大型互联网架构基础概述学习

以下内容主要摘自Jimmy Huang《大型互联网架构概述》

---

大型互联网架构的特点，依旧遵循着“分而治之”的理念。下图是目前大型互联网架构常见的逻辑架构：

传统大型互联网逻辑架构图

互联网架构的主要目标，是满足以下非功能的需求：

• 低成本：主要可以用QPS（Query Per Second）指标来衡量
• 高可用
• 易伸缩
• 高安全

基于逻辑架构图，对整个调用过程的简要分析如下：
1.DNS

• 当用户在浏览器中输入网站地址后，浏览器会检查浏览器缓存中是否存在对应域名的解析结果。如果有，则解析过程结束；否则进入下一个步骤
• 浏览器查找操作系统缓存中是否存在这个域名的解析结果。这个缓存的内容来源就是操作系统的hosts文件。如果有，则解析过程结束；否则进入下一个步骤
• 前两个步骤都是本地查找，没有发生网络交互。在本步骤中，会使用到在网络配置的中DNS地址。这个地址我们通常称之为LDNS（Local DNS）。操作系统会把域名发送给LDNS解析。如果解析成功，则解析过程结束；否则进入下一个步骤
• LDNS将请求返回给GTLD（Global Top Level Domain）服务器，GTLD服务器查找此域名对应的Name Server域名的地址。这个Name Server通常就是你的域名提供商的服务器。Name Server根据客户请求，返回该域名对应的IP地址和TTL(Time To Live)值。
• 浏览器根据TTL值，把这个域名对应的IP缓存在本地系统中。域名至此解析结束

2.CDN
CDN（Content Delivery Network，内容分发网络）部署在网络提供商的机房里面。在用户请求网站服务时，可以从距离自己最近的网络提供商获取数据。比如视频网站和内容网站的热点内容。

如果需要自己搭建CDN系统，有3种主流方案可以选择:

• squid是缓存服务器科班出生,自己实现了一套内存页/磁盘页的管理系统
• varnish是觉得squid性能不行，varnish觉得linux内核已经把虚拟内存管理做得很好了，squid的多此一举反而影响了性能。
• nginx cache是属于不务正业，得益于nginx强大的插件机制

3.LB
LB(Load Balance，负载均衡)就是将负载（用户的请求）根据某些策略，将负载分摊给多个操作单元执行。该技术可以提供服务器的响应速度以及利用效率，避免出现单点失效。
这里回顾下前面介绍的两个小节，其实本质上把数据分类（根据数据更新频率，分为动态文件，静态文件），并把数据放在离距离用户最近的地方。另外一点就是，在DNS和CDN具体实现时，也是大量使用了负载均衡技术。
常见的负载均衡算法由：RR（Round Robin，轮询）,WRR（Weighted RR，加权轮询），Random（随机），LC（Least Connection，最少连接），SH（Source Hash,源址哈希）
在常见的互联网架构中，通常使用软件负载：

• LVS+HAproxy+WebServer（Nginx）。在部署时，LVS，HAProxy，WebServer都会部署一个集群，用来进行负载均衡。LVS工作在第4层，在网络层利用IP地址进行转发。 HAProxy工作在第7层，根据用户的HTTP请求（比如根据URL，消息头）来进行转发。
• 在上述实现中，通常还会使用Keepalived+VIP(虚IP) 技术。Keepalived 提供健康检查，故障转移，提高系统的可用性。通过VIP（配置DNS 绑定域名）的形式对网站进行访问。

4.WEB APP

• 前端技术：遵循基本的Web前端优化经验，详见CSDN《Web前端优化最佳实践及工具集锦 》介绍。另外还可以使用BigPipe，动态页面静态化，无限滚动的翻页技术等技术提供更好的用户体验。另外一部分就是考虑mobile技术了。
• 后端技术：
• HTTP协议：HTTP协议大概分为请求头，请求体，响应头，响应体。无论是WebServer还是ApplicationServer，很多花样都是基于请求头的请求路径来玩的。
• API接口：使用RESTFUL API，暴露接口。它具有如下好处：
  1. 充分利用 HTTP 协议本身语义。
  2. 面向资源，一目了然，具有自解释性。
  3. 无状态，在调用一个接口（访问、操作资源）的时候，可以不用考虑上下文，极大的降低了复杂度。
• Application Server：在Java中，为了保证程序能够在各个厂商的Application Server中兼容运行，Sun公司为制定了J2EE规范。从技术发展路径来看， Serverlet、JSP演变都是为了更好地方便程序员们编程。以典型的Tomcat为例，Connector和Container组成一个 Service，多个Service组成一个Server。Connector主要负责接受外部请求，Container负责处理请求。Server提供了生命周期管理，如启动，停止等。
• Session Framework：在大型互联网架构中，单台机器已经存放不了用户的登录信息。同时为了支持故障转移等特性，需要一套session管理机制，支持海量用户同时在线。通常可以在遵循J2EE的容器内，使用Filter模式和分布式缓存系统来实现。
• MVC：即Model，View和Controller。Model代表业务逻辑，View表示页面视图，Controller表示根据用户请求，执行相应的业务逻辑，并选择适当的页面视图返回。用过ROR的同学都知道，里面的router配置了什么样的URL和什么样的action相对应。相应的，MVC的本质就是根据不同的URL选择不同的servlet来执行。只不过，结合了Intercepting Filter提供了强大的功能而已。
• IOC：至于为什么需要IOC，在这篇文章进行了讨论。究其本质实现，无非是反射+单例模式+Hash算法+字节码增强+ThreadLocal。前3者用来实现对象生命周期的管理，后2者用来支持AOP，声明式事务。
• ORM：ORM主要完成了类和表的映射，对象和一条表数据记录的映射。其核心实现是通过jdbc获取数据库的meta信息，然后根据映射关系（这里可以通过COC（Conversion Over Configuration，约定优于配置），注解等技术来简化配置）来动态生成sql和返回数据库的执行结果。

