扛住 100 亿次红包请求的后端架构设计

前言

偶然看到了《扛住 100 亿次请求——如何做一个“有把握”的春晚红包系统》一文，看完以后，感慨良多，收益很多。正所谓他山之石，可以攻玉，虽然此文发表于 2015 年，我看到时已经过去良久，但是其中的思想仍然可以为很多后端设计借鉴。

同时作为一名微信后端工程师，看完以后又会思考，学习了这样的文章以后，是否能给自己的工作带来一些实际的经验呢？所谓纸上得来终觉浅，绝知此事要躬行，能否自己实践一下 100 亿次红包请求呢？否则读完以后脑子里能剩下的东西不过就是 100 亿 1400 万 QPS 整流这样的字眼，剩下的文章将展示作者是如何以此过程为目标，在本地环境的模拟了此过程。

实现的目标：单机支持 100 万连接，模拟了摇红包和发红包过程，单机峰值 QPS 6 万，平稳支持了业务。

注：本文以及作者所有内容，仅代表个人理解和实践，过程和微信团队没有任何关系，真正的线上系统也不同，只是从一些技术点进行了实践，请读者进行区分。

背景知识

QPS：Queries per second 每秒的请求数目。

PPS：Packets per second 每秒数据包数目。

摇红包：客户端发出一个摇红包的请求，如果系统有红包就会返回，用户获得红包。

发红包：产生一个红包里面含有一定金额，红包指定数个用户，每个用户会收到红包信息，用户可以发送拆红包的请求，获取其中的部分金额。

确定目标

在一切系统开始以前，我们应该搞清楚我们的系统在完成以后，应该有一个什么样的负载能力。

用户总数

通过文章我们可以了解到接入服务器 638 台，服务上限大概是 14.3 亿用户， 所以单机负载的用户上限大概是 14.3 亿/638 台=228 万用户/台。

但是目前中国肯定不会有 14 亿用户同时在线，参考的说法，2016 年 Q2 微信用户大概是 8 亿，月活在 5.4 亿左右。所以在 2015 年春节期间，虽然使用的用户会很多，但是同时在线肯定不到 5.4 亿。

服务器数量

一共有 638 台服务器，按照正常运维设计，我相信所有服务器不会完全上线，会有一定的硬件冗余，来防止突发硬件故障。假设一共有 600 台接入服务器。

单机需要支持的负载数

每台服务器支持的用户数：5.4 亿/600 = 90 万。也就是平均单机支持 90 万用户。如果真实情况比 90 万更多，则模拟的情况可能会有偏差，但是我认为 QPS 在这个实验中更重要。

单机峰值 QPS

文章中明确表示为 1400 万 QPS。这个数值是非常高的，但是因为有 600 台服务器存在，所以单机的 QPS 为 1400 万/600= 约为 2.3 万 QPS，文章曾经提及系统可以支持 4000 万 QPS，那么系统的 QPS 至少要到 4000 万/600 = 约为 6.6 万, 这个数值大约是目前的 3 倍，短期来看并不会被触及。但是我相信应该做过相应的压力测试。

发放红包

文中提到系统以 5 万个每秒的下发速度，那么单机每秒下发速度 50000/600＝83 个/秒，也就是单机系统应该保证每秒以 83 个的速度下发即可。

最后考虑到系统的真实性，还至少有用户登录的动作，真实的系统还会包括聊天这样的服务业务。

最后整体看一下 100 亿次摇红包这个需求，假设它是均匀地发生在春节联欢晚会的 4 个小时里，那么服务器的 QPS 应该是 10000000000/600/3600/4.0=1157。也就是单机每秒 1000 多次，这个数值其实并不高。

如果完全由峰值速度 1400 万消化 10000000000/(1400*10000) = 714 秒，也就是说只需要峰值坚持 11 分钟，就可以完成所有的请求。可见互联网产品的一个特点就是峰值非常高，持续时间并不会很长。

总结

从单台服务器看，它需要满足下面一些条件：

① 支持至少 100 万连接用户。

② 每秒至少能处理 2.3 万的 QPS，这里我们把目标定得更高一些 ，分别设定到了 3 万和 6 万。

③ 摇红包：支持每秒 83 个的速度下发放红包，也就是说每秒有 2.3 万次摇红包的请求，其中 83 个请求能摇到红包，其余的 2.29 万次请求会知道自己没摇到。当然客户端在收到红包以后，也需要确保客户端和服务器两边的红包数目和红包内的金额要一致。因为没有支付模块，所以我们也把要求提高一倍，达到 200 个红包每秒的分发速度。

