`
wbj0110
  • 浏览: 1602897 次
  • 性别: Icon_minigender_1
  • 来自: 上海
文章分类
社区版块
存档分类
最新评论

中间件技术及双十一实践·消息中间件篇

阅读更多

消息中间件——分布式消息的广播员

综述

消息中间件是一种由消息传送机制或消息队列模式组成的最典型的中间件技术。通过消息中间件,应用程序或组件之间可以进行可靠的异步通讯来降低系统之间的耦合度,从而提高整个系统的可扩展性和可用性。

3.1、Notify

Notify是淘宝自主研发的一套消息服务引擎,是支撑双11最为核心的系统之一,在淘宝和支付宝的核心交易场景中都有大量使用。消息系统的核心作用就是三点:解耦,异步和并行。下面让我以一个实际的例子来说明一下解耦异步和并行分别所代表的具体意义吧:

假设我们有这么一个应用场景,为了完成一个用户注册淘宝的操作,可能需要将用户信息写入到用户库中,然后通知给红包中心给用户发新手红包,然后还需要通知支付宝给用户准备对应的支付宝账号,进行合法性验证,告知sns系统给用户导入新的用户等10步操作。 
那么针对这个场景,一个最简单的设计方法就是串行的执行整个流程,如图3-1所示: 
图3-1-用户注册流程.jpg
图3-1-用户注册流程

这种方式的最大问题是,随着后端流程越来越多,每步流程都需要额外的耗费很多时间,从而会导致用户更长的等待延迟。自然的,我们可以采用并行的方式来完成业务,能够极大的减少延迟,如图3-2所示。

图3-2-用户注册流程-并行方式
图3-2-用户注册流程-并行方式

但并行以后又会有一个新的问题出现了,在用户注册这一步,系统并行的发起了4个请求,那么这四个请求中,如果通知SNS这一步需要的时间很长,比如需要10秒钟的话,那么就算是发新手包,准备支付宝账号,进行合法性验证这几个步骤的速度再快,用户也仍然需要等待10秒以后才能完成用户注册过程。因为只有当所有的后续操作全部完成的时候,用户的注册过程才算真正的“完成”了。用户的信息状态才是完整的。而如果这时候发生了更严重的事故,比如发新手红包的所有服务器因为业务逻辑bug导致down机,那么因为用户的注册过程还没有完全完成,业务流程也就是失败的了。这样明显是不符合实际的需要的,随着下游步骤的逐渐增多,那么用户等待的时间就会越来越长,并且更加严重的是,随着下游系统越来越多,整个系统出错的概率也就越来越大。

通过业务分析我们能够得知,用户的实际的核心流程其实只有一个,就是用户注册。而后续的准备支付宝,通知sns等操作虽然必须要完成,但却是不需要让用户等待的。
这种模式有个专业的名词,就叫最终一致。为了达到最终一致,我们引入了MQ系统。业务流程如下:

主流程如图3-3所示:

图3-3-用户注册流程-引入MQ系统-主流程
图3-3-用户注册流程-引入MQ系统-主流程

异步流程如图3-4所示:

图3-4-用户注册流程-引入MQ系统-异步流程
图3-4-用户注册流程-引入MQ系统-异步流程

核心原理

Notify在设计思路上与传统的MQ有一定的不同,他的核心设计理念是 
1. 为了消息堆积而设计系统 
2. 无单点,可自由扩展的设计

下面就请随我一起,进入到我们的消息系统内部来看看他设计的核心原理

  • 为了消息堆积而设计系统在市面上的大部分MQ产品,大部分的核心场景就是点对点的消息传输通道,然后非常激进的使用内存来提升整体的系统性能,这样做虽然标称的tps都能达到很高,但这种设计的思路是很难符合大规模分布式场景的实际需要的。 
    在实际的分布式场景中,这样的系统会存在着较大的应用场景瓶颈,在后端有大量消费者的前提下,消费者出现问题是个非常常见的情况,而消息系统则必须能够在后端消费不稳定的情况下,仍然能够保证用户写入的正常并且TPS不降,是个非常考验消息系统能力的实际场景。 
    也因为如此,在Notify的整体设计中,我们最优先考虑的就是消息堆积问题,在目前的设计中我们使用了持久化磁盘的方式,在每次用户发消息到Notify的时候都将消息先落盘,然后再异步的进行消息投递,而没有采用激进的使用内存的方案来加快投递速度。 
    这种方式,虽然系统性能在峰值时比目前市面的MQ效率要差一些,但是作为整个业务逻辑的核心单元,稳定,安全可靠是系统的核心诉求。
  • 无单点,可自由扩展的设计

