模型，JVM就提供了JAVA線程到NPTL內核線程的映射，從而利用上多核CPU。而Windows系統中，據說本身線程就是系統的最小調度單位，所以多線程也是利用上多核CPU的。所以我們在使用JAVA\C#編程的時候，多線程往往已經同時具備了多進程利用多核CPU、以及切換開銷低的兩個好處。

早期的一些網絡聊天室服務，結合了多線程和多進程使用的例子。一開始程序會啓動多個廣播聊天的進程，每個進程都代表一個房間；每個用戶連接到聊天室，就爲他啓動一個線程，這個線程會阻塞的讀取用戶的輸入流。這種模型在使用阻塞API的環境下，非常簡單，但也非常有效。

當我們在廣泛使用多線程的時候，我們發現，儘管多線程有很多優點，但是依然會有明顯的兩個缺點：一個內存佔用比較大且不太可控；第二個是多個線程對於用一個數據使用時，需要考慮複雜的“鎖”問題。由於多線程是基於對一個函數調用的並行運行，這個函數裏面可能會調用很多個子函數，每調用一層子函數，就會要在棧上佔用新的內存，大量線程同時在運行的時候，就會同時存在大量的棧，這些棧加在一起，可能會形成很大的內存佔用。並且，我們編寫服務器端程序，往往希望資源佔用儘量可控，而不是動態變化太大，因爲你不知道什麼時候會因爲內存用完而當機，在多線程的程序中，由於程序運行的內容導致棧的伸縮幅度可能很大，有可能超出我們預期的內存佔用，導致服務的故障。而對於內存的“鎖”問題，一直是多線程中複雜的課題，很多多線程工具庫，都推出了大量的“無鎖”容器，或者“線程安全”的容器，並且還大量設計了很多協調線程運作的類庫。但是這些複雜的工具，無疑都是證明了多線程對於內存使用上的問題。

[同時排多條隊就是並行]

 

由於多線程還是有一定的缺點，所以很多程序員想到了一個釜底抽薪的方法：使用多線程往往是因爲阻塞式API的存在，比如一個read()操作會一直停止當前線程，那麼我們能不能讓這些操作變成不阻塞呢？——selector/epoll就是Linux退出的非阻塞式API。如果我們使用了非阻塞的操作函數，那麼我們也無需用多線程來併發的等待阻塞結果。我們只需要用一個線程，循環的檢查操作的狀態，如果有結果就處理，無結果就繼續循環。這種程序的結果往往會有一個大的死循環，稱爲主循環。在主循環體內，程序員可以安排每個操作事件、每個邏輯狀態的處理邏輯。這樣CPU既無需在多線程間切換，也無需處理複雜的並行數據鎖的問題——因爲只有一個線程在運行。這種就是被稱爲“併發”的方案。

[服務員兼了點菜、上菜就是併發]

實際上計算機底層早就有使用併發的策略，我們知道計算機對於外部設備（比如磁盤、網卡、顯卡、聲卡、鍵盤、鼠標），都使用了一種叫“中斷”的技術，早期的電腦使用者可能還被要求配置IRQ號。這個中斷技術的特點，就是CPU不會阻塞的一直停在等待外部設備數據的狀態，而是外部數據準備好後，給CPU發一個“中斷信號”，讓CPU轉去處理這些數據。非阻塞的編程實際上也是類似這種行爲，CPU不會一直阻塞的等待某些I/O的API調用，而是先處理其他邏輯，然後每次主循環去主動檢查一下這些I/O操作的狀態。

多線程和異步的例子，最著名就是Web服務器領域的Apache和Nginx的模型。Apache是多進程/多線程模型的，它會在啓動的時候啓動一批進程，作爲進程池，當用戶請求到來的時候，從進程池中分配處理進程給具體的用戶請求，這樣可以節省多進程/線程的創建和銷燬開銷，但是如果同時有大量的請求過來，還是需要消耗比較高的進程/線程切換。而Nginx則是採用epoll技術，這種非阻塞的做法，可以讓一個進程同時處理大量的併發請求，而無需反覆切換。對於大量的用戶訪問場景下，apache會存在大量的進程，而nginx則可以僅用有限的進程（比如按CPU核心數來啓動），這樣就會比apache節省了不少“進程切換”的消耗，所以其併發性能會更好。