④ 支持用户之间发红包业务，确保收发两边的红包数目和红包内金额要一致。同样也设定 200 个红包每秒的分发速度为我们的目标。

想要完整地模拟整个系统实在是太难了，首先需要海量的服务器，其次需要上亿的模拟客户端。这对我来说是办不到，但是有一点可以确定，整个系统是可以水平扩展的，所以我们可以模拟 100 万客户端，再模拟一台服务器，那么就完成了 1/600 的模拟。

和现有系统区别：和大部分高 QPS 测试的不同，本系统的侧重点有所不同。我对 2 者做了一些对比。

基础软件和硬件

软件

Golang 1.8r3 , shell, python (开发没有使用 C++ 而是使用了 Golang, 是因为使用 Golang 的最初原型达到了系统要求。虽然 Golang 还存在一定的问题，但是和开发效率比，这点损失可以接受)。

服务器操作系统：Ubuntu 12.04。

客户端操作系统：debian 5.0。

硬件环境

服务端：dell R2950。8 核物理机，非独占有其他业务在工作，16G 内存。这台硬件大概是 7 年前的产品，性能要求应该不是很高。

服务器硬件版本：

服务器 CPU 信息：

客户端：esxi 5.0 虚拟机，配置为 4 核 5G 内存。一共 17 台，每台和服务器建立 6 万个连接。完成 100 万客户端模拟。

技术分析和实现

单机实现 100 万用户连接

这一点来说相对简单，笔者在几年前就早完成了单机百万用户的开发以及操作。现代的服务器都可以支持百万用户。相关内容可以查看 github 代码以及相关文档、系统配置以及优化文档。

3 万 QPS

这个问题需要分 2 个部分来看客户端方面和服务器方面。

1）客户端 QPS

因为有 100 万连接连在服务器上，QPS 为 3 万。这就意味着每个连接每 33 秒，就需要向服务器发一个摇红包的请求。因为单 IP 可以建立的连接数为 6 万左右，有 17 台服务器同时模拟客户端行为。我们要做的就是保证在每一秒都有这么多的请求发往服务器即可。

其中技术要点就是客户端协同。但是各个客户端的启动时间，建立连接的时间都不一致，还存在网络断开重连这样的情况，各个客户端如何判断何时自己需要发送请求，各自该发送多少请求呢？

我是这样解决的：利用 NTP 服务，同步所有的服务器时间，客户端利用时间戳来判断自己的此时需要发送多少请求。

算法很容易实现：假设有 100 万用户，则用户 id 为 0-999999.要求的 QPS 为 5 万，客户端得知 QPS 为 5 万，总用户数为 100 万，它计算 100 万/5 万=20，所有的用户应该分为 20 组，如果 time() % 20 == 用户 id % 20，那么这个 id 的用户就该在这一秒发出请求，如此实现了多客户端协同工作。每个客户端只需要知道总用户数和 QPS 就能自行准确发出请求了。

扩展思考：如果 QPS 是 3 万这样不能被整除的数目，该如何做？如何保证每台客户端发出的请求数目尽量的均衡呢？

2）服务器 QPS

服务器端的 QPS 相对简单，它只需要处理客户端的请求即可。但是为了客观了解处理情况，我们还需要做 2 件事情。

第一：需要记录每秒处理的请求数目，这需要在代码里埋入计数器。

第二：需要监控网络，因为网络的吞吐情况，可以客观的反映出 QPS 的真实数据。为此，我利用 python 脚本结合 ethtool 工具编写了一个简单的工具，通过它我们可以直观地监视到网络的数据包通过情况如何。它可以客观地显示出我们的网络有如此多的数据传输在发生。

工具截图：

摇红包业务

摇红包的业务非常简单，首先服务器按照一定的速度生产红包。红包没有被取走的话，就堆积在里面。服务器接收一个客户端的请求，如果服务器里现在有红包就会告诉客户端有，否则就提示没有红包。

