DDIA 读书笔记（一）：可靠、可扩展、可维护

DDIA 读书分享会，会逐章进行分享，结合我在工业界分布式存储和数据库的一些经验，补充一些细节。每两周左右分享一次，欢迎加入，Schedule 在这里。我们有个对应的分布式 &数据库讨论群，每次分享前会在群里通知。如想加入，可以加我的微信号：qtmuniao，简单自我介绍下，并注明：分布式系统群。

第一章是很容易被跳过的一章，因为概念较多，容易泛泛而谈。但其给出的三个概念，确实是构建系统避不开的三个重点方向。

ps. 开源中文版本有些地方翻译的不是很地道，读起来可能会有些难受，不过这是所有翻译难免的。

本书为什么以数据系统为主题

数据系统（data system）是一种模糊的统称。在信息社会中，一切皆可信息化，或者，某种程度上来说——数字化。这些数据的采集、存储和使用，是构成信息社会的基础。我们常见的绝大部分应用背后都有一套数据系统支撑，比如微信、京东、微博等等。

因此，作为 IT 从业人员，有必要系统性的了解一下现代的、分布式的数据系统。学习本书，能够学习到数据系统的背后的原理、了解其常见的实践、进而将其应用到我们工作的系统设计中。

作者：木鸟杂记 https://www.qtmuniao.com/2022/02/19/ddia-reading-chapter1 转载请注明出处

常见的数据系统有哪些

• 存储数据，以便之后再次使用——数据库

• 记住一些非常“重”的操作结果，方便之后加快读取速度——缓存

• 允许用户以各种关键字搜索、以各种条件过滤数据——搜索引擎

• 源源不断的产生数据、并发送给其他进程进行处理——流式处理

• 定期处理累积的大量数据——批处理

• 进行消息的传送与分发——消息队列

这些概念如此耳熟能详以至于我们在设计系统时拿来就用，而不用去想其实现细节，更不用从头进行实现。当然，这也侧面说明这些概念抽象的多么成功。

数据系统的日益复杂化

但这些年来，随着应用需求的进一步复杂化，出现了很多新型的数据采集、存储和处理系统，它们不拘泥于单一的功能，也难以生硬的归到某个类别。随便举几个例子：

1. Kafka：可以作为存储持久化一段时间日志数据、可以作为消息队列对数据进行分发、可以作为流式处理组件对数据反复蒸馏等等。

2. Spark：可以对数据进行批处理、也可以化小批为流，对数据进行流式处理。

3. Redis：可以作为缓存加速对数据库的访问、也可以作为事件中心对消息的发布订阅。

我们面临一个新的场景，以某种组合使用这些组件时，在某种程度上，便是创立了一个新的数据系统。书中给了一个常见的对用户数据进行采集、存储、查询、旁路等操作的数据系统示例。从其示意图中可以看到各种 Web Services 的影子。

