估算模型：

1. 用户量预估

2. 用户行为建模

3. 性能需求计算

一. 计算性能预估(不需要考虑存储性能);

【用户量】

1. 2020.9 月月活 5.11 亿，日活 2.24 亿(参考《微博 2020 用户发展报告》)。

【关键行为】

1. 发评论;

2. 看评论;

【用户行为建模和性能估算】

1.写评论

考虑到微博是一个看得多发的少的业务，假设平均每天每人发 1 条微博(只考虑文字微博)，则微博每天的发送量约为 2.5 亿条。 大部分的人发微博集中在早上 8:00~9:00 点，中午 12:00~13:00，晚上 20:00~22:00，假设这几个时间段发微博总量占 比为 60%，则这 4 个小时的平均发微博的 TPS 计算如下:

2.5 亿 * 60% / (4 * 3600) ≈ 10 K/s

同时，我们假设写微博的次数中，平均一条微博有 5 条评论。

大部分人写微博评论的时间段和发微博的时间段基本重合，因此写微博评论的平均 TPS 计算如下:

10 K/s*5≈ 50 K/s

写评论

【业务特性分析】

写微博评论是一个典型的写操作，因此不能用缓存，可以用负载均衡。

【架构分析】

用户量过亿，应该要用多级负载均衡架构，覆盖 DNS->F5->Nginx->网关的多级负载均衡。

【架构设计】

1. 负载均衡算法选择

微博评论的时候依赖登录状态，登录状态一般都是保存在分布式缓存中的，因此微博评论的时候，将请求发送给任意服务器都可以， 这里选择“轮询”或者“随机”算法。

2. 业务服务器数量估算

写微博评论涉及几个关键的处理:内容审核(依赖审核系统)、数据写入存储(依赖存储系统)、数据写入缓存(依赖缓存系统)， 因此按照一个服务每秒处理 500 来估算，完成 50K/s 的 TPS，需要 100 台服务器，加上一定的预留量，120 台服务器差不多了。

2.看评论

由于绝大部分微博用户看微博的对象是大 V 和明星，因此我们假设平均一条微博观看人数有 100 次，则观看微博的次数为:

2.5 亿 * 100 = 250 亿.

大部分人看微博的时间段和发微博的时间段基本重合，因此看微博的平均 QPS 计算如下:

250 亿 * 60% / (4*3600) = 1000K/s

同时，我们假设看微博的次数中，有 10%的看微博请求会去读评论，大部分人读微博评论的时间段和看微博的时间段基本重合，因此微博评论的平均 QPS 计算如下:

1000K/s*10 = 100K/s

看评论

【业务特性分析】

看微博评论是一个典型的读场景，由于微博评论发了后不能修改，因此非常适合用缓存架构，同时由于请求量很大，负载均衡架构也需要。

【架构分析】

1. 用户量过亿，应该要用多级负载均衡架构

2. 请求量达到 25 亿，应该要用多级缓存架构，尤其是 CDN 缓存，是缓存设计的核心。

【架构设计】

1.负载均衡算法选择 游客都可以直接看微博评论，因此将请求发送给任意服务器都可以，这里选择“轮询”或者“随机”算法。

2. 业务服务器数量估算

假设 CDN 能够承载 90%的用户流量，那么剩下 10%的读微博评论的请求进入系统，则请求 QPS 为 100K/s * 10% = 10K/s，由于读取微博评论的处理逻辑比较简单，主要是读缓存系统，因此假设单台业务服务器处理能力是 1000/s，则机器数量为 10 台，按照 20%的预留 量，最终机器数量为 12 台。

二. 非热点事件时的高性能计算架构，需要考虑是否要拆分独立的服务;

多级负载均衡整体架构

（评论整体功能重要性相对微博要低，可不必进行服务拆分）

多级缓存整体架构

三、热点事件时的高可用计算架构

热点事件指某个大 V 或者明星爆料或者官宣，虽然只有一两条微博，但引起大量用户在短时间内访问，给系统 造成很大压力。

【转发微博】

造成热点事件的微博自己只有 1~2 条，但是用户围观后会有很多转发，假设有 10%的围观用户会在事件发生后 60 分钟内转发。

【看微博】

很难预估，和事件的影响力和影响范围有关

【业务特性分析】

1. 写评论

转发微博的业务逻辑基本等同于发微博，随即引起写评论的数量和频率增加

2. 看微博

热点事件发生后，绝大部分读评论请求都落在了导致热点事件发生的那一条微博上面的读请求

但是，评论的读写相对于微博的读写，业务重要性差很多，就算出现时延和熔断业务总体上也是可以接受的。