5.SOA
网站架构的演进之路，从单一应用架构到垂直应用架构，分布式服务架构以及流动计算架构，越来越体现SOA框架的重要性。这里以优秀的开源实现dubbo为例，简单介绍下。
dubbo的功能介绍见服务治理过程，对dubbo架构详细介绍的有如何学习dubbo源代码和dubbo源代码阅读。
简而言之，就是使用了spring的schema的扩展机制，进而支持自定义dubbo标签；通过类似serviceload机制配置多个可选服务。通过jdk动态代理和Javassist，使服务调用透明化。结合ZooKeeper实现高可用元数据管理

6.MQ
MQ（Message Queue，消息队列）使服务调用异步化，可以消除并发访问洪峰，提升网站响应速度。 在MQ实现中，可以参考Kafka/Metaq设计思想学习笔记

7.CACHE
Cache就是将数据放到距离计算最近的地方，用来加快处理速度。通常对一定时间内的热点数据进行缓存。 在使用缓存时，需要注意缓存预热和缓存穿透问题。
一般海量数据的缓存系统不会使用Java来实现，是因为Java有额外的对象大小开销以及GC压力。所以一般是用ANSI C来实现。目前用的比较火的是Redis，更多介绍请查看Redis资料汇总

**8.Storage **
在出现NOSQL之前，一统天下的是MySQL分库分表技术。结合类似TDDL等SQL agent技术，也能够执行类似join的操作。后来，就像忽如一夜春风来，出现了很多NOSQL/分布式存储系统产品。
分布式存储系统是分布式系统中最复杂的一部分，相比较SOA,CACHE等框架，它需要解决的问题更加复杂。常见的问题如下：

• 数据分布 在多台服务器之间保证数据分布均匀，跨服务器如何读写
• 一致性 异常情况下如何保证副本一致性
• 容错 把发生故障当成常态来设计，做到检测是否发生故障并进行故障迁移
• 负载均衡 新增、移除服务器时如何负载均衡 数据迁移如何不影响已有服务
• 事务并发控制 如何实现分布式事务，如何实现多版本并发控制
• 压缩、解压缩 根据数据特点选择恰当算法，如何平衡时间和空间的关系。

延伸理解可阅读《大规模分布式存储系统原理解析与架构实战》和google的两篇存储论文。

其它

• 配置数据、元数据管理系统：可以查看这篇ZooKeeper和Diamond有什么不同
• 搜索系统：机器学习分析用户行为，结合搜索进行推荐排名。 各种大数据分析工具。
• 云计算：硬件虚拟化。创业公司可以购买云服务，避免固定资产开销，可能闲置， 购买，管理，安装费用 ，无法迅速购买等问题，属于浮动消费，类似开车和租车的区别，仅是租用服务。 云厂商在能源，制冷，运维成本，量大硬件定制，充分利用闲置资源具有优势。
• 鹰眼系统：日志规范化+打点+数据分析+树状展现，详细介绍可以参考 鹰眼下的淘宝-分布式调用跟踪系统介绍
• 系统运维： 目标是自动化运维。监控各种资源指标：
  • OS:（cpu，memory，disk（空间，读写次数））
  • 网络流量
  • 中间件： tomcat， jvm，
  • MQ:通过监控生产者，broker，消费者之间的队列情况，动态决定增加、减少消费者
  • 服务框架自省（运维监控） 依赖关系统计，前台系统访问路径，
  • 显示各种监控结果：Agent —》 Explorer ，Analyze，Visual，Dashboard，Share。
  • 预警，运维 自动、手工降级，系统问题自动排查甚至问题自动修复，
• 能源节省：能源消耗（CPU、机柜、水冷）
• 系统安全：涉及系统的方方面面，各种脚本，sql注入，0day等等。
• 版本开发、版本发布：开发环境，测试环境，支持开速发布，短周期，灰度发布，蓝绿发布、回滚降级流程、周边协调。 大众点评的有个关于开发环境搭建的，感兴趣的可以点击打造高效的单机开发环境。
• 数据中心：在《程序员》2014年第一期介绍里面，提到了阿里使用了ZONE的概念来解决横向扩展的问题。阿里主要是为了解决机房网络瓶颈和超大规模系统的伸缩性问题，把完成某一特定业务需要的系统、核心服务、数据库组合成一个业务单元