架构设计内容分享(六十九)：100w人在线的 弹幕 系统，是怎么架构的？
目录
100w用户同时在线的弹幕系统背景
问题分析
架构设计和优化
业务解耦+服务拆分
业务解耦+服务拆分的具体架构方案
解耦之后的优势：
引入本地缓存优化高并发读
引入限流，优化高并发写
使用滑动窗口，实现无锁化读写
通过短轮训实现弹幕促达
弹幕卡顿、丢失分析
基于AJAX的长轮询方案 （Long Polling via AJAX）
基于WebSockets 的双向通讯方案
Long Polling vs Websockets
传输优化、节约带宽
总结
100w用户同时在线的弹幕系统背景
为了更好的支持 shopee 东南亚直播业务，Shopee 平台产品设计为直播业务增加了弹幕。
第一期弹幕使用腾讯云支持，效果并不理想，
主要问题是：
-
经常卡顿、
-
弹幕偏少等问题。
最终促使Shopee团队，定制开发自己的弹幕系统。
其性能规划是：单房间百万用户同时在线。
没有看错：「百万用户同时在线，而且是单房间」。
假如说每3秒促达用户一次，百万用户同时在线，单房间具体QPS将超过30w QPS
没有看错：「单房间具体QPS将超过30w QPS」
问题分析
按照背景来分析，系统将主要面临以下问题：
-
带宽压力
❝
假如说每3秒促达用户一次，那么每次内容至少需要有15条才能做到视觉无卡顿。
15条弹幕+http包头的大小将超过3k，那么每秒的数据大小约为8Gbps，
而运维同学通知我们所有服务的可用带宽仅为10Gbps。
❞ -
弱网导致的弹幕卡顿、丢失
❝
该问题已在线上环境
❞ -
性能与可靠性
❝
百万用户同时在线，按照上文的推算，具体QPS将超过30w QPS。
如何保证在双十一等重要活动中不出问题，至关重要。性能也是另外一个需要着重考虑的点。
❞
架构设计和优化
那么，该如何做架构设计和优化呢？
主要的架构优化有：
-
业务解耦+服务拆分
-
引入本地缓存，优化高并发读
-
引入限流，优化高并发写
-
使用滑动窗口，实现无锁化读写
-
通过短轮训实现弹幕促达
-
传输优化、节约带宽
业务解耦+服务拆分
为了保证服务的稳定性我们对服务进行了拆分，进行业务解耦+服务拆分
业务解耦+服务拆分的具体架构方案
将逻辑较为复杂、调用较少的发送弹幕业务与逻辑简单、调用量高的弹幕拉取服务拆分开来。
将复杂的逻辑收拢到发送弹幕的一端。
服务拆分主要考虑因素是为了不让服务间相互影响，
对于这种系统服务，不同服务的QPS往往是不对等的，
例如像拉取弹幕的服务的请求频率和负载，通常会比发送弹幕服务高1到2个数量级，
解耦之后的优势：
实现一个小3高的目标：高可用、高扩展、高协同
-
高可用
最⼤度地保证系统的可用性，
在这种情况下，不能让拉弹幕服务把发弹幕服务搞垮，
反之亦然，不能让 发弹服务把拉弹幕服务 搞垮
-
高扩展
方便扩容和缩容
更加方便对各个服务做Scale-Up和Scale-Out。
-
高协同
方便协同开发
服务拆分也划清了业务边界，方便协同开发。
引入本地缓存优化高并发读
「在拉取弹幕服务的一端：引入本地缓存」
数据更新的策略是：
服务会定期发起RPC调⽤，从弹幕服务拉取数据，拉取到的弹幕缓存到内存中，
这样后续的请求过来时便能直接⾛走本地内存的读取，大大幅降低了调用时延。
这样做还有另外一个好处就是缩短调⽤链路，把数据放到离⽤户最近的地⽅
同时还能降低外部依赖的服务故障对业务的影响，
引入限流，优化高并发写
「在发送弹幕的一端: 限流（有损服务）」，
因为用户一定时间能看得过来弹幕总量是有限的，
所以可以对弹幕进行限流，有选择的丢弃多余的弹幕。
同时，采用柔性的处理方式，拉取用户头像、敏感词过滤等分支在调用失败的情况下，仍然能保证服务的核心流程不受影响，即弹幕能够正常发送和接收，提供有损的服务。
使用滑动窗口，实现无锁化读写
弹幕数据的读写，如果使用阻塞队列，那么需要加锁
如果加锁，在超高并发场景，会性能非常低
如何实现无锁化读写呢
基于滑动窗口技术，实现无锁化读写，保证在「超高并发场景并发读写的性能」
为了数据拉取方便，我们将数据按照时间进行分片，将时间作为数据切割的单位，按照时间存储、拉取、缓存数据（RingBuffer），简化了数据处理流程。
与传统的Ring Buffer不一样的是，我们只保留了尾指针，
它随着时间向前移动，每⼀秒向前移动一格，把时间戳和对应弹幕列表并写到一个区块当中，因此最多保留60秒的数据。
同时，如果此时来了一个读请求，那么缓冲环会根据客户端传入的时间戳计算出指针的索引位置，并从尾指针的副本区域往回遍历直至跟索引重叠，收集到一定数量的弹幕列表返回，
这种机制保证了缓冲区的区块是整体有序的，因此在读取的时候只需要简单地遍历一遍即可，加上使用的是数组作为存储结构，带来的读效率是相当高的。
再来考虑可能出现数据竞争的情况。
先来说写操作，由于在这个场景下，写操作是单线程的，因此⼤可不必关心并发写带来的数据一致性问题。
