精华内容
下载资源
问答
  • 互联网时代,各种优势都是极为显著的,为企业的发展带来了更多的机会,这点是毋庸置疑的,网站建设工作也是各个企业最为重视的,但是大家可以看到一种情况,那就是企业网站的数量虽然不断的增加,但是发展的比较好的...

    互联网时代,各种优势都是极为显著的,为企业的发展带来了更多的机会,这点是毋庸置疑的,网站建设工作也是各个企业最为重视的,但是大家可以看到一种情况,那就是企业网站的数量虽然不断的增加,但是发展的比较好的还是那些,这样的情况也就意味着企业可能无法凭借网站获取更多的业务,也就是说网站所能发挥的效果并不大,也失去了网站建设的意义。在这里插入图片描述

    网站本身决定后期的发展

    网站的建设工作就好比是在打基础,为了后期的发展做准备,只有扎实的基础才能获得用户的青睐,用户愿意浏览网站,才能成为网站的常驻资源,这是企业必须明白的,那么对于网站建设所需要花费的费用就不要计较的太多,因为网站的质量,和费用分不开关系,长春星宿科技认为也不要听信什么低投入高回报的建站广告,因为建站公司的人力成本也与网站建设有直接关系,质量好,投入的人力和时间必然多,那么费用必然高,长春网站建设公司着重的提醒大家,天下没有白吃的午餐,有了投入才有回报。

    选择网站的类型

    一般企业建设网站,都希望实现线上销售,同时能够通过网站提升企业和产品的知名度,这样的话,营销型网站是比较符合要求,当然了,企业也喜欢建设这样类型的网站,不仅如此,还要根据企业自身确定这些事宜,只有正确的进行各个方面的规划,才能够为网站的发展带来帮助,同时也是为企业带来更好的机会,这一点企业需要谨记。

    网站所充当的角色

    获取有的企业认为网站的投入没必要,因为现在网站建设的价格还是比较高的,但是咱们换个角度来想想,网站建设其实是一劳永逸的,因为企业的宣传费用可是一笔不菲的开销,优势是长期的宣传,咱们再说说效果,很多的企业花费了大笔的宣传费用,得到的效果却不好,这是因为没有针对性的宣传,而且收到了区域的限制,而网站则能够将这些问题全部解决,只要运营得好,那么会积累大量的用户,用户带来了口碑效应,更多的用户会慕名而来,宣传效果自然而然的就形成了,也不必花什么推广费用。

    展开全文
  • 如果选择JDBC:会不会增加工作? 概括的说就是如果一个系统主要的业务操作采用存储过程实现、web应用应该怎么选择框架、在可以保证系统稳定和不牺牲性能的基础上选择一个可以快速开发的框架? 谢谢哪位大牛...
  • 开发了一个软件,用户比较大,采用了三层的架构 :主要的目的是:(1)把数据访问使用中间层把客户端与数据库服务分割开来,数据库的安全性好一些(2)把容易变动的业务逻辑处理放在服务层,以增加灵活性和可维护性...

             开发了一个软件,用户量比较大,采用了三层的架构 :

    主要的目的是:

    (1)把数据访问使用中间层把客户端与数据库服务分割开来,数据库的安全性好一些

    (2)把容易变动的业务逻辑处理放在服务层,以增加灵活性和可维护性

             经过一段时间的运行,感觉效率还可以,速度较快,服务器也没有出现崩溃的现象,但是一直查不到远程调用的性能和稳定性的资料,在用户量进一步增加的情况下,不知道能不能适应啊。

    展开全文
  •  但从统计数字看,随着atm投放的增加,其业务量也在不断提高,但其平均业务量却在减少,个别atm的使用频率较低,未能充分发挥其作用。今年全行5月份有19台atm,日均办理业务1157笔;6月份25台atm,日均办理业务882...
  •  有了新起点,下一步就是怎样在实践具体发辉作用,在岗位人员严重吃紧,工作与日俱增的前提下,要想不被压跨,唯一的解决办法只有两个,一是增强技术水平,增加自已对公司产品的熟练程度,从而提高工作效率,二是...
  • 首先大家都知道金融行业面对的是全球化的业务,虽然有些产品比如股票交易只有白天的4个小时,但是其他产品如外汇等晚上都要实时交易,24小时不间断的运作就对服务器处于长时间高访问状态提出了要求。 那么金融机构...

