大规模web服务开发技术(转)

前段时间趁空把《大规模web服务开发技术》这本书看完了，今天用一下午时间重新翻了一遍，把其中的要点记了下来，权当复习和备忘。由于自己对数据压缩、全文检索等还算比较熟，所以笔记内容主要涉及前5章内容，后面的零星记了一些。本文可能对如下人士比较有帮助：1、对这本书有兴趣，但对内容存疑的；2、对大规模Web服务有一定经验的，可对照着查漏补缺。

Hatena的规模(2010年4月)

注册用户150w，UU1900w/月

请求数：几十亿/月

繁忙时流量：850Mbps（不含图像）

硬件（服务器）600台，通过虚拟化技术，主机超过1300台

日志每天几GB级别，数据库GB到TB级别

系统增长的战略

最小化开端、预见变化的管理和设计

平衡效率和质量

开会、规范化、文档、敏捷等

GB级别（千万）的文本数据库，不用索引，一句select查询200s也未能执行完

内存和硬盘的速度差异

寻址：前者是后者的10w到100w倍
传输速度（总线）：前者——7.5G/s，后者——58M/s

找寻单机瓶颈（用足单机的性能，不要推测，要测量）

sar或vmstat查看是CPU问题还是IO问题

若是CPU问题
- top或sar查看是系统进程还是用户程序
- ps查看进程状态和cpu使用情况，确定问题进程
- 用strace或oprofile找出程序或进程的具体问题所在

若是IO问题
- 发生频繁页交换--->内存不足
  - ps查看程序所用内存
  - 能否改善程序，减少内存占用
  - 不行增加硬件或分布式
- 若无，则可能是缓存的内存不够
  - 增加内存
  - 不行就增加机器，分布式

CPU扩展比较方便，但IO负载的扩展比较困难

查看实际负载：top结果中的load average（1分钟 5分钟 15分钟）

查看是IO负载过高还是CPU负载过高：sar -P（多核）

处理大规模技术的重点

尽量在内存中进行，可实现分布式，利用局部性

算法的复杂度，O(n) --> O(logn)有质的飞跃

数据压缩和检索技术

缓存机制

页面缓存（page cache）
- 现代操作系统均采用虚拟内存
- 内核分配过的内存会尽量留下来，下次无需访问磁盘，即页面缓存
- 操作系统以页为单位缓存，即虚拟内存的最小单位
- 增加内存可提高缓存的命中率，降低IO负载

sar命令
- sar -r 即可查看当前的内存状态（kbbuffered缓存使用的物理内存大小）
- sar 1 3 一秒1次，总共3次
- sar -u 查看CPU使用率
- sar -q 查看平均负载
- sar -r 查看内存使用情况

降低IO负载的策略

提高缓存，即加内存

扩展到多台服务器

2实际可能未提高缓存命中率（每台机器的数据不变），需要切分（Partition）数据

切分（Partition）——利用局部性的分布式

以RDBMS的表为单位

从数据中间切分
- a-c服务器1，d-f服务器2……
- 一致性哈希

按用途将系统分成不同的“岛”
- 爬虫
- 图像API
- 一般访问

以页面缓存为基础的基本运维规则

操作系统启动时不要马上投入生产环境，要先预热，即读一遍所有文件
性能测试要在缓存优化后进行

数据库横向扩展策略

灵活应用操作系统缓存

尽量让数据库大小小于物理内存

考虑表的结构设计对数据库大小的影响

建立索引

B+树

提高搜索效率（logn），改善磁盘寻道次数

MySQL的explain命令帮助查看索引是否有效

MySQL的分布式

master/slave设计（master更新，slave读）
- 查询可以扩展（slave）
- 但master无法扩展（数据一致性）
  - 但Web应用大多数情况下90%都是读取查询
  - master的负载可通过分库分表或更换实现方法来解决