但就这么一个小系统，在设计时，就可以有很多取舍：

1. 使用何种缓存策略？是旁路还是写穿透？

2. 部分组件机器出现问题时，是保证可用性还是保证一致性？

3. 当机器一时难以恢复，如何保证数据的正确性和完整性？

4. 当负载增加时，是增加机器还是提升单机性能？

5. 设计对外的 API 时，是力求简洁还是追求强大？

因此，有必要从根本上思考下如何评价一个好数据系统，如何构建一个好的数据系统，有哪些可以遵循的设计模式？有哪些通常需要考虑的方面？

书中用了三个词来回答：可靠性（Reliability）、可伸缩性（Scalability）、可维护性（Maintainability）

可靠性（Reliability）

如何衡量可靠性？

• 功能上

• 正常情况下，应用行为满足 API 给出的行为

• 在用户误输入/误操作时，能够正常处理

• 性能上

• 在给定硬件和数据量下，能够满足承诺的性能指标。

• 安全上

• 能够阻止未授权、恶意破坏。

可用性也是可靠性的一个侧面，云服务通常以多少个 9 来衡量可用性。

两个易混淆的概念：Fault（系统出现问题） and Failure（系统不能提供服务）

不能进行 Fault-tolerance 的系统，积累的 fault 多了，就很容易 Failure。

如何预防？混沌测试：如 Netflix 的 chaosmonkey。

硬件故障

在一个大型数据中心中，这是常态：

1. 网络抖动、不通

2. 硬盘老化坏道

3. 内存故障

4. 机器过热导致 CPU 出问题

5. 机房断电

数据系统中常见的需要考虑的硬件指标：

• MTTF mean time to failure

• 单块盘 平均故障时间 5 ~10 年，如果你有 1w+ 硬盘，则均匀期望下，每天都有坏盘出现。当然事实是硬盘会一波一波坏。

解决办法，增加冗余度：

机房多路供电，双网络等等。

对于数据：

单机：可以做 RAID 冗余。如：EC 编码。

多机：多副本 or EC 编码。

软件错误

相比硬件故障的随机性，软件错误的相关性更高：

1. 不能处理特定输入，导致系统崩溃。

2. 失控进程（如循环未释放资源）耗尽 CPU、内存、网络资源。

3. 系统依赖组件变慢甚至无响应。

4. 级联故障。

在设计软件时，我们通常有一些环境假设，和一些隐性约束。随着时间的推移、系统的持续运行，如果这些假设不能够继续被满足；如果这些约束被后面维护者增加功能时所破坏；都有可能让一开始正常运行的系统，突然崩溃。

人为问题

系统中最不稳定的是人，因此要在设计层面尽可能消除人对系统影响。依据软件的生命周期，分几个阶段来考虑：

• 设计编码

• 尽可能消除所有不必要的假设，提供合理的抽象，仔细设计 API

• 进程间进行隔离，对尤其容易出错的模块使用沙箱机制

• 对服务依赖进行熔断设计

• 测试阶段

• 尽可能引入第三方成员测试，尽量将测试平台自动化

• 单元测试、集成测试、e2e 测试、混沌测试

• 运行阶段

• 详细的仪表盘

• 持续自检

• 报警机制

• 问题预案

• 针对组织

• 科学的培训和管理

可靠性有多重要？

事关用户数据安全，事关企业声誉，企业存活和做大的基石。

可伸缩性（Scalability）

可伸缩性，即系统应对负载增长的能力。它很重要，但在实践中又很难做好，因为存在一个基本矛盾：只有能存活下来的产品才有资格谈伸缩，而过早为伸缩设计往往活不下去。

但仍是可以了解一些基本的概念，来应对可能会暴增的负载。

衡量负载

应对负载之前，要先找到合适的方法来衡量负载，如负载参数（load parameters）：

• 应用日活月活

• 每秒向 Web 服务器发出的请求

• 数据库中的读写比率

• 聊天室中同时活跃的用户数量

书中以 Twitter 2012 年 11 披露的信息为例进行了说明：

1. 识别主营业务：发布推文、首页 Feed 流。

2. 确定其请求量级：发布推文（平均 4.6k 请求/秒，峰值超过 12k 请求/秒），查看其他人推文（300k 请求/秒）

单就这个数据量级来说，无论怎么设计都问题不大。但 Twitter 需要根据用户之间的关注与被关注关系来对数据进行多次处理。常见的有推拉两种方式：

1. 拉。每个人查看其首页 Feed 流时，从数据库现拉取所有关注用户推文，合并后呈现。

2. 推。为每个用户保存一个 Feed 流视图，当用户发推文时，将其插入所有关注者 Feed 流视图中。

前者是 Lazy 的，用户只有查看时才会去拉取，不会有无效计算和请求，但每次需要现算，呈现速度较慢。而且流量一大也扛不住。

后者实现算出视图，而不管用户看不看，呈现速度较快，但会引入很多无效请求。

最终，使用的是一种推拉结合的方式，这也是外国一道经典的系统设计考题。

描述性能

注意和系统负载区分，系统负载是从用户视角来审视系统，是一种客观指标。而系统性能则是描述的系统的一种实际能力。比如：

1. **吞吐量（throughput）：**每秒可以处理的单位数据量，通常记为 QPS。

2. **响应时间（response time）：**从用户侧观察到的发出请求到收到回复的时间。

3. 延迟（latency）：日常中，延迟经常和响应时间混用指代响应时间；但严格来说，延迟只是只请求过程中排队等休眠时间，虽然其在响应时间中一般占大头；但只有我们把请求真正处理耗时认为是瞬时，延迟才能等同于响应时间。

响应时间通常以百分位点来衡量，比如 p95，p99 和 p999，它们意味着 95％，99％或 99.9％ 的请求都能在该阈值内完成。在实际中，通常使用滑动窗口滚动计算最近一段时间的响应时间分布，并通常以折线图或者柱状图进行呈现。