    首先大家都知道金融行业面对的是全球化的业务,虽然有些产品比如股票交易只有白天的4个小时,但是其他产品如外汇等晚上都要实时交易,24小时不间断的运作就对服务器处于长时间高访问状态提出了要求。

    那么金融机构选择服务器时需要注意哪几点?

    1——机柜

    做金融产业的用户一般都会租用整机柜,用多台服务器组集群。因为服务器中存储着大量的用户数据,而且数据的增长是以几何式的方式增长,并且服务器能不停止就是不停止的,所以当其托管的一台服务器负载趋于饱和的时候一般都会选择直接增加服务器来进行负载加均衡。而在同一个机柜增加服务器的好处在于除了机柜费用可以适当降低外,对于服务器的管理也带来了极大的方便。

    2——带宽

    跟游戏,APP,直播行业一样,金融行业对带宽的要求也是很大的,像我这种偶尔炒炒股做做外汇的平时虽然没太大的要求,但是卡顿是千万不要的,卡几秒钟或许就会错过一个绝佳的买卖点,那么对于这个行业租用服务需要的是量化或者高频,在乎的是低延迟。数据量不大,但是要到达微妙、毫秒界别响应。要知道你比别人更快看到行情和做出买卖指令,慢了就要亏钱的,如果因为使用软件不畅造成亏损,直接意味着客户的流失。所以选择服务器托管服务商,必须要能够为金融区专供带宽资源并进行24小时监控防止网络拥堵。

    3——安全性

    黑客攻击无处不在,与传统服务器不同,金融企业的服务器不仅存有企业的商业信息还有大量的用户的个人信息数据资料,所以服务器供应商必须要有一定级别的防御能力和应变能力,利用其具有的云清洗功能对大流量攻击进行有效过滤;并利用其超强的防护能力,防御DDoS攻击,来保障整个金融服务系统的安全,24小时服务的运维技术人员是必不可少的,还要有一套高效实用的灾难恢复方案,另外最好还要有多台服务器做备份,并且做异地备份。

    4——大存储

    需要存储网站数据,用户数据,以及大量的历史行情数据,大流量的数据要被存储起来需要耗费大量的内存设备,这一点需要服务器供应商可以随时灵活增加内存和其他配置。

    欢迎大家一起交流。

    展开全文
  • 很多互联网业务,随着数据的逐步增加,数据库逐渐成为系统的瓶颈。主从同步读写分离的架构方案只能提升数据库的读性能,对单库数据的膨胀,以及写性能的瓶颈并不能够很好解决。 此时数据库水平切分技术孕育而生...

    很多互联网业务,随着数据量的逐步增加,数据库逐渐成为系统的瓶颈。主从同步读写分离的架构方案只能提升数据库的读性能,对单库数据量的膨胀,以及写性能的瓶颈并不能够很好解决。 此时数据库水平切分技术孕育而生,不同的业务场景下该如何进行水平切分,切分过程中需要注意的技术点,切分后遇到新的问题及解决方案是怎样的,特此51CTO邀请58到家高级技术总监沈剑老师做直播分享。

    很多互联网业务,随着数据量的逐步增加,数据库逐渐成为系统的瓶颈。主从同步读写分离的架构方案只能提升数据库的读性能,对单库数据量的膨胀,以及写性能的瓶颈并不能够很好解决。此时数据库水平切分技术孕育而生,不同的业务场景下该如何进行水平切分,切分过程中需要注意的技术点,切分后遇到新的问题及解决方案是怎样的,特此51CTO邀请58到家高级技术总监沈剑老师做直播分享。

    http://s1.51cto.com/oss/201801/24/a41bf35384a07733272abdf8cf9b6377.jpg-wh_651x-s_3454386564.jpg

    专家简介

    现任58到家技术委员会主席,高级技术总监,负责企业,支付,营销、客户关系等多个后端业务部门。本质,技术人一枚。互联网架构技术专家,“架构师之路”公众号作者。曾任百度高级工程师,58同城高级架构师,58同城技术委员会主席,58同城C2C技术部负责人。

    内容介绍

    1.大数据量时,数据库架构设计原则

    2.数据库水平切分架构设计方向

    3.用户中心,帖子中心,好友中心,订单中心水平切分架构实践

    下面是58沈剑老师的演讲实录

    大家好,我是58沈剑,架构师之路的小编,后端程序员一枚,平时比较喜欢写写文字。今天和大家分享,数据量很大的情况下,如何进行数据库架构设计(主要是水平切分)会举用户中心,帖子中心,订单中心的一些例子,希望大家有收获。