MySQL的Partition

将联系不紧密的表放在不同机器上

避免对不同机器上表进行JOIN操作
- 使用INNER JOIN或where...in…
- 使用自定义的ORM

Partition的代价
- 运维变得复杂，故障率上升，成本上升

实现冗余化最少需要多少台机器
- 4台——1台master，3台slave
- 3台slave中，一台用于提供持续服务，一台可能会故障，最后一台用于故障后复制

Web服务的基础设施重视的三点

低成本、高效率
- 不应追求100%可靠性

设计很重要
- 可扩展性和响应时间

开发速度很重要
- Web服务经常添加或更改功能，需为服务提供灵活的资源

一台服务器能处理的流量极限

Hatena标准服务器：4核CPU，8G内存；

性能：繁忙时每分钟几千请求

若4核CPU*2，32G内存
- 100w~200wPV/月

调优

掌握负载
- 服务器监控工具

冗余性与系统稳定性

master的冗余化

multi-master
- 通常有两台服务器，组成Active/Standby结构
- 一台是Active的，另一台Standby
- 两台服务器互为slave，一方的写入数据传入另外一方，双向replication
- 当Standby通过VRRP协议发现Active停机，则Standby自动提升为Active，变成新的master
- Active服务器有个虚拟ip，将此ip分配给哪台机器，哪台机器就是Active的master
- 缺点
  - 还是有不一致的风险

系统的稳定性

资源应都保留一定余量，只用到70%左右

去除不稳定因素（尽量自动化处理）
- 规定SQL负载上限
- 减少内存泄露，遇到可自动重启
- 异常行为的自律控制
  - 自动DOS判断
  - 自动重启
  - 自动终止耗时查询

虚拟化技术

好处
- 可扩展性
  - 将额外开销降至最低
  - 动态迁移
- 性价比
  - 提高资源利用率
  - 提高运维的灵活程度
    - 软件层面的主机控制
- 高可用性
  - 环境隔离

Hatena的虚拟化应用
- Xen（CentOS 5.2、Xen 3.0.3）+ 本地磁盘构建LVM
- 用HyperVisor替代IPMI
- 使用准虚拟化（ParaVirtualization）
- 控制资源消耗
  - 负载过高时警告
  - 调整负载
- 检测工具：monit
- 提高资源利用率
  - CPU空闲 --> Web服务器
  - IO空闲 --> 数据库服务器
  - 内存空闲 --> 缓存服务器
  - 避免消耗倾向相同的组合在一起
- 虚拟化的额外开销
  - CPU：2%~3%
  - 内存性能：10%
  - 网络性能：50%
  - IO性能：5%

SSD的寿命

损耗程度指标：S.M.A.R.T值中的E9（Media Wearout Indicator）---> smartctl命令

Hatena写入最频繁的SSD用了9个月左右

网络的分界点

1Gbps，即30wpps，是PC路由器的极限（1Gbps是千兆以太网的界限，30wpps是Linux内核的极限）
- 对策：多个PC路由，购买昂贵成品路由

500台主机，是子网、ARP表的极限
- 对策：对网络进行层次化

RDBMS还是k-v存储

判断依据
- 平均数据大小
- 最大数据大小
- 新数据增加频率
- 更新频率
- 删除频率
- 访问频率

MyISAM vs. InnoDB
- MyISAM
  - 优点
    - 未经update、delete的表也能快速insert
    - 启动、停止十分迅速
    - 表移动、改名称可直接从文件系统中操作
  - 缺点
    - 异常停止可能会损坏表
    - 不支持事务
    - update、delete、insert（追加数据之外）会锁表，在更新较多的应用中性能不好
  - 适合场景
    - 只有数据追加
    - 使用SELECT COUNT(*)
- InnoDB
  - 优点
    - 支持事务
    - 异常停止恢复
    - 数据更新时执行行锁定
  - 缺点
    - 启动、停止慢
    - 表操作完全通过数据库
  - 适合场景
    - 更新频率高
    - 需要事务