我们先从最简单的设计开始。
基于DB的最简方案
表达用户信息和相互关系，基于DB只需要两张表可实现，示意如图12-2：
图12-2 用户信息与用户关系表示意图
relation表主要有两个字段followerId和followeeId，一行relation记录表示用户关系拓扑的一条边，由followerId代表的用户指向followeeId代表的用户。
userInfo表关注每个用户的详细信息，比如用户名、注册时间等描述信息。它可以是多个字段，本示例为了简化描述，统一将这些描述信息简化成一个字段。
1. 场景实现
基于relation相关的展示和操作可以如下方式实现。
1）某用户（例如用户B）timeline/feed页面的relation摘要信息展示，可以通过两条SQL实现：
SELECT COUNT(*) FROM table_relation WHEREfollowerId=’userB’;
SELECT COUNT(*) FROM table_relation WHEREfolloweeId=’userB’;
上述两条语句分别展示出了userB的follower和followee数量。
2）某用户（例如用户B）relation页面详细信息展示，分成两个子页面：follower列表展示和followee列表展示：
SELECT followeeId FROM table_relation WHERE followerId=’userB’;
SELECT userId,userInfo FROM table_user_info
WHERE userId IN (#followeeId#...);
SELECT followerId FROM table_relation WHEREfolloweeId=’userB’;
SELECT userId,userInfo FROM table_user_info
WHERE userId IN (#followerId#...);
上述四条语句分别展示被用户B关注的用户和关注用户B的用户列表。
3）某用户（例如用户B）关注/取消关注某用户（例如用户C）：
INSERT INTO table_relation (followerId,followeeId)
VALUES (‘userB’,’userC’) ;
DELETE FROM table_relation
WHERE followerId=’userB’ and followeeId=’userC’
2. 问题引入
随着用户数量的增加，table_relation/info表的行数膨胀。如前述小节描述的那样，亿级的用户，每个用户相关关系百级，那么table_relation的行数将膨胀到百亿级别，info表膨胀到亿级。由此，表的水平拆分（sharding）势在必行。
水平拆分需要根据表的某个字段做为拆分字段，例如info表的拆分以userId为拆分字段进行，如图12-3所示：
图12-3 info 表拆分示例
对于某个用户的信息查询，首先根据userId计算出它的数据在哪个分片，再在对应分片的info表里查询到相关数据。userId到分片的映射关系有多种方式，例如hash取模，userId字段的某几个特殊位，hash取模的一致性hash映射等，本章不展开。
对于info表，水平拆分字段的选取较为明确，选取userId即可。但是对relation的水平拆分，如何选取拆分字段显得不那么简单了，如图12-4所示。
图12-4 最简版本水平拆分后的问题
假设根据followerId进行拆分，查询某个用户关注的人显得容易，因为相同followerId的数据一定分布在相同分片上；但是一旦需要查询谁关注了某个用户，这样的查询需要路由到所有分片上进行，因为相同followeeId的数据分散在不同的分片上，查询效率低。由于对于某个用户，查询它的关注者和关注他的用户的访问量是相似的，所以无论根据followerId还是followeeId进行拆分，总会有一半的场景查询效率低下。
我们在此基础上优化DB的table_relation表方案，使之适应sharding。
DB的sharding方案
经过优化后的relation设计如图12-5 所示：
图12-5经过优化后的relation设计
首先将原有的relation表垂直拆分为followee表和follower表，分表记录某个用户的关注者和被关注者，接下来再对followee和follower两张表分别基于userId进行水平拆分。
1. 场景实现
相对于上节的实现方案，sharding后的relation相关操作中，变化的部分如下。
1）某用户（例如用户B）timeline/feed页面的relation摘要信息展示，可以通过两条SQL实现：
calculate sharding slide index by userB
SELECT COUNT(*) FROM table_followee_xx WHERE userId=’userB’;
SELECT COUNT(*) FROM table_follower_xx WHERE userId=’userB’;
针对用户B的关系数量查询可以落在相同分片上进行，所以一次展示只需要查询两次DB。
2）某用户（例如用户B）relation页面详细信息展示，分成两个子页面：follower列表展示和followee列表展示：
calculate sharding slide index by userB
SELECT followeeId FROM table_followee WHEREfollowerId=’userB’;
