日访问量百亿级的微博如何做缓存架构设计-InfoQ

你在使用哪种编程语言？快来投票，亲手选出你心目中的编程语言之王了解详情 



 写点什么

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。

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。

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

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。

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。

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。

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。

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。