图3-5-Notify系统组成结构
图3-5-Notify系统组成结构

图3-5展示了组成Notify整个生态体系的有五个核心的部分。

  • 发送消息的集群这主要是业务方的机器,这些APP的机器上是没有任何状态信息的,可以随着用户请求量的增加而随时增加或减少业务发送方的机器数量,从而扩大或缩小集群能力。
  • 配置服务器集群(Config server)这个集群的主要目的是动态的感知应用集群,消息集群机器上线与下线的过程,并及时广播给其他集群。如当业务接受消息的机器下线时,config server会感知到机器下线,从而将该机器从目标用户组内踢出,并通知给notify server,notify server 在获取通知后,就可以将已经下线的机器从自己的投递目标列表中删除,这样就可以实现机器的自动上下线扩容了。
  • 消息服务器(Notify Server)消息服务器,也就是真正承载消息发送与消息接收的服务器,也是一个集群,应用发送消息时可以随机选择一台机器进行消息发送,任意一台server 挂掉,系统都可以正常运行。当需要增加处理能力时,只需要简单地增加notify Server就可以了
  • 存储(Storage)Notify的存储集群有多种不同的实现方式,以满足不同应用的实际存储需求。针对消息安全性要求高的应用,我们会选择使用多份落盘的方式存储消息数据,而对于要求吞吐量而不要求消息安全的场景,我们则可以使用内存存储模型的存储。自然的,所有存储也被设计成了随机无状态写入存储模型以保障可以自由扩展。
  • 消息接收集群业务方用于处理消息的服务器组,上下线机器时候也能够动态的由config server 感知机器上下线的时机,从而可以实现机器自动扩展。

3.2、Notify双11准备与优化

在双11的整个准备过程中,Notify都承载了非常巨大的压力,因为我们的核心假定就是后端系统一定会挂,而我们需要能够承载整个交易高峰内的所有消息都会堆积在数据库内的实际场景。 
在多次压测中,我们的系统表现还是非常稳定的,以60w/s的写入量堆积4.5亿消息的时候,整个系统表现非常淡定可靠。在真正的大促到来时,我们的后端系统响应效率好于预期,所以我们很轻松的就满足了用户所有消息投递请求,比较好的满足了用户的实际需要。

3.3、MetaQ

METAQ是一款完全的队列模型消息中间件,服务器使用Java语言编写,可在多种软硬件平台上部署。客户端支持Java、C++编程语言,已于2012年3月对外开源,开源地址是: http://metaq.taobao.org/ 。MetaQ大约经历了下面3个阶段

  • 在2011年1月份发布了MetaQ 1.0版本,从Apache Kafka衍生而来,在内部主要用于日志传输。
  • 在2012年9月份发布了MetaQ 2.0版本,解决了分区数受限问题,在数据库binlog同步方面得到了广泛的应用。
  • 在2013年7月份发布了MetaQ 3.0版本,MetaQ开始广泛应用于订单处理,cache同步、流计算、IM实时消息、binlog同步等领域。MetaQ3.0版本已经开源, 参见这里

综上,MetaQ借鉴了Kafka的思想,并结合互联网应用场景对性能的要求,对数据的存储结构进行了全新设计。在功能层面,增加了更适合大型互联网特色的功能点。

MetaQ简介 

图3-6-MetaQ整体结构

如图3-6所示,MetaQ对外提供的是一个队列服务,内部实现也是完全的队列模型,这里的队列是持久化的磁盘队列,具有非常高的可靠性,并且充分利用了操作系统cache来提高性能。

  • 是一个队列模型的消息中间件,具有高性能、高可靠、高实时、分布式特点。
  • Producer、Consumer、队列都可以分布式。
  • Producer向一些队列轮流发送消息,队列集合称为Topic,Consumer如果做广播消费,则一个consumer实例消费这个Topic对应的所有队列,如果做集群消费,则多个Consumer实例平均消费这个topic对应的队列集合。
  • 能够保证严格的消息顺序
  • 提供丰富的消息拉取模式
  • 高效的订阅者水平扩展能力
  • 实时的消息订阅机制
  • 亿级消息堆积能力

MetaQ存储结构

MetaQ的存储结构是根据阿里大规模互联网应用需求,完全重新设计的一套存储结构,使用这套存储结构可以支持上万的队列模型,并且可以支持消息查询、分布式事务、定时队列等功能,如图3-7所示。

图3-7-MetaQ存储体系
图3-7-MetaQ存储体系

MetaQ单机上万队列

MetaQ内部大部分功能都靠队列来驱动,那么必须支持足够多的队列,才能更好的满足业务需求,如图所示,MetaQ可以在单机支持上万队列,这里的队列全部为持久化磁盘方式,从而对IO性能提出了挑战。MetaQ是这样解决的