SELECT followerId FROM table_follower WHEREfolloweeId=’userB’;
calculate sharding slide index by follower/followeeIds
SELECT userId,userInfo FROM table_user_info
WHERE userId IN (#followerId#...,#followerId#);
上述三条语句分别展示被用户B关注的用户和关注用户B的用户列表，其中前两条可以基于落在相同分片上，DB操作次数为两次，但最后一条仍需查询多次DB，我们下文继续讨论如何优化它。
3）某用户（例如用户B）关注某用户（例如用户C）：
calculate sharding slide index by userB
START TRANSACTION;
INSERT INTO table_follower (userId,followerId)
VALUES (‘userB’,’userC’) ;
INSERT INTO table_followee (userId,followeeId)
VALUES (‘userB’,’userC’) ;
COMMIT
上述关注用户的操作由上节所述方案的一条变成了两条，并且包装在一个事务中。写入量增加了一倍，但由于水平拆分带来的DB能力的提升远远超过一倍，所以实际吞吐量的提升仍然能够做到随着分片数量线性增加。
2. 问题引入
上述对relation表的查询操作仍然需要进行count，即使在userId上建了索引仍然存在风险：
q 对于某些用户，他们被很多人关注（例如大V类用户），他们在对follower表进行count查询时，需要在userId上扫描的行数仍然很多，我们称这些用户为热点用户。每一次展示热点用户的关注者数量的操作都是低效的。另一方面，热点用户由于被很多用户关注，它的timeline页面会被更频繁的访问，使得原本低效的展示操作总是被高频的访问，性能风险进一步放大。
q 当某个用户的follower较多时，通常在relation页面里无法一页展示完，因此需要进行分页显示，每一页显示固定数量的用户。然而DB实现分页时，扫描效率随着offset增加而增加，使得这些热点用户的relation页展示到最后几页时，变的低效。
q 用户详细信息的展示，每次展示relation页面时，需要对每个follower或者followee分别查询info表，使得info的查询服务能力无法随着info分片线性增加。
引入缓存
针对上节所述三个问题，我们首先引入缓存，数据划分如图12-6所示：
图12-6 数据划分
在DB层，增加userInfo表的冗余信息，将每个用户的关注者和被关注者的数量存入DB。这样一来，对于timeline和feed页的relation摘要展示仅仅通过查询userInfo表即可完成。
同时引入缓存层，需要注意的是，与关系相关的两张表，在缓存层对应的value变成了列表，这样做有两个原因：
q 列表的存储使得查询可以一次IO完成，无需像数据库那样经过二级索引依次扫描相同key对应的所有行。然而数据库很难做到以list做为value的类型并且很好地支撑list相关的增删操作
q 缓存是key-value结构，相同的userId难以分为多个key存储并且还能保证它们高效扫描（缓存的没有DB中的基于key前缀的range扫描）
同时userInfo和userCnt相关信息也分别放入了不同的缓存表中，将DB的一张表分为两张缓存表，原因是info信息和cnt信息的展示场景不同，不同key的频度也不同。
在最上层，对访问量极高的用户的info信息进行服务器端的本地缓存。
1. 场景实现
引入缓存之后的业务操作实现方式也响应做了调整：
1）某用户（例如用户B）timeline/feed页面的relation摘要信息展示：展示方式变成了首先根据用户B做为key查询缓存，未命中时，再查询DB
2）某用户（例如用户B）relation页面详细信息展示，分成两个子页面：follower列表展示和followee列表展示：
q 同样首先查询follower和followee的缓存，对于频繁被查询的热点用户，它的数据一定在缓存中，由此将DB数据量最多、访问频度最高的用户挡在缓存外
q 对于每个用户的info信息，热点用户由于被更多的用户关注，他更有可能在详情页面被查询到，所以这类用户总是在本地缓存中能够查询到。同时，本地缓存设置一个不长的过期时间，使得它和分布式缓存层或者数据库层的数据不会长时间不同步。过期时间的设置和存放本地缓存的服务器数量相关。
3）某用户（例如用户B）关注/取消关注某用户（例如用户C）：
q 每一次插入/删除DB的记录时，同时需要对对应缓存的list进行变更。我们可以利用Redis的list/set类型value的原子操作，在一次Redis交互内实现list/set的增删。同时在DB的一个事务中，同时更新userInfo表的cnt字段。
q DB和缓存无法共处于同一个ACID的事务，所以当DB更新之后的缓存更新，通过在DB和缓存中引入两张变更表即可保证更新事件不丢失：DB每次变更时，在DB的事务中向变更表插入一条记录，同时有一个唯一的变更ID或者叫版本号，随后再在缓存中进行修改时，同时也设置这个版本号，再回过来删除DB的这条变更记录。如果缓存更新失败，通过引入定时任务补偿的方式保证变更一定会同步到缓存。
2. 问题引入
relation的相关操作通过缓存和DB冗余的方式基本解决了，但仍然遗留了两个问题：
1）热点用户的follower详情页查询数据量问题。热点用户由于有过长的缓存list，它们每次被查询到的时候有着极高的网络传输量，同时因为热点，它的查询频度也更高，加重了网络传输的负担。