再来说读操作，由图可知写的方向是从尾指针以顺时针⽅向移动，而读方向是从尾指针以逆时针方向移动，
⽽决定读和写的位置是否出现重叠取决于index的位置，
由于我们保证了读操作最多只能读到30秒内的数据，因此缓冲环完全可以做到无锁读写
通过短轮训实现弹幕促达
Long Polling和Websockets都不适用弱环境，
所以我们最终采取了「短轮训」的方案来实现弹幕促达
弹幕卡顿、丢失分析
在开发弹幕系统的的时候，最常见的问题是该怎么选择促达机制，
-
推送 vs 拉取 ？
-
长轮询 vs 短 轮询
基于AJAX的长轮询方案 （Long Polling via AJAX）
客户端打开一个到服务器端的 AJAX 请求，然后等待响应，
服务器端需要一些特定的功能来允许请求被挂起，只要一有事件发生，服务器端就会在挂起的请求中送回响应。
如果打开Http的Keepalived开关，还可以节约握手的时间。
「优点：」
减少轮询次数，低延迟，浏览器兼容性较好。
「缺点：」
服务器需要保持大量连接。
基于WebSockets 的双向通讯方案
长轮询虽然省去了大量无效请求，减少了服务器压力和一定的网络带宽的占用，但是还是需要保持大量的连接。
那么人们就在考虑了，有没有这样一个完美的方案，即能双向通信，又可以节约请求的 header 网络开销，并且有更强的扩展性，最好还可以支持二进制帧，压缩等特性呢？
于是人们就发明了这样一个目前看似“完美”的解决方案 —— WebSocket。
「它的最大特点就是：」
服务器可以主动向客户端推送信息，客户端也可以主动向服务器发送信息，是真正的双向平等对话。
「优点1：较少的控制开销，」
较少的控制开销：在连接创建后， WS用于协议控制的数据包头部相对较小。
在不包含扩展的情况下，服务端到客户端WS 头部大小只有2至10字节（和数据包长度有关）；
对于客户端到服务器的内容，此头部还需要加上额外的4字节的掩码。
但是，与 HTTP 头部比，此项开销显著减少了。
「优点2：更强的实时性，」
WEBSocket由于协议是全双工的，服务器可以随时推数据。
WEBSocket延迟明显更少；
「优点3：长连接，保持连接状态」。
Long Polling vs Websockets
无论是以上哪种方式，都使用到TCP长连接，那么TCP的长连接是如何发现连接已经断开了呢？
TCP Keepalived会进行连接状态探测，探测间隔主要由三个配置控制。
❝keepalive_probes：探测次数（默认：7次）
keepalive_time 探测的超时（默认：2小时）
keepalive_intvl 探测间隔(默认：75s)
❞
但是由于在东南亚的弱网情况下，TCP长连接会经常性的断开:
❝Long Polling 能发现连接异常的最短间隔为：min(keepalive_intvl, polling_interval)
Websockets能发现连接异常的最短间隔为：Websockets: min(keepalive_intvl, client_sending_interval)
❞
如果下次发送数据包的时候可能连接已经断开了，所以使用TCP长连接对于两者均意义不大。
并且弱网情况下, Websockets其实已经不能作为一个候选项了
-
即使Websockets服务端已经发现连接断开，仍然没有办法推送数据，只能被动等待客户端重新建立好连接才能推送，在此之前数据将可能会被采取丢弃的措施处理掉。
-
在每次断开后均需要再次发送应用层的协议进行连接建立。
根据了解, 腾讯云的弹幕系统:
-
在300人以下使用的是推送模式，
-
300人以上则是采用的轮训模式。
但是考虑到资源消耗情况，他们可能使用的是Websocket来实现的弹幕系统，
也就是 300人以上轮训模式， 腾讯云也是基于Websocket 来实现的，不太可能基于 AJAX来实现，
正式因为基于Websocket ，在弱网环境下，所以才会出现弹幕卡顿、丢失的情况。
综上所述，Long Polling和Websockets都不适用我们面临的环境，
所以我们最终采取了「短轮训」的方案来实现弹幕促达
传输优化、节约带宽
为了降低带宽压力，我们主要采用了以下方案：
启用Http压缩
❝通过查阅资料，http gzip压缩比率可以达到40%以上（gzip比deflate要高出4%~5%）。
❞
Response结构简化
内容排列顺序优化
❝根据gzip的压缩的压缩原理可以知道，重复度越高，压缩比越高，
因此 : 可以将字符串和数字内容放在一起摆放
❞
频率控制
❝
通过请求频率调整带宽：通过添加请求间隔参数，实现客户端的请求频率服务端可控。间隔时间太长，在突发流量的时候， 可能会出现有损服务，对于弹幕来说，是可以容忍的。
❞
延长请求频率，可以避免无效请求：在弹幕稀疏和空洞的时间段，通过控制下次请求时间，避免客户端的无效请求。
总结
最终该服务在双十二活动中，在Redis出现短暂故障的背景下，
高效且稳定的支撑了单房间100w用户在线，成功完成了既定的100w用户的目标