[Nginx的固定多進程，一個進程異步處理多個客戶端]

 

[Apache的多態多進程，一個進程處理一個客戶]

在現代服務器端軟件中，nginx這種模型的運維管理會更簡單，性能消耗也會稍微更小一點，所以成爲最流行的進程架構。但是這種好處，會付出一些另外的代價：非阻塞代碼在編程的複雜度變大。

分佈式編程複雜度

以前我們的代碼，從上往下執行，每一行都會佔用一定的CPU時間，這些代碼的直接順序，也是和編寫的順序基本一致，任何一行代碼，都是唯一時刻的執行任務。當我們在編寫分佈式程序的時候，我們的代碼將不再好像那些單進程、單線程的程序一樣簡單。我們要把同時運行的不同代碼，在同一段代碼中編寫。就好像我們要把整個交響樂團的每個樂器的樂譜，全部寫到一張紙上。爲了解決這種編程的複雜度，業界發展出了多種編碼形式。

在多進程的編碼模型上，fork()函數可以說一個非常典型的代表。在一段代碼中，fork()調用之後的部分，可能會被新的進程中執行。要區分當前代碼的所在進程，要靠fork()的返回值變量。這種做法，等於把多個進程的代碼都合併到一塊，然後通過某些變量作爲標誌來劃分。這樣的寫法，對於不同進程代碼大部份相同的“同質進程”來說，還是比較方便的，最怕就是有大量的不同邏輯要用不同的進程來處理，這種情況下，我們就只能自己通過規範fork()附近的代碼，來控制混亂的局面。比較典型的是把fork()附近的代碼弄成一個類似分發器（dispatcher）的形式，把不同功能的代碼放到不同的函數中，以fork之前的標記變量來決定如何調用。

[動態多進程的代碼模式]

 

在我們使用多線程的API時，情況就會好很多，我們可以用一個函數指針，或者一個帶回調方法的對象，作爲線程執行的主體，並且以句柄或者對象的形式來控制這些線程。作爲開發人員，我們只要掌握了對線程的啓動、停止等有限的幾個API，就能很好的對並行的多線程進行控制。這對比多進程的fork()來說，從代碼上看會更直觀，只是我們必須要分清楚調用一個函數，和新建一個線程去調用一個函數，之間的差別：新建線程去調用函數，這個操作會很快的結束，並不會依序去執行那個函數，而是代表着，那個函數中的代碼，可能和線程調用之後的代碼，交替的執行。

由於多線程把“並行的任務”作爲一個明確的編程概念定義了出來，以句柄、對象的形式封裝好，那麼我們自然會希望對多線程能更多複雜而細緻的控制。因此出現了很多多線程相關的工具。比較典型的編程工具有線程池、線程安全容器、鎖這三類。線程池提供給我們以“池”的形態，自動管理線程的能力：我們不需要自己去考慮怎麼建立線程、回收線程，而是給線程池一個策略，然後輸入需要執行的任務函數，線程池就會自動操作，比如它會維持一個同時運行線程數量，或者保持一定的空閒線程以節省創建、銷燬線程的消耗。在多線程操作中，不像多進程在內存上完全是區分開的，所以可以訪問同一份內存，也就是對堆裏面的同一個變量進行讀寫，這就可能產生程序員所預計不到的情況（因爲我們寫程序只考慮代碼是順序執行的）。還有一些對象容器，比如哈希表和隊列，如果被多個線程同時操作，可能還會因爲內部數據對不上，造成嚴重的錯誤，所以很多人開發了一些可以被多個線程同時操作的容器，以及所謂“原子”操作的工具，以解決這樣的問題。有些語言如Java，在語法層面，就提供了關鍵字來對某個變量進行“上鎖”，以保障只有一個線程能操作它。多線程的編程中，很多並行任務，是有一定的阻塞順序的，所以有各種各樣的鎖被髮明出來，比如倒數鎖、排隊鎖等等。java.concurrent庫就是多線程工具的一個大集合，非常值得學習。然而，多線程的這些五花八門的武器，其實也是證明了多線程本身，是一種不太容易使用的順手的技術，但是我們一下子還沒有更好的替代方案罷了。

