DDIA读书笔记-第一章
第一章-数据系统及可靠、可扩展、可维护
概要
数据系统
常见的数据系统
数据库：用以存储数据，这样之后应用可以再次面问。
高速缓存 缓存那些复杂或操作代价昂贵的结果，以加快下一次访问。
索引 用户可以按关键字搜索数据井支持各种过掳
流式处理：持续发送消息至另 个进程，处理采用异步方式。
批处理 定期处理大量的累积数据。
越来越多 应用系统需求广泛，单个组件往往无能满足所有数 处理与
求。因而需要将任务 解，每个组件负责高效完成其中 部分，多个组件依靠应用层
代码驱动有机衔接起来。
有必要从根本上思考下如何评价一个好数据系统，如何构建一个好的数据系统，有哪些可以遵循的设计模式？有哪些通常需要考虑的方面？
书中用了三个词来回答：可靠性（Reliability）、可扩展性（Scalability）、可维护性（Maintainability
可靠性
出现意外情况如硬件、软件故障、人为失误等，系统应可以正常运转，虽然性能可能有所降低，但确保功能正确
如何衡量可靠性？
- 用户期望的功能
- 容忍用户不当使用方法
- 性能可应对典型场景，合理的负载
- 阻止未授权，恶意破坏
两个易混淆的概念：Fault（系统出现问题） 和 Failure（系统不能提供服务）
不能进行 Fault-tolerance 的系统，积累的 fault 多了，就很容易 failure。
硬件故障
哪些故障？
- 硬盘崩溃
- 内存故障
- 机房掉电
- 网络不通
- 机器过热导致cpu故障
硬盘的平均无故障时间（ MTTF ）约为 10 50 年,如果你有 1w+ 硬盘，则均匀期望下，每天都有坏盘出现。当然事实是硬盘会一波一波坏。
应对办法：冗余。
对磁盘配置RAID ，服务器配备双电源，甚至热插拔 CPU ，数据中心添加备用电源、发电机等
单机：RAID冗余
多机：多副本
软件错误
硬件故障属于随机性，而软件错误相关性高
- 无法处理特定输入，导致崩溃
- 错误进程耗尽共享资源，如cpu、内存、网络资源
- 系统依赖的组件服务变慢甚至无响应
- 级联故障
在设计软件时，我们通常有一些环境假设，和一些隐性约束。随着时间的推移、系统的持续运行，如果这些假设不能够继续被满足；如果这些约束被后面维护者增加功能时所破坏；都有可能让一开始正常运行的系统，突然崩溃。
应对
- 检查依赖的假设条件与系统之间的交互
- 全面测试
- 进程隔离
- 自动重启
- 反复评估
- 监控并分析
- 异常告警
人为失误
软件是人设计和构建的，也是人来维护的。人为也是不可靠的
软件的不同阶段，可以有对应的应对措施
- 设计编码
-
- 尽可能消除所有不必要的假设，提供合理的抽象，仔细设计 API
- 进程间进行隔离，对尤其容易出错的模块使用沙箱机制
- 对服务依赖进行熔断设计
- 测试阶段
-
- 尽可能引入第三方成员测试，尽量将测试平台自动化
- 单元测试、集成测试、e2e 测试、混沌测试
- 运行阶段
-
- 详细的仪表盘
- 持续自检
- 报警机制
- 问题预案
- 针对组织
-
- 科学的培训和管理
可扩展性
随着规模 增长 ，例如数据 、流量或复杂性，系统应以合理的方式来匹配这种增长
描述应对负载增长能力的指标
描述负载
应对负载前，需要用合适的方式衡量负载，如负载参数
- 应用日活月活
- 每秒向 Web 服务器发出的请求
- 数据库中的读写比率
- 聊天室中同时活跃的用户数量
书中以 Twitter 2012 年 11 月披露的信息为例进行了说明：
- 识别主营业务：发布推文、首页 Feed 流。
- 确定其请求量级：发布推文（平均 4.6k 请求/秒，峰值超过 12k 请求/秒），查看其他人推文（300k 请求/秒）
单就这个数据量级来说，无论怎么设计都问题不大。但 Twitter 需要根据用户之间的关注与被关注关系来对数据进行多次处理。常见的有推拉两种方式：
- 拉。每个人查看其首页 Feed 流时，从数据库现拉取所有关注用户推文，合并后呈现。
- 推。为每个用户保存一个 Feed 流视图，当用户发推文时，将其插入所有关注者 Feed 流视图中。
前者是 Lazy 的，用户只有查看时才会去拉取，不会有无效计算和请求，但每次需要现算，呈现速度较慢。而且流量一大也扛不住。
后者事先算出视图，而不管用户看不看，呈现速度较快，但会引入很多无效请求。
描述性能
如何描述系统性能
- 吞吐量（throughput）：每秒可以处理的单位数据量，通常记为 QPS。
