数据挑战
Feed平台系统架构
总共分为五层，最上层是端层，比如web端，客户端，大家用的ios或安卓的一些客户端，还有一些开放平台，第三方接入的一些接口。下面是平台接入层，不同的池子，主要是为了把好的资源集中调配给重要的核心接口，这样突发流量的时候，有更好的弹性来服务，提高服务稳定性。再下面是平台服务层，主要是Feed算法，关系等等。接下来是中间层，通过各种中间介质提供一些服务。最下面一层就是存储层，平台架构大概是这样。
1. Feed timeline
大家日常刷微博的时候，比如在主站或客户端点一下刷新，最新获得了十到十五条微博，它这个是怎么构建出来的呢？刷新之后，首先会获得用户的关注关系，比如她有一千个关注，会把这一千个ID拿到，根据这一千个UID，拿到每个用户发表的一些微博，同时会获取这个用户的Inbox，就是她收到的特殊的一些消息，比如分组的一些微博，群的微博，下面她的关注关系，她关注人的微博列表，拿到这一系列微博列表之后进行集合、排序，拿到所需要的那些ID，再对这些ID去取每一条微博ID对应的微博内容，如果这些微博是转发过来的，它还有一个原微博，会进一步取原微博内容，通过原微博取用户信息，进一步根据用户的过滤词，对这些微博进行过滤，过滤掉用户不想看到的微博，留下这些微博后，再进一步来看，用户对这些微博有没有收藏、赞，做一些flag设置，最后还会对这些微博各种计数，转发、评论、赞数进行组装，最后才把这十几条微博返回给用户的各种端。这样看，用户一次请求，最终得到十几条记录，后端服务器大概要对几百甚至几千条数据进行实时组装，再返回给用户，整个过程对Cache体系强度依赖。所以Cache架构设计优劣直接会影响到微博体系表现的好坏。
2. Feed Cache架构
然后我们看一下Cache架构，它主要分为6层，首先是Inbox，主要是分组的一些微博，然后直接对群主的一些微博，Inbox比较少，主要是推的方式。然后对于Outbox，每个用户都会发常规的微博，都会在它Outbox里面去，根据存的ID的数量，实际上分成多个Cache，普通的大概是200多，如果是长的大概是2000条。第三组就是一些关系，它的关注、粉丝、用户。第四个就是内容，每一条微博一些内容存在这里。下面就是一些存在性判断，比如微博里面，这条微博有没有赞过，之前有一些明星就说我没有点赞这条微博怎么显示我点赞了，引发一些新闻，这种就是记录，实际上她在某个时候点赞忘记了。最下面还有比较大的一块——计数。一条微博评论转发等计数，对用户来说，她的关注数粉丝数这些数据。
Cache架构及演进
1. 简单KV数据类型
接下来我们着重讲一些微博Cache架构演进过程，最开始微博上线的时候，都是把它作为一个简单的KV证人数据类型来存储，我们主要采取哈希分片存储在MC池子里，上线几个月之后发现一些问题，有一些节点机器宕机或者其它方面原因，大量的请求会穿透Cache层达到DB上去，导致整个请求变慢，甚至DB僵死。于是我们很快给它改造增加一个HA层，这样即便Main层出现某些节点宕机情况或者挂掉之后，这些请求会进一步穿透到HA层，不会穿透DB层，这样的话可以保证在任何情况下，整个系统命中率不会降低，系统服务稳定性比较大提升。对于这种，现在业界用得比较多，然后很多人说我直接用哈希，但这里面也有一些坑，比如我有一个节点，节点3它宕机了，Main把它给摘掉了，节点3的一些QA分给其他几个节点，这个业务量还不是很大，穿透DB，DB可以抗住。如果后面这个节点3又恢复了，它又加进来，加进来之后，节点3的访问又会回来，如果节点3因为网络原因或者机器本身的原因，它又宕机了，一些节点3的请求又会分给其他节点，这个时候就会出现问题，之前分散给其他节点写回来的数据已经没有人更新了，如果它没有被剔除掉就会出现混插数据。
微博和微信很大的区别，实际上微博是一个广场型的业务，比如突发事件，某明星找个女朋友，瞬间流量就30%，突发事件后，大量的请求会出现在某一些节点，会导致这个节点非常热，即便是MC也没办法满足这么大的请求量。这时候整个MC就会变成瓶颈，导致整个系统变慢，基于这个原因我们引入L1层，还是一个Main关系池，每一个L1大概是Main层的N分之一，六分之一、八分之一、十分之一这样一个内存量，根据请求量我会增加4到8个L1，这样所有的请求来了之后首先会访问L1，L1命中的话就会直接访，如果没有命中再来访问Main-HA层，这样在一些突发流量的时候，可以由L1来抗住大部分热的请求。对微博本身来说，新的数据就会越热，只用增加很少一部分内存就会抗住更大的量。