因为单机每秒有 3 万的请求，所以大部分的请求会失败。只需要处理好锁的问题即可。

我为了减少竞争，将所有的用户分在了不同的桶里。这样可以减少对锁的竞争。如果以后还有更高的性能要求，还可以使用高性能队列——Disruptor 来进一步提高性能。

注意，在我的测试环境里是缺少支付这个核心服务的，所以实现的难度是大大地减轻了。另外提供一组数字：2016 年淘宝的双 11 的交易峰值仅仅为 12 万/秒，微信红包分发速度是 5 万/秒，要做到这点是非常困难的。

发红包业务

发红包的业务很简单，系统随机产生一些红包，并且随机选择一些用户，系统向这些用户提示有红包。这些用户只需要发出拆红包的请求，系统就可以随机从红包中拆分出部分金额，分给用户，完成这个业务。同样这里也没有支付这个核心服务。

监控

最后，我们需要一套监控系统来了解系统的状况，我借用了我另一个项目里的部分代码完成了这个监控模块，利用这个监控，服务器和客户端会把当前的计数器内容发往监控，监控需要把各个客户端的数据做一个整合和展示。同时还会把日志记录下来，给以后的分析提供原始数据。线上系统更多使用 opentsdb 这样的时序数据库，这里资源有限，所以用了一个原始的方案。

监控显示日志大概这样：

代码实现及分析

在代码方面，使用到的技巧实在不多，主要是设计思想和 Golang 本身的一些问题需要考虑。

首先 Golang 的 goroutine 的数目控制，因为至少有 100 万以上的连接，所以按照普通的设计方案，至少需要 200 万或者 300 万的 goroutine 在工作。这会造成系统本身的负担很重。

其次就是 100 万个连接的管理，无论是连接还是业务都会造成一些心智的负担。

我的设计是这样的：

首先将 100 万连接分成多个不同的 SET，每个 SET 是一个独立、平行的对象。每个 SET 只管理几千个连接，如果单个 SET 工作正常，我只需要添加 SET 就能提高系统处理能力。

其次谨慎地设计了每个 SET 里数据结构的大小，保证每个 SET 的压力不会太大，不会出现消息的堆积。

再次减少了 gcroutine 的数目，每个连接只使用一个 goroutine,发送消息在一个 SET 里只有一个 gcroutine 负责，这样节省了 100 万个 goroutine。这样整个系统只需要保留 100 万零几百个 gcroutine 就能完成业务。大量的节省了 cpu 和内存。

系统的工作流程大概是：每个客户端连接成功后，系统会分配一个 goroutine 读取客户端的消息，当消息读取完成，将它转化为消息对象放至在 SET 的接收消息队列，然后返回获取下一个消息。

在 SET 内部，有一个工作 goroutine，它只做非常简单而高效的事情，它做的事情如下，检查 SET 的接受消息，它会收到 3 类消息：

• 客户端的摇红包请求消息；

• 客户端的其他消息，比如聊天好友这一类；

• 服务器端对客户端消息的回应。

对于第 1 种消息是这样处理的，从客户端拿到摇红包请求消息，试图从 SET 的红包队列里获取一个红包，如果拿到了就把红包信息返回给客户端，否则构造一个没有摇到的消息，返回给对应的客户端。

对于第 2 种消息，只需简单地从队列里拿走消息，转发给后端的聊天服务队列即可，其他服务会把消息转发出去。

对于第 3 种消息，SET 只需要根据消息里的用户 id，找到 SET 里保留的用户连接对象，发回去就可以了。

对于红包产生服务，它的工作很简单，只需要按照顺序轮流在每个 SET 的红包产生队列里放置红包对象就可以了。这样可以保证每个 SET 里都是公平的，其次它的工作强度很低，可以保证业务稳定。

实践

实践的过程分为 3 个阶段。

阶段 1

分别启动服务器端和监控端，然后逐一启动 17 台客户端，让它们建立起 100 万的链接。在服务器端，利用 ss 命令统计出每个客户端和服务器建立了多少连接。

命令如下：

Alias ss2=Ss –ant | grep 1025 | grep EST | awk –F: “{print \$8}” | sort | uniq –c’