    首先,介绍数据库架构设计中的一些基本概念,常见问题以及对应解决方案,为了便于读者理解,将以“用户中心”数据库为例,讲解数据库架构设计的常见玩法。

    第一个概念是“单库”。

    IMG_256

    user-service:用户中心服务,对调用者提供友好的RPC接口,user-db:单库(就是一个库)进行数据存储。

    第二个概念是“分组”。

    什么是分组?分组架构是最常见的一主多从,主从同步,读写分离数据库架构

    IMG_256

    user-service:依旧是用户中心服务 
    user-db-M(master):主库,提供数据库写服务 
    user-db-S(slave):从库,提供数据库读服务 
    主和从构成的数据库集群称为“组”。分组解决的是“数据库读写高并发量高”问题。

    第三个概念是“分片”。

    分片架构是大伙常说的水平切分(sharding)数据库架构。

    IMG_256

    user-db1:水平切分成2份中的第一份,user-db2:水平切分成2份中的第二份,分片后,多个数据库实例也会构成一个数据库集群。一旦分片,就涉及分片算法。常见的水平切分算法有“范围法”和“哈希法”

    IMG_257

    范围法如上图:以用户中心的业务主键uid为划分依据,将数据水平切分到两个数据库实例上去。

    IMG_256

    哈希法如上图 
    user-db1:存储uid取模得1的uid数据,user-db2:存储uid取模得0的uid数据。这两种分片算法,在互联网都有使用,其中哈希法使用较为广泛。

    分片解决的是“数据库数据量大”问题,也就是今天数据库架构分享的主题。

    场景一、用户中心

    第一个案例,先以“用户中心”为例,介绍“单KEY”类业务,随着数据量的逐步增大,数据库性能显著降低,数据库水平切分相关的架构实践。

    用户中心是一个非常常见的业务,主要提供用户注册、登录、信息查询与修改的服务。其核心元数据为: 
    User(uid, login_name, passwd, sex, age, nickname, …); uid为用户ID,主键。login_name, passwd, sex, age, nickname, …等用户属性。数据库设计上,一般来说在业务初期,单库单表就能够搞定这个需求。

    IMG_256

    当数据量越来越大时,需要多用户中心进行水平切分,上文提到了“范围法”与“哈希法”。使用uid来进行水平切分之后,整个用户中心的业务访问会遇到什么问题呢?对于uid属性上的查询可以直接路由到库,对于非uid属性上的查询,例如login_name属性上的查询,就悲剧了。

    IMG_256

    例如,按照uid分为3个库,使用login_name=shenjian来查询,就不知道数据分布在哪个库上了。一种方法,是遍历所有库,当分库数量多起来,性能会显著降低。

    常见的解决方案,有这么四种方法:

    第一种方法,索引表法

    思路:uid能直接定位到库,login_name不能直接定位到库,如果通过login_name能查询到uid,问题解决。

    细致的步骤为:

    (1)建立一个索引表记录login_name->uid的映射关系;

    (2)用login_name来访问时,先通过索引表查询到uid,再定位相应的库;

    (3)索引表属性较少,只有两列,可以容纳非常多数据,一般不需要分库

    (4)如果数据量过大,可以通过login_name来分库;

    潜在的不足是:多一次数据库查询,性能会有所下降。

    第二种方法,缓存映射法

    思路:访问索引表性能较低,把映射关系放在缓存里性能更佳

    细致的步骤为:

    (1)login_name查询先到cache中查询uid,再根据uid定位数据库;

    (2)假设cache miss,采用扫全库法获取login_name对应的uid,放入cache;

    (3)login_name到uid的映射关系不会变化,映射关系一旦放入缓存,不会更改,无需淘汰,缓存命中率超高;

    (4)如果数据量过大,可以通过login_name进行cache水平切分;

    潜在的不足是:多了一次cache查询。

    第三种方法,login_name生成uid法

    思路:不进行额外查询,能由login_name直接生成uid么?

