分布式 - 演进过程
单机架构
网站初时，应用数量和用户量都极少，可以把应用程序和数据库部署在同一台服务器上。
第一次演进：应用与数据库分离
应用与数据库对资源的消耗不同，分开部署在独立的服务器上能显著提高两者各自性能。
随着用户数的增长，并发读写数据库成为瓶颈
第二次演进：引入缓存
缓存能把绝大多数请求在读写数据库前拦截掉，大大降低数据库压力。
使用分布式缓存，例如 Redis，会涉及到缓存一致性、缓存穿透/击穿、缓存雪崩、热点数据集中失效等问题
缓存抗住了大部分的请求访问，随着用户数的增长，并发压力主要落在单机的应用服务器上，响应逐渐变慢
第三次演进：引入反向代理实现负载均衡
在多台服务器上部署应用服务，使用反向代理把请求均匀分发到每个应用服务中
使用反向代理涉及的技术包括：Nginx等反向代理软件，Session共享、文件上传下载问题
反向代理使应用服务可支持的并发量大大增加，但高并发的增长也意味着更多请求穿透到数据库，单机数据库最终成为瓶颈
第四次演进：数据库读写分离
把数据库划分为读库和写库，读库可以有多个，通过同步机制把写库的数据同步到读库，对于需要查询最新写入数据场景，可通过在缓存中多些一份，通过缓存获得最新数据。
其中涉及到的技术问题：Mycat数据库中间件，组织数据库的分离读写和分库分表。数据同步、数据一致性问题
业务逐渐变多，不同业务之间的访问量差距较大，不同业务直接竞争数据库，互相影响性能
第五次演进：数据库按业务分库
把不同业务的数据保存到不同的数据库中，使业务之间的资源竞争降低，对于访问量大的业务，可以部署更多的服务器来支撑，这样同时导致跨业务的表无法直接做关联分析，需要通过其他途径来解决。
随着用户的增长，单机的写库会逐渐达到性能瓶颈
第六次演进：把大表拆分为小表
比如针对评论可以按照商品ID进行hash，路由到对应的表中存储；针对支付记录，可按小时创建，每个小时表继续拆分为小表，使用用户ID或记录编号来路由数据。只要实时操作的表数据量足够小，请求能够足够均匀的分发到多态服务器的小表上，那数据库就能通过水平扩展的方式来提高性能。
数据库设计到这种结构时，已经可以称之为分布式数据库。数据库里不同的组成部分是由不同的组件单独来实现的，如分库分表的管理和请求分发，由Mycat实现；SQL的解析由单机的数据库实现；读写分离可能由网关和消息队列来实现；查询结果的汇总有数据库接口层来实现等等，这种架构其实是MPP（大规模并行处理）架构的一类实现
MPP数据库开源比较多：Greenplum、TiDB、Postgresql XC、HAWQ等。不同的MPP数据库的侧重点也不一样，如TiDB更侧重于分布式OLTP场景、Greenplum更侧重于分布式OLAP场景。
数据库和应用程序都能够水平扩展，可支撑的并发大幅提高，随着用户数的增长，最终单机的Nginx会成为瓶颈
第七次演进：使用LVS或F5来负载均衡
由于瓶颈在Nginx，因此无法通过两层的Nginx来实现多个Nginx的负载均衡。LV5和F5是工作在网络第四层的负载均衡解决方案，其中LVS是软件，运行在操作系统内核态，可对TCP请求或更高层次的网络协议进行转发，因此支持的协议更丰富，并且性能也远高于Nginx，可假设单机的LVS可支持几十万并发的请求转发；F5是一种负载均衡硬件，与LVS提供的能力类似，性能比LVS更高，但价格昂贵。由于LVS是单机版的软件，若LVS所在服务器宕机则会导致整个系统无法访问，因此需要有备用节点。可使用keepalived软件模拟出虚拟IP，然后把虚拟IP绑定到多态LVS服务器上，浏览器访问虚拟IP时，会被路由器重定向到真实的LVS服务器，当主LVS服务器宕机时，keepalived软件会自动更新路由器中的路由表，把虚拟IP重定向到另外一台正常的LVS服务器，从而达到LVS服务器高可用的效果
第八次演进：通过DNS轮询实现机房间的负载均衡
在DNS服务器中可配置一个域名对应多个IP地址，每个IP地址对应到不同的机房里的虚拟IP。当用户访问域名时，DNS服务器会使用轮询策略或其他策略，来选择某个IP供用户访问。此方式能实现机房间的负载均衡，至此，系统可做到机房级别的水平扩展，千万级到亿级的并发量都可通过增加机房来解决，系统入口处的请求并发量不再是问题