简单总结一下，通过简单KV数据类型的存储，我们实际上以MC为主的，层内HASH节点不漂移，Miss穿透到下一层去读取。通过多组L1读取性能提升，对峰值、突发流量能够抗住，而且成本会大大降低。对读写策略，采取多写，读的话采用逐层穿透，如果Miss的话就进行回写，对存在里面的数据，我们最初采用Json/xml，12年之后就直接采用Protocol| Buffer格式，对一些比较大的用QuickL进行压缩。
2. 集合类数据
刚才讲到简单的QA数据，对于复杂的集合类数据怎么来处理，比如我关注了2000人，新增一个人，这就涉及到部分修改。有一种方式把2000个ID全部拿下来进行修改，这种对带宽、机器压力会更大。还有一些分页获取，我存了2000个，只需要取其中的第几页，比如第二页，也就是第十到第二十个，能不能不要全量把所有数据取回去。还有一些资源的联动计算，会计算到我关注的某些人里面ABC也关注了用户D，这种涉及到部分数据的修改、获取，包括计算，对MC来说它实际上是不太擅长的。各种关注关系都存在Redis里面取，通过Hash分布、储存，一组多存的方式来进行读写分离。现在Redis的内存大概有30个T，每天都有2-3万亿的请求。
在使用Redis的过程中实际上还是遇到其他一些问题，比如从关注关系，我关注了2000个UID，有一种方式是全量存储，但微博有大量的用户，有些用户登陆比较少，有些用户特别活跃，这样全部放在内存里面成本开销是比较大的。所以我们就把Redis使用改成Cache，比如只存活跃的用户，如果你最近一段时间没有活跃之后，会把你从Redis里面踢掉，再次有访问到你的时候把你加进来。这时候存在一个问题，Redis工作机制是单线程模式，如果它加某一个UV，关注2000个用户，可能扩展到两万个UID，两万个UID塞回去基本上Redis就卡住了，没办法提供其他服务。所以我们扩展一种新的数据结构，两万个UID直接开了端，写的时候直接依次把它写到Redis里面去，读写的整个效率就会非常高，它的实现是一个long型的开放数组，通过Double Hash进行寻址。
对Redis来说我们进行了一些其他的扩展，之前的一些分享，大家在网上也会看到，把数据放到公共变量里面，整个升级过程，我们测试1G的话加载要10分钟，10G大概要十几分钟以上，现在是毫秒级升级。对于AOF，我们采用滚动的AOF，每个AOF是带一个ID的，达到一定的量再滚动到下一个AOF里面去。对RDB落地的时候，我们会记录构建这个RDB时，AOF文件以及它所在的位置，通过新的RDB、AOF扩展模式，实现全增量复制。
3. 其他数据类型-计数
接下来还有一些其他的数据类型，比如一个计数，实际上计数在每个互联网公司都可能会遇到，对一些中小型的业务来说，实际上MC和Redis足够用的，但在微博里面计数出现了一些特点，单条Key有多条计数，比如一条微博，有转发数、评论数、还有点赞，一个用户有粉丝数、关注数等各种各样的数字，因为是计数，它的Value size是比较小的，根据它的各种业务场景，大概就是2-8个字节，一般4个字节为多，然后每日新增的微博大概十亿条记录，总记录就更可观了，然后一次请求，可能几百条计数要返回去。
4. 计数器-Counter Service