    细致的步骤为:

    (1)在用户注册时,设计函数login_name生成uid,uid=f(login_name),按uid分库插入数据;

    (2)用login_name来访问时,先通过函数计算出uid,即uid=f(login_name)再来一遍,由uid路由到对应库;

    潜在的不足是:该函数设计需要非常讲究技巧,有uid生成冲突风险

    第四种方法,基因法(这个方法网上没有,在“架构是之路”公众号里有说明过) 
    思路:不用login_name生成uid,可以从login_name抽取“基因”,融入uid中。 
    方法图示如下(这个图很重要):

    IMG_256

    假设分8库,采用uid%8路由。潜台词是,uid的最后3个bit决定这条数据落在哪个库上,这3个bit就是所谓的“基因”。

    细致的步骤为:

    (1)在用户注册时,设计函数login_name生成3bit基因,login_name_gene=f(login_name),如上图粉色部分;【画外音,一定要步骤和图对着看】

    (2)同时,生成61bit的全局唯一id,作为用户的标识,如上图绿色部分;

    (3)接着把3bit的login_name_gene也作为uid的一部分,如上图屎黄色部分;

    (4)生成64bit的uid,由id和login_name_gene拼装而成,并按照uid分库插入数据;

    (5)用login_name来访问时,先通过函数由login_name再次复原3bit基因,login_name_gene=f(login_name),通过login_name_gene%8直接定位到库。如此这般,uid可以直接定位到库,login_name可以生成基因,也可以定位到库。

    好,用户中心是第一个场景。

    场景二、帖子中心

    第二个场景,将以“帖子中心”为例,介绍“1对多”类业务,随着数据量的逐步增大,数据库性能显著降低,数据库水平切分相关的架构实践。用户中心,是一个但key场景,而帖子中心,是一个1对多的场景。

    什么是1对多场景?

    一个用户可以发多条微博,一条微博只有一个发送者;一个uid对应多个msg_id,一个msg_id只对应一个uid;这些是1对多的关系。

    IMG_256

    一个用户可以发布多个帖子,一个帖子只对应一个发布者。帖子中心,是一个提供帖子发布,修改,删除,查看,搜索的服务。

    读操作:通过tid查询帖子实体,单行查询;通过uid查询用户发布过的帖子,列表查询。帖子检索,例如通过时间、标题、内容搜索符合条件的帖子。

    写操作:发布(insert)帖子;修改(update)帖子;删除(delete)帖子。

    在数据量较大,并发量较大的时候,通常通过元数据与索引数据分离的架构来满足实时查询,以及帖子检索的入球。

    IMG_256

    架构中的几个关键点 
    (1)tiezi-center服务; 
    (2)tiezi-db:提供元数据存储; 
    (3)tiezi-search搜索服务; 
    (4)tiezi-index:提供索引数据存储; 
    (5)MQ:tiezi-center与tiezi-search通讯媒介,一般不直接使用RPC调用,而是通过MQ对两个子系统解耦;

    【画外音:12345对着图细看一下】

    IMG_257

    如上图所示:tid和uid上的查询需求,可以由tiezi-center从元数据读取并返回,其他检索需求,可以由tiezi-search从索引数据检索并返回,tiezi-search可以使用Solr,ES等开源架构实现,这一块不是今天的重点,今天将重点描述帖子中心元数据这一块的水平切分设计。在业务初期,单库就能满足元数据存储要求。

    IMG_256

    在相关字段上建立索引,就能满足相关业务需求,帖子记录查询,通过tid查询,约占读请求量的90% 。select * from t_tiezi where tid=$tid 帖子列表查询,通过uid查询其发布的所有帖子,约占读请求量的10% ,select * from t_tiezi where uid=$uid。当数据量越来越大时,需要对帖子数据的存储进行线性扩展,既然是帖子中心,并且帖子记录查询量占了总请求的90%,很容易想到通过tid字段取模来进行水平切分。

    IMG_256

    这个方法简单直接。但缺点是:一个用户发布的所有帖子可能会落到不同的库上,10%的请求通过uid来查询会比较麻烦。

    IMG_256

    一个uid查询帖子列表,需要遍历所有库。有没有一种切分方法,确保同一个用户发布的所有帖子都落在同一个库上,而在查询一个用户发布的所有帖子时,不需要去遍历所有的库呢?