  • Message全部写入到一个独立的队列,完全的顺序写
  • Message在文件的位置信息写入到另外的文件,串行方式写。

通过以上方式,既做到数据可靠,又可以支持更多的队列,如图3-8所示。

图3-8-MetaQ单机上万队列
图3-8-MetaQ单机上万队列

MetaQ与Notify区别

  • Notify侧重于交易消息,分布式事务消息方面。
  • MetaQ侧重于顺序消息场景,例如binlog同步。以及主动拉消息场景,例如流计算等。

3.4、MetaQ双11准备与优化

  • Notify 交易消息转 MetaQ 方案改进 
    MetaQ 交易集群主要是 Notify 交易消息的一个镜像,旧有的方案是通过 Notify-Client 订阅 Notify 交易消息,然后再转投到 MetaQ 集群,这个方案的缺点:1. 通过消息订阅的方式给 Notify 集群带来比较大的压力 2. 一旦 MetaQ 集群处理不及时会给 Notify 造成消息的堆积,从而带来连锁不良效应。新的方案则是从Notify DB直接拉取binlog到MetaQ,它带来的优势: 1. 解放 NotifyServer 集群的压力;2. 通过 binlog 批量处理可以提升系统的吞吐量。
  • 交易集群低延迟优化 
    天猫直播间,旨在通过实时获取活动当天的交易数据,通过实时流计算的方式,及时、准确的展示各业务数据。它的特点就是数据全而准确、实时性要求较高。而在全链路压测过程中发现从 Notify Mysql binlog 获取数据时,出现较大的延迟,最严重的延迟高达4h+,这显然是不合系统需求的。基于这些问题,我们在 Notify Mysql 端做了很多的优化:
    1. Mysql 数据库实例扩容,从而提高集群的整体吞吐量;
    2. 对 binlog 的存放位置进行优化,将数据存储以及 binlog 存储进行分离,从而发挥 DB 的最大写性能;
    3. 由于 MySQL 的 binlog 操作存在锁操作,优化了 MySQL 生成 binlog 的配置,保证了拉 binlog 无延时。
  • 针对不同集群运行参数调优 
    根据业务的特点,对不同集群的运行参数调优,如批量拉取大小,刷盘方式,数据有效期等等;同时对io调度、虚拟内存等参数进行调优,以提供更为高效的堆积。
  • 监控与实时告警 
    任何一个值得信赖的系统,最低限度是需要做到及时发现并处理异常,在第一时间排除故障发生的可能,从而提高产品的可用性。在双十一活动之前,我们实现了由 MetaQ 系统内部,根据集群状态,各消息的业务数据指标进行监控统计并主动告警,同时还能通过 Diamond 做到动态调整,从而提高监控的及时性以及灵活性。

回顾双十一活动当日,淘宝消息写入总量112亿,消息投递总量220亿,支付宝消息写入总量24亿,消息投递总量24亿。其中实时直播间集群消息写入峰值为13.1w,消息投递峰值为27.8w。

从总体上看,我们的前期准备还是比较充分的,MetaQ 各集群在高峰期表现稳定,全天表现很平稳,个别订阅组对消息进行重溯,部分消息有少量的堆积,但都没有对系统造成影响,效果还是非常好的。75%的交易在聚石塔上完成,实时直播间交易统计延迟在1s左右,加减库存做到零超卖。

小结

目前分布式消息中间件产品已经服务于整个集团,支持了阿里集团各个公司的500多个业务应用系统。每日处理海量消息超350亿次,保证所有交易数据高可靠,高性能,分布式事务处理,是中间件团队最老牌的中间件产品之一。

 

原文:http://www.tuicool.com/articles/AfQRru

 

 

大家可以加我个人微信号:scccdgf

 

 

或者关注soledede的微信公众号:soledede
微信公众号:
分享到:
评论

相关推荐

    阿里分布式数据库双十一实践.pdf

    阿里分布式数据库双十一实践展示了阿里巴巴在应对大规模并发的电商活动如双十一时,如何通过DRDS(分布式关系型数据库服务)解决数据库层面的挑战。DRDS是一款由阿里巴巴中间件团队开发的企业级互联网架构产品,旨在...

    第三届阿里巴巴中间件性能挑战赛复赛-模拟阿里双十一分布式数据同步 比赛代码.zip

    2. **中间件技术**:参赛者可能使用了阿里巴巴开源的中间件产品,如RocketMQ、Dubbo或Seata等,这些中间件在数据同步中起到关键作用,提供消息传递、服务发现和服务治理等功能。 3. **数据一致性**:在分布式环境中...

    淘宝消息中间件.docx

    Notify是由阿里巴巴集团自主研发的一套消息服务引擎,它主要服务于淘宝和支付宝等核心交易场景,是支撑双十一等大型促销活动的关键系统之一。该系统的核心价值在于通过消息中间件实现了跨微服务(microservice)的...

    案例2淘宝技术发展史(推荐版本).docx

    从个人网站起步,逐步发展壮大,淘宝的技术架构经历了从单一到分布式、从传统到云计算的转变,支撑起了每年双十一这样的全民购物狂欢节。 在早期,淘宝的技术基础较为简单,主要依赖Oracle数据库、支付宝支付系统和...