结果如下：

阶段 2

利用客户端的 http 接口，将所有的客户端 QPS 调整到 3 万，让客户端发出 3W QPS 强度的请求。

运行如下命令：

观察网络监控和监控端反馈，发现 QPS 达到预期数据，网络监控截图：

在服务器端启动一个产生红包的服务，这个服务会以 200 个每秒的速度下发红包，总共 4 万个。此时观察客户端在监控上的日志，会发现基本上以 200 个每秒的速度获取到红包。

等到所有红包下发完成后，再启动一个发红包的服务，这个服务系统会生成 2 万个红包，每秒也是 200 个，每个红包随机指定 3 位用户，并向这 3 个用户发出消息，客户端会自动来拿红包，最后所有的红包都被拿走。

阶段 3

利用客户端的 http 接口，将所有的客户端 QPS 调整到 6 万，让客户端发出 6W QPS 强度的请求。

如法炮制，在服务器端，启动一个产生红包的服务，这个服务会以 200 个每秒的速度下发红包，总共 4 万个。此时观察客户端在监控上的日志，会发现基本上以 200 个每秒的速度获取到红包。

等到所有红包下发完成后，再启动一个发红包的服务，这个服务系统会生成 2 万个红包，每秒也是 200 个，每个红包随机指定 3 位用户，并向这 3 个用户发出消息，客户端会自动来拿红包，最后所有的红包都被拿走。

最后，实践完成。

分析数据

在实践过程中，服务器和客户端都将自己内部的计数器记录发往监控端，成为了日志。我们利用简单 python 脚本和 gnuplt 绘图工具，将实践的过程可视化，由此来验证运行过程。

第一张是客户端的 QPS 发送数据：

这张图的横坐标是时间，单位是秒，纵坐标是 QPS，表示这时刻所有客户端发送的请求的 QPS。

图的第一区间，几个小的峰值，是 100 万客户端建立连接的， 图的第二区间是 3 万 QPS 区间，我们可以看到数据比较稳定地保持在 3 万这个区间。最后是 6 万 QPS 区间。但是从整张图可以看到 QPS 不是完美地保持在我们希望的直线上。这主要是以下几个原因造成的：

① 当非常多 goroutine 同时运行的时候，依靠 sleep 定时并不准确，发生了偏移。我觉得这是 golang 本身调度导致的。当然如果 cpu 比较强劲，这个现象会消失。

② 因为网络的影响，客户端在发起连接时，可能发生延迟，导致在前 1 秒没有完成连接。

③ 服务器负载较大时，1000M 网络已经出现了丢包现象，可以通过 ifconfig 命令观察到这个现象，所以会有 QPS 的波动。

第二张是服务器处理的 QPS 图：

和客户端相对应，服务器也存在 3 个区间，和客户端的情况很接近。但是我们看到了在大概 22：57 分，系统的处理能力就有一个明显的下降，随后又提高的尖状。这说明代码还需要优化。

整体观察可以发现，在 3 万 QPS 区间，服务器的 QPS 比较稳定，在 6 万 QSP 时候，服务器的处理就不稳定了。我相信这和我的代码有关，如果继续优化的话，还应该能有更好的效果。

将 2 张图合并起来 ：

基本是吻合的，这也证明系统是符合预期设计的。

这是红包生成数量的状态变化图：

非常稳定。

这是客户端每秒获取的摇红包状态：

可以发现 3 万 QPS 区间，客户端每秒获取的红包数基本在 200 左右，在 6 万 QPS 的时候，以及出现剧烈的抖动，不能保证在 200 这个数值了。我觉得主要是 6 万 QPS 时候，网络的抖动加剧了，造成了红包数目也在抖动。

最后是 Golang 自带的 pprof 信息，其中有 gc 时间超过了 10ms, 考虑到这是一个 7 年前的硬件，而且非独占模式，所以还是可以接受。

总结

按照设计目标，我们模拟和设计了一个支持 100 万用户，并且每秒至少可以支持 3 万 QPS，最多 6 万 QPS 的系统，简单模拟了微信的摇红包和发红包的过程。可以说达到了预期的目的。

如果 600 台主机每台主机可以支持 6 万 QPS，只需要 7 分钟就可以完成 100 亿次摇红包请求。

虽然这个原型简单地完成了预设的业务，但是它和真正的服务会有哪些差别呢？我罗列了一下：

本文转载自技术琐话公众号。

原文链接：https://mp.weixin.qq.com/s/UvW8uYxV-zD67jJOXdZG-g