    使用uid来分库可以解决这个问题。

    新增一个索引库:t_mapping(tid, uid)

    (1)这个库只有两列,可以承载很多数据;

    (2)即使数据量过大,索引库可以利用tid水平切分;

    (3)这类kv形式的索引结构,可以很好的利用cache优化查询性能;

    (4)一旦帖子发布,tid和uid的映射关系就不会发生变化,cache的命中率会非常高;

    如此这般,可以保证一个uid的所有tid都在一个库上,使用tid查询时,先通过mapping库查询到uid,再定位库,这就是帖子中心场景,使用uid来进行分库的好处。

    mapping表法,和用户中心的索引表很像,那是不是也能使用“基因法”呢?答案是肯定的,如果login_name生成基因打入uid一样,可以在uid上取基因,打入tid。

    IMG_256

    如上图所示,假设分为16库,用uid%16分库,假设uid=666的用户发布了一条帖子

    (1)使用uid%16分库,决定这行数据要插入到哪个库中;

    (2)%16,即分库基因是uid的最后4个bit,即1010;

    (3)在生成tid时,先使用一种分布式ID生成算法生成前60bit(上图中绿色部分);

    (4)将分库基因加入到tid的最后4个bit(上图中粉色部分),拼装成最终的64bit帖子tid(上图中蓝色部分);

    【画外音,对照上图看1234】

    通过这种方法保证,同一个用户发布的所有帖子的tid,都落在同一个库上,tid的最后4个bit都相同

    于是,通过uid%16能够定位到库,通过tid%16也能定位到库,基因法很有意思,网上几乎没有文章介绍,更详细的基因法介绍,可以扫下列二维码查阅。

    K{Z%9BTGU3WK$1$E7_AR{LY

    没错,就是架构师之路,基因法,哈哈。

    场景三、好友中心

    第三个场景,是好友中心,好友中心,是一个多对多的场景。

    什么是多对多关系?

    所谓的“多对多”,来自数据库设计中的“实体-关系”ER模型,用来描述实体之间的关联关系。一个学生可以选修多个课程,一个课程可以被多个学生选修,这里学生与课程时间的关系,就是多对多关系。

    IMG_256

    好友中心是一个典型的多对多业务,一个用户可以关注多个好友,也可以被多个好友关注。

    IMG_256

    friend-service:好友中心服务,对调用者提供友好的RPC接口,guanzhu表,用户记录uid所有关注用户guanzhu_uid。fensi表,用来记录uid所有粉丝用户fensi_uid。一条好友关系的产生,会产生两条记录,一条关注记录,一条粉丝记录。数据量大时,如何进行水平切分呢?关注表,使用uid分库,存储的是关注的人。粉丝表,也使用uid分库,存储的是粉丝。由于一条好友关系的产生,会产生两条记录,分库的时候要注意,需要保证数据的一致性,关注库,粉丝库,可能存储在不同的数据实例上,数据的插入难以保证原子性。

    这是一个很难的“分布式事务”的问题。具体的数据冗余方式,常见的有这么两种: 
    第一种,同步冗余。

    IMG_256

    顾名思义,由好友中心服务同步写冗余数据。如上图1-4流程 
    (1)业务方调用服务,新增好友关系数据; 
    (2)服务先插入T1数据; 
    (3)服务再插入T2数据; 
    (4)服务返回业务方新增数据成功;

    第二种,异步冗余

    IMG_256

    服务层异步发出一个消息,通过消息总线发送给一个专门的数据复制服务来写入冗余数据。如上图1-6流程 
    (1)业务方调用服务,新增数据; 
    (2)服务先插入T1数据; 
    (3)服务向消息总线发送一个异步消息(发出即可,异步不用等返回,通常很快就能完成); 
    (4)服务返回业务方新增数据成功; 
    (5)消息总线将消息投递给数据同步中心; 
    (6)数据同步中心插入T2数据; 
    这是两种很常见的冗余数据的方式。数据的一致性如何保证?如果插入T1数据,T2数据插入失败呢?需要有一个校验机制。这里多提一句,为了保证一致性,架构设计的思路有两种:

    (1)分布式事务,保证强一致;

    (2)新增异步校验机制;

    第一个方向,很难,是业界没有解决的难题。或者说,即使有理论上可行的方案,算法效率也非常非常低,不适合互联网高并发场景。此时的架构优化方向,并不是完全保证数据的一致,而是尽早的发现不一致,并修复不一致。校验机制,又有两种常见的方法。 
    一种是异步扫描校验

    IMG_256

    线下启动一个离线的扫描工具,不停的比对正表T1和反表T2,如果发现数据不一致,就进行补偿修复,这个方法是最容易想到的。 
    一种是实时消息扫描校验

    IMG_256

    (1)写入正表T1; 
    (2)第一步成功后,发送消息msg1; 
    (3)写入反表T2; 
    (4)第二步成功后,发送消息msg2; 
    正常情况下,msg1和msg2的接收时间应该在3s以内,如果检测服务在收到msg1后没有收到msg2,就尝试检测数据的一致性,不一致时进行补偿修复。第一个方案比较容易,但时效性差,第二个方案比较复杂,但时效好。这里再强调一下,分布式事务一致性,是我被询问最多的问题。 无数网友在公众号下方留言问,分布式事务一致性的问题。

