本文首发于 木鸟杂记公众号： https://mp.weixin.qq.com/s/g5HiaYLiOXIeL97vO9ZhqA
DDIA 逐章精读（一）：可靠、可扩展、可维护
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。
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：
- 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。
- 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。
- 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：
- 使用何种缓存策略？是旁路还是写穿透？
- 部分组件机器出现问题时，是保证可用性还是保证一致性？
- 当机器一时难以恢复，如何保证数据的正确性和完整性？
- 当负载增加时，是增加机器还是提升单机性能？
- 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）、可扩展性（Scalability）、可维护性（Maintainability）
可靠性
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） 和 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：
- 网络抖动、不通
- 硬盘老化坏道
- 内存故障
- 机器过热导致 CPU 出问题
- 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 或 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：
- 不能处理特定输入，导致系统崩溃。
- 失控进程（如循环未释放资源）耗尽 CPU、内存、网络资源。
- 系统依赖组件变慢甚至无响应。
- 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。
可扩展性
可扩展性，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扩展，而过早为扩展设计往往活不下去。
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 月披露的信息为例进行了说明：
- 识别主营业务：发布推文、首页 Feed 流。
- 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：
- 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。
- 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。
后者事先算出视图，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：
- 吞吐量（throughput）：每秒可以处理的单位数据量，通常记为 QPS。
- 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。
- 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，延迟只是指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，即使系统具有可扩展性。
- 纵向扩展（scaling up）或 垂直扩展（vertical scaling）：换具有更强大性能的机器。e.g. 大型机机器学习训练。
- 横向扩展（scaling out）或 水平扩展（horizontal scaling）：“并联”很多廉价机，分摊负载。e.g. 马斯克造火箭。
负载扩展的两种方式：
- 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，利用云的可扩展性。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扩展的分布式架构。
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
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）。
可维护性（Operability）：人生苦短，关爱运维
有效的运维绝对是个高技术活：
- 紧盯系统状态，出问题时快速恢复。
- 恢复后，复盘问题，定位原因。
- 定期对平台、库、组件进行更新升级。
- 了解组件间相互关系，避免级联故障。
- 建立自动化配置管理、服务管理、更新升级机制。
- 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。
- 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：
- 友好的文档和一致的运维规范。
- 细致的监控仪表盘、自检和报警。
- 通用的缺省配置。
- 出问题时的自愈机制，无法自愈时允许管理员手动介入。
- 将维护过程尽可能的自动化。
- 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：
- 状态空间的膨胀。
- 组件间的强耦合。
- 不一致的术语和命名。
- 为了提升性能的 hack。
- 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：
- 高级语言隐藏了机器码、CPU 和系统调用细节。
- 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？
- 从计算机领域常见的抽象中找。
- 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：
- 对问题阈了解更全面
- 出现了之前未考虑到的用例
- 商业策略的改变
- 客户爸爸要求新功能
- 依赖平台的更迭
- 合规性要求
- 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。