最初是可以采取Memcached，但它有个问题，如果计数超过它内容容量的时候，它会导致一些计数的剔除，宕机或重启后计数就没有了。另外可能有很多计数它是为零，那这个时候怎么存，要不要存，存的话就占很多内存。微博每天上十亿的计数，光存0都要占大量的内存，如果不存又会导致穿透到DB里面去，对服务的可溶性就会存在影响。2010年之后我们又采用Redis访问，随着数据量越来越大之后，发现Redis内存有效负荷还是比较低的，它一条KV大概需要至少65个字节，但实际上我们一个计数需要8个字节，然后Value大概4个字节，实际上有效只有12个字节，其他还有四十多个字节都是被浪费掉的，这还只是单个KV，如果一条Key有多个计数的情况下，它就浪费得更多了，比如说四个计数，一个Key8个字节，四个计数每个计数是4个字节，16个字节大概需要26个字节就行了。但是用Redis存大概需要200多个字节。后来通过自己研发Counter Service，内存降至Redis的五分之一到十五分之一以下，而且进行冷热分离，热数据存在内存里面，冷数据如果重新变热，就把它放到LRU里面去。落地RDB、AOF，实现全增量复制，通过这种方式，热数据单机可以存百亿级，冷数据可以存千亿级。
整个存储架构大概是这样子，上面是内存，下面是SSD，在内存里面是预先把它分成N个Table，每个Table根据ID的指针序列，划出一定范围，任何一个ID过来先找到它所在的Table，如果有直接对它增增减减，有新的计数过来，发现内存不够的时候，就会把一个小的Table Dump到SSD里面去，留着新的位置放在最上面供新的ID来使用。有些人疑问说，如果在某个范围内，我的ID本来设的计数是4个字节，但是微博特别热，超过了4个字节，变成很大的一个计数怎么处理，对于超过限制的把它放在Aux dict进行存放，对于落在SSD里面的Table，我们有专门的IndAux进行访问，通过RDB方式进行复制。
5. 其他数据类型-存在性判断
然后除了计数的话，微博还有一些业务，一些存在性判断，比如一条微博展现的，有没有点赞、阅读、推荐，如果这个用户已经读过这个微博了，就不要再显示给他，这种有个很大的特点，它检查是否存在，每条记录非常小，比如Value1个bit就可以了，但总数据量巨大。比如微博每天新发表微博1亿左右，读的可能有上百亿、上千亿这种总的数据需要判断，怎么来存储是个很大的问题，而且这里面很多存在性就是0，还是前面说的，0要不要存，如果存了，每天就存上千亿的记录，如果不存，那大量的请求最终会穿透Cache层到DB层，任何DB都没有办法抗住那么大的流量。
我们也进行了一些选型，首先直接考虑我们能不能用Redis，单条KV65个字节，一个KV可以8个字节的话，Value只有1个bit，这样算下来我每日新增内存有效率是非常低的。第二种我们新开发的Counter Service，单条KV Value1个bit，我就存1个byt，总共9个byt就可以了，这样每日新增内存900G，存的话可能就只能存最新若干天的，存个三天差不多快3个T了，压力也挺大，但比Redis已经好很多。
我们最终方案采用自己开发Phantom，先采用把共享内存分段分配，最终使用的内存只用120G就可以，算法很简单，对每个Key可以进行N次哈希，如果哈希的某一个位它是1，如果进行3次哈希，三个数字把它设为1，把X2也进行三次哈希，后面来判断X1是否存在的时候，进行三次哈希来看，如果都为1就认为它是存在的，如果某一个哈希X3，它的位算出来是0，那就百分百肯定不存在的。
它的实现架构比较简单，把共享内存预先拆分到不同Table里面，在里面进行开方式计算，然后读写，落地的话采用AOF+RDB的方式进行处理。整个过程因为放在共享内存里面，进程要升级重启数据也不会丢失。对外访问的时候，建Redis协议，它直接扩展新的协议就可以访问我们这个服务了。
6. 小结
小结一下，到目前为止，关注Cache集群内高可用、它的扩展性，包括它的性能，还有一个特别重要就是存储成本，还有一些我们没有关注到，比如21运维性如何，微博现在已经有几千差不多上万台服务器等等。
7. 进一步优化
8. 服务化
采取的方案首先就是对整个Cache进行服务化管理，对配置进行服务化管理，避免频繁重启，另外如果配置发生变更，直接用一个脚本修改一下。
服务化还引入Cluster Manager，实现对外部的管理，通过一个界面来进行管理，可以进行服务校验。服务治理方面，可以做到扩容、缩容，SLA也可以得到很好保障。另外对于开发来说，现在就可以屏蔽Cache资源。
总结与展望
最后简单总结一下，对于微博Cache架构来说，从它数据架构、性能、储存成本、服务化不同方面进行优化增强。
原文发布时间为：2018-05-7
本文作者：陈波
