微信直播聊天室架构演进

聊天室概述

---

        

随着直播和类直播场景在微信内的增长，业务对临时消息通道的需求日益增长，聊天室组件应运而生。聊天室组件是一个基于房间的临时消息信道，主要提供消息收发、在线状态统计等功能。

1500w在线的挑战

---

        

视频号直播上线后，在产品上提出了直播后台需要有单房间支撑1500w在线的技术能力。接到这个项目的时候，自然而然就让人联想到了一个非常有趣的命题：能不能做到把13亿人拉个群？

本文将深入浅出地介绍聊天室组件在演进过程的思考，对这个命题做进一步对探索，尝试提出更接近命题答案的方案。

聊天室1.0架构

---

聊天室1.0诞生于2017年，主要服务于微信电竞直播间，核心是实现高性能、高实时、高可扩展的消息收发架构。

消息框架选型：读扩散

---

	微信群	聊天室
参与人数	<=500	数万
关系链	有	无
成员流动	低	高
离线消息	关注	不关注

微信群消息使用写扩散的机制，而聊天室跟微信群有着巨大的差异。且同一时间只能关注一个聊天室，决定了聊天室应该使用读扩散的机制。

longpolling机制

---

为了让用户需要实时同步到新消息，我们采用的是longpolling模式。很多人会疑惑为什么不用websocket，原因有3个：

1. websocket主要考虑推模式，而推模式则有可能丢，做到不丢还是有需要拉模式来兜底；

2. 推模式下，需要精准维护每个时刻的在线列表，难度很大。

3. longpolling本质是一个短连，客户端实现更简单。

无状态cache的设计

很明显，单纯的读扩散，会造成巨大读盘的压力。按照国际惯例，这里理所应当地增加了一个cache，也就是上面架构图中的recvsvr。

                      

普通的cache都是有状态的、可穿透的，对经常会出现突发流量的聊天室不是特别友好。而通过异步线程任务，恰好可以解决这两个点。

① 实时通知：发送消息时，在写入列表后，向recvsvr集群发送通知；

② 异步拉取：recvsvr机器收到通知后，触发异步线程拉取；

③ 兜底轮询：当recvsvr机器上接收到某个聊天室的请求时，触发该聊天室的轮询，保证1s内至少访问一次消息列表，避免通知失效导致无法更cache，同时做到机器启动时数据的自动恢复。

                        

④ 无锁读取：通过读写表分离和原子切换，做到消息的无锁读取

⑤ sect化部署：群数量增多时，扩sect可以把群分摊到新的sect上。

无状态消息cache的设计，不仅极大地提高了系统的性能，而且帮助聊天室建立了一个高扩展性消息收发架构。

         

痛点

---

尽管做到了高性能的消息收发，1.0版本却并不能实现单房间1500w同时在线的目标。通过对整个架构和逻辑进一步的分析，我们发现4个阻碍我们前进的痛点：

（1）大直播间里，消息信道不保证所有消息都下发，连麦成功信令丢失会使得连麦功能不可用，大礼物打赏动画信令丢失会带来客诉；

（2）一个房间的在线列表，是由recvsvr把最近有收取该房间的消息的user聚合到同一台statsvr得到的，有单点瓶颈，单机失败会导致部分房间在线数跳变、在线列表和打赏排行榜不可用等；

（3）没有提供历史在线人数统计功能；

（4）裸的longpolling机制在消息一直有更新的情况下，无法控制请求量。

聊天室2.0架构

---

从上面分析的痛点，我们得出了聊天室2.0需要解决的问题：

（1）解决丢重要信令问题，保证热点访问下功能的可靠性。

（2）解决在线统计的单点瓶颈，保证热点访问下在线统计模块的可扩展性。

（3）实现一个高效准确的历史在线统计，保证大数据量下统计的高性能和准确性。

（4）灵活把控流量，进一步提升隔离和容灾能力，保证热点访问下系统的可用性。

优先级消息列表

丢信令的本质原因：recvsvr只保留最近2000条消息，大直播间里，有些消息客户端还没来的及收就被cache淘汰了。

在聊天室1.0版本，我们已经证实了写扩散不可行，因此这里也不可能通过写扩散解决。

另外一个比较直观的方案：是将重要的系统信令写到另外一个列表里面，recvsvr同时读取两个消息表。带来的消耗是recvsvr对kv层增加将近一倍的访问量。于是，我们思考有没有更优的方案。