    阿里巴巴集团千亿级别店铺系统架构平台化技术实践

    阿里巴巴集团的千亿级别店铺系统架构是电商领域内极具代表性的...这个架构不仅能够支持日常的业务运营,也能够应对双十一等高并发场景下的流量挑战。这些技术的实践为未来电商平台的技术发展提供了宝贵的参考和经验。

    云化架构的创新实践(阿里技术专场)——Pouch和阿里容器技术演讲 共26页.pdf

    - **使用规模**:2017年双十一期间,容器数量达到百万级别,活跃应用100%完成容器化部署。 #### 三、阿里容器技术的演进与实践 ##### 1. 从物理机到容器 - **资源使用演变**:从早期的物理机部署,逐渐过渡到...

    万亿级数据洪峰下的分布式消息引擎.docx

    例如,在今年双十一期间,面对“红包火山”游戏对延迟极其敏感的要求(仅能容忍50毫秒以内的延迟),RocketMQ通过优化内部架构,显著降低了写消息延迟,从而有效保障了用户体验。 **2.2.1 JVM停顿** 作为一款基于...

    Service Mesh平台产品架构及实践.pdf

    本篇内容主要探讨了Service Mesh的必要性、当前面临的挑战以及蚂蚁金服在Service Mesh实践中的经验。 一、为什么需要Service Mesh? 在传统的服务架构中,服务治理功能(如协议编解码、服务发现、负载均衡等)通常...

    云化架构的创新实践(阿里技术专场)——阿里巴巴调度与集群管理系统Sigma 共35页.pdf

    - **Sigma的作用**:作为阿里巴巴的核心调度系统,Sigma在资源分配、调度策略等方面发挥了关键作用,尤其是在“双十一”这样的大型活动期间,确保了资源的有效利用。 #### 三、Sigma系统架构与特点 **1. 整体架构*...

    【容器与微服务】3.余淮- 蚂蚁微服务实践.pdf

    这种设计能够更好地应对双十一等高并发场景,如2017年双十一期间的交易额和交易峰值显著增长。在此过程中,他们采用了两地三中心、甚至三地五中心的分布式部署模式,确保了高可用性和无损容灾能力。 蚂蚁微服务体系...

    蚂蚁金服微服务实践.pdf

    双十一活动是全球规模最大的电商活动,也是对蚂蚁金服技术能力的极大考验。为了应对这一挑战,蚂蚁金服构建了一个弹性可扩展的系统,能够处理每秒高达26.5万笔的交易峰值。这样的系统架构不仅需要能够支撑起巨大的...

    RocketMQ使用与实现.pdf

    - **成熟度高**:经过阿里巴巴双十一等大规模实践验证,稳定性强。 #### 三、RocketMQ基本概念 - **发布订阅模型**:发布者发布消息到主题,订阅者订阅感兴趣的主题,接收相应消息。 - **消息优先级**:支持不同...

    C++后端学习的技术栈

    #### 十一、中间件与工具 - **Web Server**:掌握Nginx、Tomcat等Web服务器的配置与优化技巧。 - **缓存系统**:使用Redis、Memcached等缓存中间件加速数据访问。 - **消息队列**:了解Kafka、RabbitMQ等消息中间件...

    RocketMQ开发指南

    **RocketMQ**是由阿里巴巴开发的一款高性能的消息中间件,其设计目标是为了满足大规模分布式系统中的消息传递需求。RocketMQ支持发布/订阅模式、消息顺序性保障、消息过滤等功能,并且能够确保消息的可靠传输。 ###...

    把大象装进冰箱-企业级大数据轻量云的实践_井诚@阿里巴巴.pdf

    AnalyticDB则是一款实时多维分析的大数据产品,能够在短时间内处理大量数据,如2017年双十一期间处理的数据量达到320PB;Blink是阿里巴巴对流计算引擎Flink的优化版本,用于实时数据处理;DataHub提供数据订阅与发布...

    阿里大数据介绍-v3.pdf

    - **实践经验**:通过在淘宝、天猫、阿里云等平台上的实际应用以及双十一等大型活动的支持,积累了丰富的实践经验。 - **成长性**:作为阿里巴巴集团重点发展的领域之一,阿里云保持着良好的成长势头。 - **生态系统...

    云计算赋能互联网金融.pptx

    3.85 万笔 / 秒 技术:云计算注:支付宝历年“双十一”大促峰值支付量支付: 8.59 万笔 / 秒 技术:金融云蚂蚁金服的云实践 - 支撑呈指数型增长的数据量能力:100TB 时 效 : T+1 业务: BI 报表 平 台 :RAC 来源...

Global site tag (gtag.js) - Google Analytics