    这里再强调一下方法论。高吞吐互联网业务,要想完全保证事务一致性很难,常见的实践是最终一致性 。最终一致性的常见实践是,尽快找到不一致,并修复数据。

    场景四、订单中心

    第四个场景,也是最后一个场景,是最复杂的,订单中心的分库。这是一个多key的场景。

    Order(oid, buyer_uid, seller_uid, time, money, detail…);为啥叫多key呢

    (1)oid为订单ID,主键;

    (2)buyer_uid为买家uid;

    (3)seller_uid为卖家uid;

    看到了吧,访问模式有多个。随着订单量的越来越大,数据库需要进行水平切分,由于存在多个key上的查询需求,用哪个字段进行切分,成了需要解决的关键技术问题。

    如果用oid来切分,buyer_uid和seller_uid上的查询则需要遍历多库,如果用buyer_uid或seller_uid来切分,其他属性上的查询则需要遍历多库。

    思路为,多个维度的查询较为复杂,对于复杂系统设计,可以逐步简化。假设没有seller_uid,订单中心,假设没有seller_uid上的查询需求,而只有oid和buyer_uid上的查询需求,应该怎么分库?

    没错,没有seller_uid,就蜕化为一个“1对多”的业务场景,对于“1对多”的业务,水平切分应该使用“基因法”。

    再次回顾一下,什么是分库基因?通过buyer_uid分库,假设分为16个库,采用buyer_uid%16的方式来进行数据库路由,所谓的模16,其本质是buyer_uid的最后4个bit决定这行数据落在哪个库上,这4个bit,就是分库基因。在订单数据oid生成时,oid末端加入分库基因,让同一个buyer_uid下的所有订单都含有相同基因,落在同一个分库上。

    再次假设,这个场景如果没有订单ID的oid呢?假设没有oid上的查询需求,而只有buyer_uid和seller_uid上的查询需求,就蜕化为一个“多对多”的业务场景。对于“多对多”的业务,就和好友中心一样,水平切分应该使用“数据冗余法”(上面提到的关注库,粉丝库)。

    订单中心,该怎么弄呢?任何复杂难题的解决,都是一个化繁为简,逐步击破的过程。对于像订单中心一样复杂的“多key”类业务,在数据量较大,需要对数据库进行水平切分时:

    (1)使用“基因法”,解决“1对多”分库需求:使用buyer_uid分库,在oid中加入分库基因,同时满足oid和buyer_uid上的查询需求;

    (2)使用“数据冗余法”,解决“多对多”分库需求:使用buyer_uid和seller_uid来分别分库,冗余数据,满足buyer_uid和seller_uid上的查询需求;

    (3)订单中心,oid/buyer_uid/seller_uid同时存在,可以使用上述两种方案的综合方案,来解决“多key”业务的数据库水平切分难题;

    今天的分享差不多就到这里,最后做一个小结

    水平切分方式;

    范围法;

    哈希法;

    用户侧,“建立非uid属性到uid的映射关系”最佳实践。索引表法:数据库中记录login_name->uid的映射关系。缓存映射法:缓存中记录login_name->uid的映射关系。生成法:login_name生成uid;基因法:login_name基因融入uid;

    帖子侧,帖子服务,元数据满足uid和tid的查询需求。搜索服务,索引数据满足复杂搜索寻求。uid切分法,按照uid分库,同一个用户发布的帖子落在同一个库上,需要通过索引表或者缓存来记录tid与uid的映射关系,通过tid来查询时,先查到uid,再通过uid定位库。基因法,按照uid分库,在生成tid里加入uid上的分库基因,保证通过uid和tid都能直接定位到库。

    好友侧,数据冗余是一个常见的多对多业务数据水平切分实践。冗余数据的常见方案有两种:服务同步冗余,服务异步冗余(通过MQ发消息)。数据冗余会带来一致性问题,高吞吐互联网业务,要想完全保证事务一致性很难,常见的实践是最终一致性。最终一致性的常见实践是,尽快找到不一致,并修复数据,常见方案有:线下扫描法,实时消息法。