回到1.0版本的一个方案细节，我们可以看到大部分情况下，当新消息到来的时候，recvsvr它都是能及时感知到的，因此recvsvr一次拉取到的消息条数并不会很多，因此这一步骤上不会丢消息。所以我们是可以把消息表这个操作收归到recvsvr里面的：

    

① 打优先级标记 ：依然只写一张消息表，给重要的信令打上优先级标记；（节省RPC消耗）

② cache内分表：recvsvr拉到消息后分开普通消息列表和重要消息列表；（最小化改动）

③ 优先收取：收取时分normal seq和important seq，先收重要消息表，再收取普通消息表。（优先下发）

通过一个简单的优化，我们以最小的改造代价，提供到了一条可靠的重要消息信道，做到了连麦和大礼物动画的零丢失。

分布式在线统计

（1）写共享内存，主从互备

参考微信设备在线模块，我们可以有这个一个方案：

① 分sect，一个直播间选一个sect；

② 按roomid选一台机作为master， 读写该机器的共享内存；

③ master把这个roomid的数据同步到sect内其它机器，master挂了的情况可以选其它机器进行读写。

            

优点：解决了换机跳变问题。

缺点：主备同步方案复杂；读写master，大直播间下依然有单机热点问题。

        

结论：用分布式存储作为数据的中心节点。

（2）写tablekv

① 用tablekv的一个表来存在线列表，每行记录用户id和活跃时间；

② 定期更新用户的心跳时间，维护在线。

优点：解决了换机跳变问题，数据做到了分布式。

缺点：1500w在线10s心跳一次 => 9000w/min，穿透写单表有并发和性能问题；离线不会实时从磁盘删数据，历史活跃人数远大于当前在线，造成数据冗余。

逐点击破，单key是可以通过拆key来解决的，数据冗余可以通过key-val存储做全量替换解决，而穿透问题其实可以参考recvsvr的实现方式。因此，我们得到一个比较好的方案：拆key + 读写分离 + 异步聚合落盘。

① 分布统计 :

(1) 每台机负责部分在线统计；

(2) 每台机内按uin哈希再分多shard打散数据；

(3) 每个shard对应kv的一个key；

               

② 组合数据：让每台机都拉取所有key的数据，组合出一个完整的在线列表；

③ 异步聚合更新：心跳只更新内存，异步任务清理离线用户，并把列表序列化到一个key的val；

④ 异步拉取：由异步任务来执行②的拉取和组合数据；

⑤ 原子切换：完整的在线列表做双指针，利用原子操作无锁切换，做到无锁查询。

由此，我们提高了心跳更新和在线查询的性能，做到了在线统计模块的分布式部署和可平行扩展。

基于hyperloglog的历史在线统计

---

历史在线统计，是要曾经看过该直播的用户数uv，在产品上的体验就是视频号直播的“xxx人看过”。

在分布式在线统计的章节，我们已经谈到了，用tablekv来记录成员列表是不太可行的。

另外一个想法，是利用bloomfilter做数据压缩和去重统计，额外去维护一个count做累加。那么这里有两点，一是bloomfilter和count之间要考虑一致性问题，二是bloomfilter准确率跟压缩率相关，较好的准确率还是需要比较大的数据量。

 

于是我们调研了业界的一些uv统计方案，最终找到了redis的hyperloglog，它以极小的空间复杂度就能做到64位整形级别的基数估算。

（1）hyperloglog是什么？

hyperLogLog 是一种概率数据结构，它使用概率算法来统计集合的近似基数，算法的最本源则是伯努利过程。

伯努利过程：设一个硬币反面为0，正面为1，抛一枚硬币直到结果为1为止。

如果做n次伯努利实验，记录每次伯努利过程需要抛硬币的次数为Ki，则可以估算n=2^Kmax。

hyperloglog对Kmax的计算进行了分桶和调和平均值优化，使得在准确率比裸的伯努利估算要高：

① 将要统计的数据hash成一个64位整形；

② 用低14位来寻找桶的位置；

③ 剩下的高位里寻找第一个1出现的位置，作为上述伯努利过程的Ki；

④ 对桶的值进行更新 Rj = max(Rj, Ki);

