红帽白皮书新鲜出炉!点击获取,让你的云战略更胜一筹! 了解详情
写点什么

日访问量百亿级的微博如何做缓存架构设计

  • 2020-05-29
  • 本文字数:5264 字

    阅读完需:约 17 分钟

日访问量百亿级的微博如何做缓存架构设计

本文首发中生代技术社区,获授权转载。


微博日活跃用户 1.6 亿+,每日访问量达百亿级,面对庞大用户群的海量访问,良好架构且不断改进的缓存体系具有非常重要的支撑作用。

4 月 21 日,中生代技术走进盒子科技的现场技术交流活动上,新浪微博技术专家陈波为大家讲解了微博 Cache 架构的设计实践过程。

刷微博吗?跟我们一起听听那些庞大的数据是如何呈现的吧!


陈波:大家好,今天的分享主要有以下内容,首先是微博在运行过程中的数据挑战,然后是 Feed 系统架构,接下来会着重分析 Cache 架构及演进,最后是总结、展望。

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。


  1. 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。


  1. 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。


  1. 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。



  1. 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。


  1. 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。


  1. 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。


  1. 进一步优化



  1. 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。


2020-05-29 15:282453

评论

发布
暂无评论
发现更多内容

瓴羊Quick BI连续四年入选Gartner魔力象限ABI报告

流量猫猫头

牧云 • 主机管理助手|正式开放应用市场,梦幻联动雷池WAF等多款开源软件

百川云开发者

云计算 防火墙 云主机 waf 主机管理

Django笔记三十七之多数据库操作(补充版)

Hunter熊

Python django 多数据库

神册!出自阿里P8的深入理解Java虚拟机最新版,让我涨薪60%

Java你猿哥

Java JVM 虚拟机 并发 代码优化

ESG成全球风潮,联想造了一个可持续的“进托邦”

脑极体

数字化进程

设计模式之订阅发布模式

越长大越悲伤

设计模式 发布订阅模式 spring boot3 订阅发布

聊聊技术变现这件事

老张

斜杠青年 技术变现 技术咨询

AIGC背后的技术分析 | 机器学习背后的微分入门

TiAmo

机器学习 AIGC

Go 语言 map 是并发安全的吗?

AlwaysBeta

Go 面试 map

mac端摄影师青睐软件:ON1 Photo RAW 2023.5 中文激活版

真大的脸盆

Mac Mac 软件 图像编辑 编辑图像 照片编辑

点云标注简介及其应用

来自四九城儿

CMake vs Makefile: 如何选择适合你的项目构建工具

小万哥

Linux 程序员 C/C++ 后端开发 cmake

数字化转型应该如何去做?(敏捷思维篇)

数字随行

数字化转型

Vue3 修改项目名称及相关信息

Andy

九章云极DataCanvas公司诚邀您共享AI基础软件前沿技术盛宴

九章云极DataCanvas

PoseiSwap 参赛,参与斯坦福、Nautilus等联合主办的 Hackathon 活动

西柚子

多模块更新,助力模型训练及应用|ModelWhale 版本更新

ModelWhale

人工智能 云计算 数据标注 在线编程 模型服务

极光笔记 | EngageLab Push的多时区解决方案

极光JIGUANG

运营 消息推送 笔记分享 海外

2023-05-26:golang关于垃圾回收和析构函数的选择题,多数人会选错。

福大大架构师每日一题

golang 福大大

C语言编程—作用域规则

攻城狮Wayne

PoseiSwap 参赛,参与斯坦福、Nautilus等联合主办的 Hackathon 活动

BlockChain先知

MySQL 正确使用带有横线“-”SQL语句

Andy

关于斐波那契数列的笔记

贝湖光

世界顶级级架构师编写2580页DDD领域驱动设计笔记,属实有牌面

Java你猿哥

Java 领域驱动设计 DDD crud 领域驱动

不止缓存!Redis这16种妙用你可能没见识过……

Java你猿哥

redis 缓存 分布式 消息队列 全局唯一ID

改变开发的未来 | 探索无服务器与人工智能的协同效应

亚马逊云科技 (Amazon Web Services)

Serverless

Auto-GPT 迈向智能体的第一步——从信息增强和上下文理解开始

Zilliz

Milvus 向量数据库 autogpt gptcache zillizcloud

Zebec生态进展迅速,频被BitFlow、Matryx DAO等蹭热度碰瓷

鳄鱼视界

PoseiSwap  参赛,参与斯坦福、Nautilus Chain等联合主办的 Hackathon 活动

股市老人

PoseiSwap  参赛,参与斯坦福、Nautilus等联合主办的 Hackathon

EOSdreamer111

Go 语言 map 如何顺序读取?

AlwaysBeta

Go 面试 map

日访问量百亿级的微博如何做缓存架构设计_文化 & 方法_技术琐话_InfoQ精选文章