[多線程的對象模型]

 

在多線程的代碼下，除了啓動線程的地方，是和正常的執行順序不同以外，其他的基本都還是比較近似單線程代碼的。但是如果在異步併發的代碼下，你會發現，代碼一定要裝入一個個“回調函數”裏。這些回調函數，從代碼的組織形態上，幾乎完全無法看出來其預期的執行順序，一般只能在運行的時候通過斷點或者日誌來分析。這就對代碼閱讀帶來了極大的障礙。因此現在有越來越多的程序員關注“協程”這種技術：可以用類似同步的方法來寫異步程序，而無需把代碼塞到不同的回調函數裏面。協程技術最大的特點，就是加入了一個叫yield的概念，這個關鍵字所在的代碼行，是一個類似return的作用，但是又代表着後續某個時刻，程序會從yield的地方繼續往下執行。這樣就把那些需要回調的代碼，從函數中得以解放出來，放到yield的後面了。在很多客戶端遊戲引擎中，我們寫的代碼都是由一個框架，以每秒30幀的速度在反覆執行，爲了讓一些任務，可以分別放在各幀中運行，而不是一直阻塞導致“卡幀”，使用協程就是最自然和方便的了——Unity3D就自帶了協程的支持。

在多線程同步程序中，我們的函數調用棧就代表了一系列同屬一個線程的處理。但是在單線程的異步回調的編程模式下，我們的一個回調函數是無法簡單的知道，是在處理哪一個請求的序列中。所以我們往往需要自己寫代碼去維持這樣的狀態，最常見的做法是，每個併發任務啓動的時候，就產生一個序列號（seqid），然後在所有的對這個併發任務處理的回調函數中，都傳入這個seqid參數，這樣每個回調函數，都可以通過這個參數，知道自己在處理哪個任務。如果有些不同的回調函數，希望交換數據，比如A函數的處理結果希望B函數能得到，還可以用seqid作爲key把結果存放到一個公共的哈希表容器中，這樣B函數根據傳入的seqid就能去哈希表中獲得A函數存入的結果了，這樣的一份數據我們往往叫做“會話”。如果我們使用協程，那麼這些會話可能都不需要自己來維持了，因爲協程中的棧代表了會話容器，當執行序列切換到某個協程中的時候，棧上的局部變量正是之前的處理過程的內容結果。

[協程的代碼特徵]

 

爲了解決異步編程的回調這種複雜的操作，業界還發明瞭很多其他的手段，比如lamda表達式、閉包、promise模型等等，這些都是希望我們，能從代碼的表面組織上，把在多個不同時間段上運行的代碼，以業務邏輯的形式組織到一起。

最後我想說說函數式編程，在多線程的模型下，並行代碼帶來最大的複雜性，就是對堆內存的同時操作。所以我們才弄出來鎖的機制，以及一大批對付死鎖的策略。而函數式編程，由於根本不使用堆內存，所以就無需處理什麼鎖，反而讓整個事情變得非常簡單。唯一需要改變的，就是我們習慣於把狀態放到堆裏面的編程思路。函數式編程的語言，比如LISP或者Erlang，其核心數據結果是鏈表——一種可以表示任何數據結構的結構。我們可以把所有的狀態，都放到鏈表這個數據列車中，然後讓一個個函數去處理這串數據，這樣同樣也可以傳遞程序的狀態。這是一種用棧來代替堆的編程思路，在多線程併發的環境下，非常的有價值。