    订单侧,任何复杂难题的解决,都是一个化繁为简,逐步击破的过程。将“多key”类业务,分解为“1对多”类业务和“多对多”类业务分别解决。使用“基因法”,解决“1对多”分库需求:使用buyer_uid分库,在oid中加入分库基因,同时满足oid和buyer_uid上的查询需求。使用“数据冗余法”,解决“多对多”分库需求:使用buyer_uid和seller_uid来分别分库,冗余数据,满足buyer_uid和seller_uid上的查询需求。oid/buyer_uid/seller_uid同时存在,可以使用上述两种方案的综合方案,来解决“多key”业务的数据库水平切分难题。

    最后再多说一句,任何脱离业务的架构设计都是耍流氓,共勉。

    今天,仅仅只是展开描述了“水平切分”这一个话题,在数据库架构设计过程中,除了水平切分,至少还会遇到这样一些问题:

    (1)可用性:不管是主库实例,还是从库实例,如果数据库实例挂了,如何不影响数据的读和写;

    (2)读性能:互联网业务大多是读多写少的业务,如果提升数据库的读性能是架构设计中必须考虑的问题;(3)一致性:数据一旦冗余,就可能出现一致性问题,如何解决主库与从库之间的不一致,如何解决数据库与缓存之间的不一致,也是需要重点设计的;

    (4)扩展性:如何在不停服务的情况下扩充数据表的属性,实施数据迁移,实施存储引擎的切换,架构设计上都是十分有讲究的;

    (5)分布式SQL语句:单库情况下,所有SQL语句的执行都没问题问题,一旦实施了水平切分,如何实现SQL的集函数,分页,非patition key上的查询都成了大问题;

    上面这些问题,由于时间的关系,今天不能再展开。要想了解细节,你懂的,扫描上面的二维码,微信关注“架构师之路”,有你想要的答案。对于“数据库水平切分”,希望大家有收获,希望下次还有机会在51CTO群里分享。

    以下问题是来自51CTO开发者社群小伙伴们的提问和分享

    Q:Java-风-阿里:老师分布式事务玩过TCC吗?

    A:58沈剑老师:高并发的场景,基本不玩分布式事务,1秒几十万次的并发,分布式事务扛不住的。

    Q:后端-陈医生-北京:说的基因法和数据冗余法,不是非常懂,尤其订单那块的基因法。请教一个对于分库算法的问题,在分库算法都有什么?

    A:58沈剑老师:今天介绍了,范围法,hash法。hash法,最常见的是取模,网上讨论最多的是一致性hash。强烈建议前者 ,取模就行。


    展开全文
  •  有了新起点,下一步就是怎样在实践具体发辉作用,在岗位人员严重吃紧,工作与日俱增的前提下,要想不被压跨,唯一的解决办法只有两个,一是增强技术水平,增加自已对公司产品的熟练程度,从而提高工作效率,二是...
  • 一、SQLSERVER数据库的内存管理机制。 在数据库启动的时候,其实数据库引擎并不会马上...数据库启动之后随着业务量的增大,数据库引擎的工作负荷也会随之增加。此时数据库引擎会继续获取完成工作所需要的内存。在达...
  • 2、判断: 程序突然出现大量的core dump或者某业务异常出发大量的IO写操作; 3、分析方法:  a).使用top按照CPU排序发现CPU使用率很高的进程,一般IO使用率高的进程CPU的消耗也会大幅增加,通过CPU使用率基本能够...
  • 大型网站是怎样解决多用户高并发访问的

    万次阅读 多人点赞 2016-09-05 16:33:45
    为了解决大型网站的访问大、并发高、海量数据的问题,我们一般会考虑业务拆分和分布式部署。我们可以把那些关联不太大的业务独立出来,部署到不同的机器上,从而实现大规模的分布式系统。但这之中也有一个问题,...
  • 数字化浪潮席卷而来,颠覆了传统的生产和生活方式,随之产生的新经济和新应用给传统业务模式和产业结构带来前所未有的冲击。特别是云计算、人工智能和物联网的兴起,... 由于数据的大幅增加,企业不但要针对各种数...
  • 为什么要数据交换企业大量的IT投资建立了众多的信息系统,但是随着信息系统的增加,各自孤立工作的信息系统将会造成大量的冗余数据和业务人员的重复劳动。企业急需通过建立底层数据集成平台来联系横贯整个企业的异构...
  • 本文主要包含以下几块,首先看一下背景介绍。传统的研发团队已经满足不了当时业务的发展,所以我们也紧急的建设...2014年业务量趋势增加,用户上报的事件数也开始慢慢的上升起来。所以各个业务部门的投诉也开始多了起来
  • web service 的一些概念

