继续答星球水友提问，大数据量，高并发量，好友关系链、粉丝关系链要如何设计？
什么是关系链业务？关系链主要分为两类，弱好友关系与强好友关系，两类都有典型的互联网产品应用。 弱好友关系的建立，不需要双方彼此同意：
- 用户A关注用户B，不需要用户B同意，此时用户A与用户B为弱好友关系，对A而言，暂且理解为“关注”；
- 用户B关注用户A，也不需要用户A同意，此时用户A与用户B也为弱好友关系，对A而言，暂且理解为“粉丝”；
- 用户A请求添加用户B为好友，用户B同意，此时用户A与用户B则互为强好友关系，即A是B的好友，B也是A的好友；
好友中心是一个典型的多对多业务：
一个用户可以添加多个好友
也可以被多个好友添加
其典型架构为：
friend-service：好友中心服务，对调用者提供友好的RPC接口
db：对好友数据进行存储
弱好友关系，存储层应该如何实现？
通过弱好友关系业务分析，很容易了解到，其核心元数据为：
- guanzhu(uid, guanzhu_uid);
- fensi(uid, fensi_uid);
- guanzhu表，用户记录uid所有关注用户guanzhu_uid
- fensi表，用来记录uid所有粉丝用户fensi_uid
- guanzhu表要插入{1, 2}这一条记录，1关注了2
- fensi表要插入{2, 1}这一条记录，2粉了1
select from guanzhu where uid=1;
即可得到结果，1关注了2。 如何查询一个用户粉了谁？ 回答：在fensi的uid上建立索引：select from fensi where uid=2;
即可得到结果，2粉了1。强好友关系，存储层应该如何实现？
方案一
通过强好友关系业务分析，很容易了解到，其核心元数据为：
- friend(uid1, uid2);
- uid1，强好友关系中一方的uid
- uid2，强好友关系中另一方的uid
select from friend where uid1=2
union
select from friend where uid2=2
即可得到结果。方案二 强好友关系是弱好友关系的一个特例 ，A和B必须互为关注关系（也可以说，同时互为粉丝关系），即也可以使用关注表和粉丝表来实现：
- guanzhu(uid, guanzhu_uid);
- fensi(uid, fensi_uid);
- guanzhu表要插入{1, 2}这一条记录
- fensi表要插入{2, 1}这一条记录
- guanzhu表要插入{2, 1}这一条记录
- fensi表要插入{1, 2}这一条记录
两种实现，各有什么优缺点？ 对于强好友关系的两类实现：
- friend(uid1, uid2)表
- 数据冗余guanzhu表与fensi表（后文称正表T1与反表T2）
在数据量小时，看似无差异， 但数据量大时，数据冗余的优势就体现出来了 ：
- friend表，数据量大时，如果使用uid1来分库，那么uid2上的查询就需要遍历多库
- 正表T1与反表T2通过数据冗余来实现好友关系，{1,2}{2,1}分别存在于两表中，故两个表都使用uid来分库，均只需要进行一次查询，就能找到对应的关注与粉丝，而不需要多个库扫描
顾名思义，由好友中心服务同步写冗余数据，如上图1-4流程：
- 业务方调用服务，新增数据
- 服务先插入T1数据
- 服务再插入T2数据
- 服务返回业务方新增数据成功
- 不复杂，服务层由单次写，变两次写
- 数据一致性相对较高（因为双写成功才返回）
- 请求的处理时间增加（要插入次，时间加倍）
- 数据仍可能不一致，例如第二步写入T1完成后服务重启，则数据不会写入T2
数据的双写并不再由好友中心服务来完成，服务层异步发出一个消息，通过消息总线发送给一个专门的数据复制服务来写入冗余数据，如上图1-6流程：
- 业务方调用服务，新增数据
- 服务先插入T1数据
- 服务向消息总线发送一个异步消息（发出即可，不用等返回，通常很快就能完成）
- 服务返回业务方新增数据成功
- 消息总线将消息投递给数据同步中心
- 数据同步中心插入T2数据
- 请求处理时间短（只插入1次）
- 系统的复杂性增加了，多引入了一个组件（消息总线）和一个服务（专用的数据复制服务）
- 因为返回业务线数据插入成功时，数据还不一定插入到T2中，因此数据有一个不一致时间窗口（这个窗口很短，最终是一致的）
- 在消息总线丢失消息时，冗余表数据会不一致
数据的双写不再由好友中心服务来完成，而是由线下的一个服务或者任务来完成，如上图1-6流程：
- 业务方调用服务，新增数据
- 服务先插入T1数据
- 服务返回业务方新增数据成功
- 数据会被写入到数据库的log中
- 线下服务或者任务读取数据库的log
- 线下服务或者任务插入T2数据
- 数据双写与业务完全解耦
- 请求处理时间短（只插入1次）
- 返回业务线数据插入成功时，数据还不一定插入到T2中，因此数据有一个不一致时间窗口（这个窗口很短，最终是一致的）
- 数据的一致性依赖于线下服务或者任务的可靠性
从上面的讨论可以看到，不管哪种方案，因为 两步操作不能保证原子性 ，总有出现数据不一致的可能，高吞吐分布式事务是业内尚未解决的难题，此时的架构优化方向：最终一致性。并不是完全保证数据的实时一致，而是 尽早的发现不一致，并修复不一致 。 最终一致性，是高吞吐互联网业务一致性的常用实践。更具体的，保证数据最终一致性的常见方案有三种。 方法一：线下扫面正反冗余表全部数据
如上图所示，线下启动一个离线的扫描工具，不停的比对正表T1和反表T2，如果发现数据不一致，就进行补偿修复。
- 比较简单，开发代价小
- 线上服务无需修改，修复工具与线上服务解耦
- 扫描效率低，会扫描大量的“已经能够保证一致”的数据
- 由于扫描的数据量大，扫描一轮的时间比较长，即数据如果不一致，不一致的时间窗口比较长
每次只扫描增量的日志数据，就能够极大提高效率，缩短数据不一致的时间窗口，如上图1-4流程所示：
- 写入正表T1
- 第一步成功后，写入日志log1
- 写入反表T2
- 第二步成功后，写入日志log2
- 虽比方法一复杂，但仍然是比较简单的
- 数据扫描效率高，只扫描增量数据
- 线上服务略有修改（代价不高，多写了2条日志）
- 虽然比方法一更实时，但时效性还是不高，不一致窗口取决于扫描的周期
这次不是写日志了，而是向消息总线发送消息，如上图1-4流程所示：
- 写入正表T1
- 第一步成功后，发送消息msg1
- 写入反表T2
- 第二步成功后，发送消息msg2
- 效率高
- 实时性高
- 方案比较复杂，上线引入了消息总线这个组件
- 线下多了一个订阅总线的检测服务
- 关系链业务是一个典型的多对多关系，又分为强好友与弱好友
- 数据冗余是一个常见的多对多业务数据水平切分实践
- 冗余数据的常见方案有三种 （1）服务同步冗余 （2）服务异步冗余 （3）线下异步冗余
- 数据冗余会带来一致性问题，高吞吐互联网业务，要想完全保证事务一致性很难，常见的实践是最终一致性
- 最终一致性的常见实践是，尽快找到不一致，并修复数据，常见方案有三种 （1）线下全量扫描法 （2）线下增量扫描法 （3）线上实时检测法
本文转自“架构师之路”公众号，58沈剑提供。