2）info查询的multi-key问题仍然没有完全解决，虽然对热点用户本地缓存的方式避免了distributed缓存的查询，但是每个用户的follower/followee中，大部分用户是非热点用户，它们无法利用本地缓存。由于这些非热点用户的占比更大，info的接收的服务吞吐量需求仍然没有显著减少。
3） info查询中一个重要的信息是被查询实体的followee和follower的数量，尤其是followee数量上限很高（部分热点用户存在百万甚至千万级的量），这两个cnt数量随时变化着，为了使得查询的数值实时，系统需要在尽量间隔短的时间重新进行count，对于热点用户，如果期望实现秒级数据延迟，那么意味着每秒需要对百万甚至千万级别的数据进行count。如何解决这些动态变化着的数据的大访问量、实时性成为挑战。
下一小节叙述如何利用二级缓存和冗余解决这三个问题。
12.2.4 缓存的优化方案
对于上述两个遗留问题，可以通过引入增量化来解决。它对解决上述3个问题提供了基础，其思路是将增量数据做为一等公民（first-class），通过对增量数据的流式处理，支撑relation的各种查询场景，尤其是热点场景。
对于本章中的示例系统，在引入缓存后仍存在的热点场景如下：
1）热点用户（follower很多的用户）的关系详情查询：他/她的关注者列表。
2）所有用户的计数相关摘要，包括热点用户的计数摘要、热点用户的follower/followee的摘要。
首先来看一下增量数据的流转，如图12-7所示：
图12-7增量数据的流转
最左侧为增量事件的发起者，例如用户C关注了B和A，则产生两个follow数据，它们将会分别shuffle到A和B所在的数据分片，使得A、B所在的分片中存放者它们各自的变更数据。这些变更以某种方式按照变更产生时间排序，例如唯一主键以createTime时间戳的某种保序压缩（例如将timemillis做36-base编码保证字母序关系不变）做为前缀让DB的查询实现顺序扫描，使得变更数据的订阅方，如计数器或者近期增量列表能够根据变更事件的时间进行获取。
1. 独立的计数服务
对于实时变更着的follower/followee数量的频繁查询，采用数据库的count函数来实现无法保证性能和吞吐量，即便引入缓存，为了保证缓存的时效性，也会因较短间隔的DB count查询引发性能问题。这些问题通过引入单独的计数服务使得count计算做到O(1)的查询复杂度可以得到缓解。
计数服务可以设计成key-value结构，持久化到分布式缓存，key为用户id，value为该用户的follower/followee数量。于是查询服务转化为对缓存的某个key的简单get操作。
对于value的写入，可以利用上述增量化模块，订阅用户收到的变更事件。对于follow事件，直接对key对应的value做自增操作；对于unfollow事件，则做自减操作。例如，对于user C follow了A这个事件，对key为A的value做自增操作。
同时通过对增量化模块中的每个事件记录产生的版本（也可根据时间本身自增来实现），和对计数器每个key进行版本记录，可以实现去重放丢失等需求。
每个key的更新频率取决于单位时间内针对该key的事件数量。例如对于有1亿follower的热点用户，假设每个follower每十天变更一次对某个followee的关注与否（实际上变更频率不会这么频繁），那么改key的变更频率峰值为500次每秒（自然情况下的峰值约等于当天的所有访问平均分布到5~8小时之后的每秒访问量），小于数据库单key的写入吞度量上限（约等于800 tps）。如果考虑批量获取变更事件，则单key峰值写入会更低。
2. 根据事件时间排列的relation详情
当需要查看某个用户的relation详情页时，涉及对follower/followee列表的分页查询。通常单个用户关注的人数量有限，绝大多数用户在1000以内，且每次对第一页的查询频度远高于后续分页，那么无论直接将列表存入DB或是分布式缓存，都能做到较高的吞吐量：DB数据以用户为二级索引，采用默认的排序时大多数情况第一页一个block可以承载；分布式缓存时单个value可以涵盖这些followee列表。
但是，对于热点用户的follower，情况更加复杂一些：follower的数量不可控，使得：
q 即便是小概率的翻页操作，对于follower很多的热点用户，仍然是高访问量的操作；且每次翻页的扫描成本很高
q 单个分布式缓存的value列表无法承载过长的follower列表
针对热点用户的follower列表查询问题，采用基于增量化的实现辅助解决。
首先，同一个用户follower列表的前N页（假设为前5页）的访问概率占到总访问量的绝大部分（假设超过99%），而前N页的follower个数是常数个（假设每页展示20个follower，前5页只有100个follower需要展示）；其次，follower列表的展示以follow时间进行排序，最近加入的follower通常排在最前，即增量化模块的最新数据最有可能放在首N页。
基于上述两个假设，针对这99%访问量的前N页，可以直接查询增量数据：做为增量化的消费者每次拉取的最近N页条变更事件直接存入热点用户的follower缓存中，对外提供查询服务。由于变更事件既有follow也有unfollow，无法直接确定拉取多少条，此时可根据历史的follow和unfollow数量比例对“N页条数”进行放大再拉取，之后只取其中的follow事件部分存入缓存。
欲了解更多有关分布式缓存方面的内容，请阅读《深入分布式缓存:从原理到实践》一书。
京东购书，扫描二维码：