随着数据的丰富程度和业务的发展，检索、分析等需求越来越丰富，单单依靠数据库无法解决如此丰富的需求
第九次验证：引入NoSQL数据库和搜索引擎等技术
数据库中的数据多到一定规模时，数据库就不适用与复杂的查询了，往往只能满足普通查询的场景。对于统计报表场景，在数据量大时不一定能跑出结果，而且在跑复杂查询时会导致其他查询变慢，对于全文检索，可变数据结构等场景，数据库天生不适用。因此需要针对特定场景，引入合适的解决方案。如对海量文件存储，可通过分布式文件系统HDFS解决，对于key-value类型的数据，可通过HBase和Redis等方案解决，对于全文检索场景，可通过搜索引擎如ElasticSearch解决，对于多维分析场景，可通过Kylin或Druid等方案解决。
引入更多组件同时会提高系统的复杂度，不同的组件保存的数据需要同步，需要考虑一致性的问题，需要有更多的运维手段来管理这些组件等。
引入更多组件解决了丰富的需求，业务维度能够极大扩充，随之而来的是一个应用中包含了太多的业务代码，业务的升级迭代变得更困难
第十次演进：大应用拆分为小应用
按照业务模块来划分应用，使单个应用的职责更清晰，相互之间可以做到独立升级迭代。
这时应用之间可能会涉及到一些公共配置，可以通过分布式配置中心Zookeeper来解决
不同应用之间存在共用的模块，由应用单独管理会导致相同代码存在多份，导致公共功能升级时全部应用代码都要跟着升级
第十一次演进：复用的功能抽离成微服务器
如用户管理、订单、支付、鉴权等功能在多个应用中都存在，那么可以把这些功能的代码单独抽取出来形成一个单独的服务来管理，这样的服务就是所谓的微服务，应用和服务之间通过HTTP、TC或RPC请求等多种方式来访问公共服务，每个单独的服务都可以由单独的团队来管理。
可以通过Dubbo、SpringCloud等框架实现服务治理、限流、熔断、降级等功能，提高服务的稳定性和可用性
不同服务的接口访问方式不同，应用代码需要适配多种访问方式才能使用服务，此外，应用访问服务，服务之间也可能互相访问，调用链将会变得非常复杂，逻辑变得混乱。
第十二次演进：引入企业服务总线ESB屏蔽服务接口的访问差异
通过ESB统一进行访问协议转换，应用统一通过ESB来访问后端服务，服务与服务之间也通过ESB来互相调用，以此降低系统的耦合程度。这种单个应用拆分为多个应用，公共服务单独抽取出来管理，并使用企业消息总线来解除服务之间耦合问题的架构，就是所谓的SOA（面向服务）架构。
业务不断发展，应用和服务都会不断变多，应用和服务的部署变得复杂，同一台服务器上部署多个服务还要解决运行环境冲突的问题，此外，对于如大促这类需要动态扩容的场景，需要水平扩展服务的性能，就需要在新增的服务上准备运行环境，部署服务等，运维将变得十分困难
第十三次演进：引入容器化技术实现运行环境隔离与动态服务管理
目前最流行的容器化技术是Docker，最流行的容器管理服务是Kubernetes（K8S），应用/服务可以打包为Docker镜像，通过Kubernetes来动态分发和部署镜像。Docker镜像可以理解为一个能运行你的应用/服务的最小的操作系统，里面放着应用/服务的运行代码，运行环境根据实际的需要设置好。把整个“操作系统”打包为一个镜像后，就可以分发到需要部署相关服务的机器上，直接启动Docker镜像就可以把服务起起来，使服务的部署和运维变得简单。
使用容器化技术后服务动态扩容问题得以解决，但机器还是需要公司自身来管理，在非大促的时候，还是需要闲置着大量的机器资源来应对大促，机器自身成本和运维成本都极高，资源利用率地
第十四次演进：以云平台承载系统
系统可部署到公有云上，利用公有云的海量机器资源，解决动态硬件资源的问题，在大促的时间段里，在云平台中临时申请更多的资源，结合Docker和K8S来快速部署服务，在大促结束后释放资源，真正做到按需付费，资源利用率大大提高，同时大大降低了运维成本。