分佈式程序的編寫，一直都伴隨着大量的複雜性，影響我們對代碼的閱讀和維護，所以我們纔有各種各樣的技術和概念，試圖簡化這種複雜性。也許我們無法找到任何一個通用的解決方案，但是我們可以通過理解各種方案的目標，來選擇最適合我們的場景：

l  動態多進程fork——同質的並行任務

l  多線程——能明確劃的邏輯複雜的並行任務

l  異步併發回調——對性能要求高，但中間會被阻塞的處理較少的並行任務

l  協程——以同步的寫法編寫併發的任務，但是不合適發起複雜的動態並行操作。

l  函數式編程——以數據流爲模型的並行處理任務

分佈式數據通信

分佈式的編程中，對於CPU時間片的切分本身不是難點，最困難的地方在於並行的多個代碼片段，如何進行通信。因爲任何一個代碼段，都不可能完全單獨的運作，都需要和其他代碼產生一定的依賴。在動態多進程中，我們往往只能通過父進程的內存提供共享的初始數據，運行中則只能通過操作系統間的通訊方式了：Socket、信號、共享內存、管道等等。無論那種做法，這些都帶來了一堆複雜的編碼。這些方式大部分都類似於文件操作：一個進程寫入、另外一個進程讀出。所以很多人設計了一種叫“消息隊列”的模型，提供“放入”消息和“取出”消息的接口，底層則是可以用Socket、共享內存、甚至是文件來實現。這種做法幾乎能夠處理任何狀況下的數據通訊，而且有些還能保存消息。但是缺點是每個通信消息，都必須經過編碼、解碼、收包、發包這些過程，對處理延遲有一定的消耗。

如果我們在多線程中進行通信，那麼我們可以直接對某個堆裏面的變量直接進行讀寫，這樣的性能是最高的，使用也非常方便。但是缺點是可能出現幾個線程同時使用變量，產生了不可預期的結果，爲了對付這個問題，我們設計了對變量的“鎖”機制，而如何使用鎖又成爲另外一個問題，因爲可能出現所謂的“死鎖”問題。所以我們一般會用一些“線程安全”的容器，用來作爲多線程間通訊的方案。爲了協調多個線程之間的執行順序，還可以使用很多種類型的“工具鎖”。

在單線程異步併發的情況下，多個會話間的通信，也是可以通過直接對變量進行讀寫操作，而且不會出現“鎖”的問題，因爲本質上每個時刻都只有一個段代碼會操作這個變量。然而，我們還是需要對這些變量進行一定規劃和整理，否則各種指針或全局變量在代碼中散佈，也是很出現BUG的。所以我們一般會把“會話”的概念變成一個數據容器，每段代碼都可以把這個會話容器作爲一個“收件箱”，其他的併發任務如果需要在這個任務中通訊，就把數據放入這個“收件箱”即可。在WEB開發領域，和cookie對應的服務器端Session機制，就是這種概念的典型實現。

分佈式緩存策略

在分佈式程序架構中，如果我們需要整個體系有更高的穩定性，能夠對進程容災或者動態擴容提供支持，那麼最難解決的問題，就是每個進程中的內存狀態。因爲進程一旦毀滅，內存中的狀態會消失，這就很難不影響提供的服務。所以我們需要一種方法，讓進程的內存狀態，不太影響整體服務，甚至最好能變成“無狀態”的服務。當然“狀態”如果不寫入磁盤，始終還是需要某些進程來承載的。在現在流行的WEB開發模式中，很多人會使用PHP+Memcached+MySQL這種模型，在這裏，PHP就是無狀態的，因爲狀態都是放在Memcached裏面。這種做法對於PHP來說，是可以隨時動態的毀滅或者新建，但是Memcached進程就要保證穩定才行；而且Memcached作爲一個額外的進程，和它通信本身也會消耗更多的延遲時間。因此我們需要一種更靈活和通用的進程狀態保存方案，我們把這種任務叫做“分佈式緩存”的策略。我們希望進程在讀取數據的時候，能有最高的性能，最好能和在堆內存中讀寫類似，又希望這些緩存數據，能被放在多個進程內，以分佈式的形態提供高吞吐的服務，其中最關鍵的問題，就是緩存數據的同步。

[PHP常用Memached做緩存]

 