应对负载

在有了描述和定义负载、性能的手段之后，终于来到正题，如何应对负载的不断增长，即使系统具有可伸缩性。

1. 纵向伸缩（scaling up）or 垂直伸缩（vertical scaling）：换具有更强大性能的机器。e.g. 大型机机器学习训练。

2. 横向伸缩（scaling out）or 水平伸缩（horizontal scaling）：“并联”很多廉价机，分摊负载。 e.g. 马斯克造火箭。

负载伸缩的两种方式：

• 自动

• 如果负载不好预测且多变，则自动较好。坏处在于不易跟踪负载，容易抖动，造成资源浪费。

• 手动

• 如果负载容易预测且不长变化，最好手动。设计简单，且不容易出错。

针对不同应用场景：

首先，如果规模很小，尽量还是用性能好一点的机器，可以省去很多麻烦。

其次，可以上云，利用云的可伸缩性。甚至如 Snowflake 等基础服务提供商也是 All In 云原生。

最后，实在不行再考虑自行设计可伸缩的分布式架构。

两种服务类型：

• 无状态服务

• 比较简单，多台机器，外层罩一个 gateway 就行。

• 有状态服务

• 根据需求场景，如读写负载、存储量级、数据复杂度、响应时间、访问模式，来进行取舍，设计合乎需求的架构。

**不可能啥都要，没有万金油架构！**但同时：万变不离其宗，组成不同架构的原子设计模式是有限的，这也是本书稍后要论述的重点。

可维护性（Maintainability）

从软件的整个生命周期来看，维护阶段绝对占大头。

但大部分人都喜欢挖坑，不喜欢填坑。因此有必要，在刚开就把坑开的足够好。有三个原则：

• 可维护性（Operability）

• 便于运维团队无痛接手。

• 简洁性（Simplicity）

• 便于新手开发平滑上手：这需要一个合理的抽象，并尽量消除各种复杂度。如，层次化抽象。

• 可演化性（Evolvability*）***

• 便于后面需求快速适配：避免耦合过紧，将代码绑定到某种实现上。也称为可扩展性（extensibility），可修改性（modifiability） 或可塑性（plasticity）。

可运维性（Operability）：人生苦短，关爱运维

有效的运维绝对是个高技术活：

1. 紧盯系统状态，出问题时快速恢复。

2. 恢复后，复盘问题，定位原因。

3. 定期对平台、库、组件进行更新升级。

4. 了解组件间相互关系，避免级联故障。

5. 建立自动化配置管理、服务管理、更新升级机制。

6. 执行复杂维护任务，如将存储系统从一个数据中心搬到另外一个数据中心。

7. 配置变更时，保证系统安全性。

系统具有良好的可维护性，意味着将可定义的维护过程编写文档和工具以自动化，从而解放出人力关注更高价值事情：

1. 友好的文档和一致的运维规范。

2. 细致的监控仪表盘、自检和报警。

3. 通用的缺省配置。

4. 出问题时的自愈机制，无法自愈时允许管理员手动介入。

5. 将维护过程尽可能的自动化。

6. 避免单点依赖，无论是机器还是人。

简洁性（Simplicity）：复杂度管理

推荐一本书：**A Philosophy of Software Design ，**讲述在软件设计中如何定义、识别和降低复杂度。

复杂度表现：

1. 状态空间的膨胀。

2. 组件间的强耦合。

3. 不一致的术语和命名。

4. 为了提升性能的 hack。

5. 随处可见的补丁（ workaround）。

需求很简单，但不妨碍你实现的很复杂 😉：过多的引入了**额外复杂度（accidental complexity）——**非问题本身决定的，而由实现所引入的复杂度。

通常是问题理解的不够本质，写出了“流水账”（没有任何抽象，abstraction）式的代码。

如果你为一个问题找到了合适的抽象，那么问题就解决了一半，如：

1. 高级语言隐藏了机器码、CPU 和系统调用细节。

2. SQL 隐藏了存储体系、索引结构、查询优化实现细节。

如何找到合适的抽象？

1. 从计算机领域常见的抽象中找。

2. 从日常生活中常接触的概念找。

总之，一个合适的抽象，要么是符合直觉的；要么是和你的读者共享上下文的。

本书之后也会给出很多分布式系统中常用的抽象。

可演化性：降低改变门槛

系统需求没有变化，说明这个行业死了。

否则，需求一定是不断在变，引起变化的原因多种多样：

1. 对问题阈了解更全面

2. 出现了之前未考虑到的用例

3. 商业策略的改变

4. 客户爸爸要求新功能

5. 依赖平台的更迭

6. 合规性要求

7. 体量的改变

应对之道：

• 项目管理上

• 敏捷开发

• 系统设计上

• 依赖前两点。合理抽象，合理封装，对修改关闭，对扩展开放。

参考

1. https://dataintensive.net/
   

2. http://ddia.vonng.com/#/ch1
   

我是青藤木鸟，一个喜欢摄影的分布式系统程序员，更多有意思的文章，欢迎关注我的公众号：“木鸟杂记”。