- 响应时间（response time）：从用户侧观察到的发出请求到收到回复的时间。
- 延迟（latency）：日常中，延迟经常和响应时间混用指代响应时间；但严格来说，延迟只是指请求过程中排队等休眠时间，虽然其在响应时间中一般占大头；但只有我们把请求真正处理耗时认为是瞬时，延迟才能等同于响应时间。
响应时间通常以百分位点来衡量，比如 p95，p99 和 p999，它们意味着 95％，99％或 99.9％ 的请求都能在该阈值内完成。在实际中，通常使用滑动窗口滚动计算最近一段时间的响应时间分布，并通常以折线图或者柱状图进行呈现。
应对负载
有了描述负载和衡量性能的指标，可以讨论可扩展性了：应对负载增加，如何保持良好性能？
- 垂直扩展
升级更好的机器
- 水平扩展
用多个低廉机器分摊负载
负载扩展的两种方式：
- 自动 如果负载不好预测且多变，则自动较好。坏处在于不易跟踪负载，容易抖动，造成资源浪费。
- 手动 如果负载容易预测且不长变化，最好手动。设计简单，且不容易出错。
针对不同应用场景：
首先，如果规模很小，尽量还是用性能好一点的机器，可以省去很多麻烦。
其次，可以上云，利用云的可扩展性。甚至如 Snowflake 等基础服务提供商也是 All In 云原生。
最后，实在不行再考虑自行设计可扩展的分布式架构。
两种服务类型：
- 无状态服务 比较简单，多台机器，外层罩一个 gateway 就行。
- 有状态服务 根据需求场景，如读写负载、存储量级、数据复杂度、响应时间、访问模式，来进行取舍，设计合乎需求的架构。
可维护性
随着时间的推移，许多新的人员参与到系统开发和运维， 以维护现有功能或适配新场景等，系统都应高效运转。
软件的开发成本不在最初的开发阶段，在于后续的持续投入
- 修复bug
- 监控系统正常运行
- 故障排除
- 适配新平台
- 搭配新场景
- 完善技术缺陷
- 增加新功能
但是人们只喜欢挖坑，不喜欢填坑。因此可以在设计时，把控好三个原则：
- 可运维性（Operability） 便于运维团队无痛接手。
- 简洁性（Simplicity） 便于新手开发平滑上手：这需要一个合理的抽象，并尽量消除各种复杂度。如，层次化抽象。
- 可演化性（Evolvability） 便于后面需求快速适配：避免耦合过紧，将代码绑定到某种实现上。也称为可扩展性（extensibility），可修改性（modifiability） 或可塑性（plasticity）。
可运维性-方便运维
方便运维团队来保持系统平稳运行。
有效的运维需要这些事情：
- 紧盯系统状态，出问题时快速恢复。
- 恢复后，复盘问题，定位原因。
- 定期对平台、库、组件进行更新升级。
- 了解组件间相互关系，避免级联故障。
- 建立自动化配置管理、服务管理、更新升级机制。
- 执行复杂维护任务，如将存储系统从一个数据中心搬到另外一个数据中心。
- 配置变更时，保证系统安全性。
系统具有良好的可维护性，意味着将可定义的维护过程编写文档和工具以自动化，从而解放出人力关注更高价值事情：
- 友好的文档和一致的运维规范。
- 细致的监控仪表盘、自检和报警。
- 通用的缺省配置。
- 出问题时的自愈机制，无法自愈时允许管理员手动介入。
- 将维护过程尽可能的自动化。
- 避免单点依赖，无论是机器还是人。
简洁性-降低复杂度
复杂度表现：
- 状态空间的膨胀。
- 组件间的强耦合。
- 不一致的术语和命名。
- 为了提升性能的 hack。
- 随处可见的补丁（workaround）。
需求很简单，但不妨碍你实现的很复杂：过多的引入了额外复杂度——非问题本身决定的，而由实现所引入的复杂度。
好的解决方法是抽象
复杂度高通常是问题理解的不够本质，写出了“流水账”（没有任何抽象，abstraction）式的代码。
如果你为一个问题找到了合适的抽象，那么问题就解决了一半，如：
- 高级语言隐藏了机器码、CPU 和系统调用细节。
- SQL 隐藏了存储体系、索引结构、查询优化实现细节。
如何找到合适的抽象？
- 从计算机领域常见的抽象中找。
- 从日常生活中常接触的概念找。
总之，一个合适的抽象，要么是符合直觉的；要么是和你的读者共享上下文的。
可演化性-快速适配
系统不会一成不变，需求不断变化
- 适配新的外部环境
- 新的用例
- 业务优先级变化
- 用户所要的新功能
- 新平台取代旧平台
- 法律和监管要求的变化
- 业务增长促使架构演变
应对：
- 组织流程方面，敏捷开发
- 设计方面，依赖前两点，合理封装和抽象