爲了解決這個問題，我們需要先一步步來分解這個問題：

首先，我們的緩存應該是某種特定形式的對象，而不應該是任意類型的變量。因爲我們需要對這些緩存進行標準化的管理，儘管C++語言提供了運算重載，我們可以對“=”號的寫變量操作進行重新定義，但是現在基本已經沒有人推薦去做這樣的事。而我們手頭就有最常見的一種模型，適合緩存這種概念的使用，它就是——哈希表。所有的哈希表（或者是Map接口），都是把數據的存放，分爲key和value兩個部分，我們可以把想要緩存的數據，作爲value存放到“表”當中，同時我們也可以用key把對應的數據取出來，而“表”對象就代表了緩存。

其次我們需要讓這個“表”能在多個進程中都存在。如果每個進程中的數據都毫無關聯，那問題其實就非常簡單，但是如果我們可能從A進程把數據寫入緩存，然後在B進程把數據讀取出來，那麼就比較複雜了。我們的“表”要有能把數據在A、B兩個進程間同步的能力。因此我們一般會用三種策略：租約清理、租約轉發、修改廣播

l  租約清理，一般是指，我們把存放某個key的緩存的進程，稱爲持有這個key的數據的“租約”，這個租約要登記到一個所有進程都能訪問到的地方，比如是ZooKeeper集羣進程。那麼在讀、寫發生的時候，如果本進程沒有對應的緩存，就先去查詢一下對應的租約，如果被其他進程持有，則通知對方“清理”，所謂“清理”，往往是指刪除用來讀的數據，回寫用來寫的數據到數據庫等持久化設備，等清理完成後，在進行正常的讀寫操作，這些操作可能會重新在新的進程上建立緩存。這種策略在緩存命中率比較高的情況下，性能是最好的，因爲一般無需查詢租約情況，就可以直接操作；但如果緩存命中率低，那麼就會出現緩存反覆在不同進程間“移動”，會嚴重降低系統的處理性能。

 

l  租約轉發。同樣，我們把存放某個KEY的緩存的進程，稱爲持有這個KEY數據的“租約”，同時也要登記到集羣的共享數據進程中。和上面租約清理不同的地方在於，如果發現持有租約的進程不是本次操作的進程，就會把整個數據的讀、寫請求，都通過網絡“轉發”個持有租約的進程，然後等待他的操作結果返回。這種做法由於每次操作都需要查詢租約，所以性能會稍微低一些；但如果緩存命中率不高，這種做法能把緩存的操作分擔到多個進程上，而且也無需清理緩存，這比租約清理的策略適應性更好。

 

l  修改廣播。上面兩種策略，都需要維護一份緩存數據的租約，但是本身對於租約的操作，就是一種比較耗費性能的事情。所以有時候可以採用一些更簡單，但可能承受一些不一致性的策略：對於讀操作，每個節點的讀都建立緩存，每次讀都判斷是否超過預設的讀冷卻時間x，超過則清理緩存從持久化重建；對於寫操作，麼個節點上都判斷是否超過預設的寫冷卻時間y，超過則展開清理操作。清理操作也分兩種，如果數據量小就廣播修改數據；如果數據量大就廣播清理通知回寫到持久化中。這樣雖然可能會有一定的不一致風險，但是如果數據不是那種要求太高的，而且緩存命中率又能比較有保障的話（比如根據KEY來進行一致性哈希訪問緩存進程），那麼真正因爲寫操作廣播不及時，導致數據不一致的情況還是會比較少的。這種策略實現起來非常簡單，無需一箇中心節點進程維護數據租約，也無需複雜的判斷邏輯進行同步，只要有廣播的能力，加上對於寫操作的一些配置，就能實現高效的緩存服務。所以“修改廣播”策略是在大多數需要實時同步，但數據一致性要求不高的領域最常見的手段。著名的DNS系統的緩存就是接近這種策略：我們要修改某個域名對應的IP，並不是立刻在全球所有的DNS服務器上生效，而是需要一定時間廣播修改給其他服務區。而我們每個DSN服務器，都具備了大量的其他域名的緩存數據。

 

總結

在高性能的服務器架構中，常用的緩存和分佈兩種策略，往往是結合到一起使用的。雖然這兩種策略，都有無數種不同的表現形式，成爲各種各樣的技術流派，但是隻有清楚的理解這些技術的原理，並且和實際的業務場景結合起來，才能真正的做出滿足應用要求的高性能架構。