⑤ 估算时，对各个桶的值算调和平均值DV来替代上述的Kmax。

从上述算法的描述来看，hyperloglog无非就是存了m个桶的数值(m=10000+)，本来空间复杂度也不高了。再通过一些位压缩，hyperloglog把整个数据结构优化到了最大空间复杂度为12K。

（2）tablekv+hyperloglog双管齐下

由于hyperloglog产生的毕竟是近似值，基数较少的时候误差会更明显，所以我们可以用tablekv来补全历史在线数较小时的体验。

① 历史在线数较小时，双写tablekv + hyperloglog，以tablekv selectcount为准；

② 历史在线数较大时，只写hyperloglog，以hyperloglog估算值为准；

③ 在线统计模块定期把在线列表merge到hyperloglog避免丢数据。

最终我们达到的效果是，历史在线不超过1w时完全准确，超过1w时准确率大于95%。

流量隔离vipsect

---

大家都知道，大直播间会带来爆发式的请求量，我们不能让大直播间引起的失败影响占大多数的小直播间。另外大直播间影响力大，也要去保证它的良好体验，那需要用比小直播间更多的机器去支撑。而聊天室对kv层的请求数，跟机器数成正比，小直播间在多机器下会造成大量不必要的消耗。

       

对于这种情况，我们参考了微信支付应对大商户和小商户的方法，流量隔离，在聊天室的里设立vip sect。

① 对可预测的大直播提前加白，直接走vip sect；

② 其它直播直走普通sect；

③ 大小直播策略分级，大直播在线列表才拆key。

虽然还有些依赖运营，但是通过这种方式，我们切走大部分的大直播流量，也降低了整个系统对kv层的压力。

        

Q：为什么不做自动切vip sect ?

A：是一个future work，目前有了一些初步方案，还需要去验证切换过程带来影响，进一步细化策略，也欢迎大家提出宝贵建议。

自动柔性下的流量把控

在longpolling的机制下，直播间一直有消息的话，100w的在线每分钟至少会产生6kw/min的请求，而1500w更是高达9亿/min。logicsvr是cpu密集型的服务，按30w/min的性能来算，至少需要3000台。所以这个地方必须要有一些柔性措施把控请求量，寻找一个体验和成本的平衡点。

       

而这个措施一定不能通过logicsvr拒绝请求来实现，原因是longpolling机制下，客户端接收到回包以后是会马上发起一次新请求的。logicsvr拒绝越快，请求量就会越大，越容易造成滚雪球。

回到longpolling机制，我们可以发现，正常运行下，recvsvr没有新消息时，是可以让请求挂在proxy层hold住，等待连接超时或者longpolling notify的。

       

所以，我们可以利用这个特性，柔性让请求或者回包在proxy hold一段时间，来降低请求频率。

① 根据不同的在线数设定收取间隔；

② 客户端上下文里增加字段，记录上一次成功收取的时间；

③ 成功收取后的一个时间间隔内，请求hold在proxy层；

④ 根据不同的在线数丢弃longpolling notify。

根据400w在线的压测效果，开启自适应大招时触发8～10s档位，请求量比没有大招的预期值降低58%，有效地控制了大直播间对logicsvr的压力。

成果

---

（1）支撑多个业务稳定运行

（2） 压测1500w同时在线

参考文献

https://zhuanlan.zhihu.com/p/77289303

https://www.jianshu.com/p/4748af30d194

总结与展望

---

我们通过抽象问题、精准分析、合理设计完成了liveroom2.0的迭代，从性能、可靠性、可扩展性、容灾等方面达到支撑单房间1500w同时在线甚至更高在线的标准。

     

在未来我们将继续优化，比如实现大房间自动从普通sect切换到vip sect，比如针对房间内个人的重要消息通道，使聊天室的功能和架构更加强大。

正文结束，欢迎来撩，亦期待您的加入！

微信团队诚招后台开发，请点击下方 "阅读原文" 了解和申请职位。

TK教主的职场学习成长心得