    2016-07-03 03:24:22
    随着业务的发展,用户增加,有很多系统需要将不同的业务功能部署在不同的计算机上,这样也就引发了一个新的问题,怎样在多个计算机进行交互?怎样让一个业务整体分散在不同的计算机上执行?怎样进行远程调用?...
  • 它的重点并不是能够减少多少代码,反而对于有些场景还有可能增加代码。当然如果设计合理,业务复杂,大部分情况下是可以减少很多代码的。所以减少代码并不是重点,重点是如何让你的代码写得更有拓展性和维护性...
  • 2019年双十一13.52亿订单,微信的日活可以达到十个亿,当请求过大导致:对服务器来说,那么就是请求太多,来不及处理对客户端来讲,等待时间过长,或者是出现错误怎样去尽可能多的处理请求?性能的概念:响应...
  • 作为全球网络安全和云计算领域发展最快的厂商之一,深信服科技致力于通过创新的产品帮助商业用户提升业务效率、增加收益,尤其近几年深信服科技在云计算领域大量投资,发展迅猛。为何深信服会大力投资云计算,深信服...
  • mysql 基准测试

    2017-09-29 16:19:56
    模拟比当前系统更高的负载,以找到系统扩展瓶颈增加数据并发,观察qps tps变化 找到性能最佳时刻的并发。测试不同的硬件,软件版本,和操作系统配置对数据库性能的影响。怎样进行基准测试一.对整个系统进行基准...
  • 1、Elasticsearch 缓存引出 Elasticsearch 查询的响应需要占用 CPU、内存资源,在复杂业务场景,会出现慢查询,需要花费大量的时间。如何破局呢?增加集群硬件配置会有高昂硬件开销。还有没有其他方案呢?这时候会...
  • 随着企业业务和应用的发展,现有基础架构已经无法保障时,数据中心迁移无法避免,企业可能需要迁移来增加容量或推出新功能和服务。基础架构要求可能会随时间变化,并且可能会考虑使用托管服务提供商或云服务的选项,...
  • 随着信息时代的不断发展,不同部门、不同地区间的信息交流逐步增加,计算机网络技术的发展为信息传输提供了保障。在网络上出现大量的空间数据,面对多种多样的数据格式,我们怎样才能有效地利用它们呢?如何解决数据...
  • 也便是说,要使得网站的内部之间可以互相链接,这样百度蜘蛛在爬行抓取的时分就可以爬行网站更多的信息,录入量增加,提高排名。 新站是怎样做到百度秒录入的呢?在淘宝,有许多针对新手的网站秒上主页的业务报效劳...
  • 外贸购货合同.doc

    2021-01-15 21:16:13
    外贸购货合同 随着出口业务量增加和国际市场的不断变化,外贸购货的现象日益频繁,外贸购货合同是怎样的呢?以下是小编为大家整理的外贸购货合同范文,欢迎参考阅读。外贸购货合同范文1 供方:(以下简称甲方) 需方...
  • OPNET的应用

    千次阅读 2010-09-24 19:56:00
    OPNET应用 <br />●OPNET用于仿真。 <br />End-to-end性能分析。 <br /> 确定增加应用和用户对网络的影响。 <br /> 准确的规划和伸缩性分析。... <br /> 业务量增长
  • 但随着数据增加,对传统报表系统提出了更高的要求。目前,企业正处于由“粗放型”向“精细化”管理转变的关键时期。伴随着时代的发展,企业精细化、科学化的管理要求越来越高,传统的报表系统已不能满足日益增长...
  • [6]技术人员、业务人员的提成核算工作大,导致业绩考核无法正真有效开展; [7]产品销售情况、库存积压情况、客户分布情况以及公司经营业绩等报表,手工统计工作太大而且容易出错,无法实时、准确地掌握。 软件...
  • [6]技术人员、业务人员的提成核算工作大,导致业绩考核无法正真有效开展; [7]产品销售情况、库存积压情况、客户分布情况以及公司经营业绩等报表,手工统计工作太大而且容易出错,无法实时、准确地掌握。 软件...
  • 由于今年喷绘的加大,人手的不足,今年公司给我们部门增加了6台写真喷绘机和两名新同事,这无疑是给我们部门加入了新的血液。 我的工作主要负责设计方面的,起到业务和喷绘的连接作用。所以我平时工作都很...

空空如也

空空如也

1 2 3
收藏数 57
精华内容 22
关键字:

怎样增加业务量