技术 | 热数据探测技术及架构设计-技术圈

作为一名程序员，谁还不关注几个技术公众号？

今天某公众号推送了一篇文章，标题为“京东的热点key探测系统发布，单机 QPS 提升至 37 万”。后台开发同学都知道，单机QPS 37万是什么概念，多么充满噱头的标题啊（老营销号了）。果然吸引我点了进去。

原来这个标题不是玩笑，在京东618大促期间，单机极限支撑30万QPS！

怎么做到的？下面，我们从高并发系统实现思路开始，一步步揭秘京东单机高并发的实现原理。

高并发实现思路

以商品抢购系统为例，当大促活动开始时，可能有上亿个用户会进入商品详情页，准备抢购商品。可能要发送数亿次请求来获取商品数据。

数据是从哪里获取的呢？归根结底是数据库。

比如经典的MySQL数据库，但受限于磁盘IO读写、并发连接数等因素，仅支持百~千级qps。因此通常数据库是整个后端系统性能的瓶颈。数据量大时，虽然可通过分库分表和读写分离提升性能，但远远无法满足流量需求。

因此，想要实现高并发，必须利用其它技术，减少实际对数据库的请求。比如应用分层、缓存等。

根据请求的生命周期，可以得到如下互联网流量漏斗图：

互联网流量漏斗图

由上至下分析流量漏斗过程和用到的技术：

首先，用户在客户端（前端）发起抢购请求。为防止流量过大，可以使用有损服务随机拒绝部分请求，或者采用业务限流（比如加验证码，随机等待）
请求域名被DNS解析成IP或CNAME（CDN + 静态化）
请求发送至解析到的负载均衡机器（L5、LVS等）
请求被负载均衡器转发至接入层网关（Nginx、HAProxy等）
请求被转发至应用服务器实例（如果底层是微服务，可能还有一层应用层网关，比如Zuul），应用服务负责读取数据、执行业务逻辑。在服务中耗时的操作可以采用消息队列进行异步化。qps过高时，可采用服务熔断和降级。
服务先从缓存层（如redis集群）中读取数据，如果命中缓存，直接读取缓存
没命中缓存，则查询数据库

经过层层过滤和转发，最后，单个应用服务实例承载的qps在万级至十万级，对数据库的压力控制在千级别qps内。

总结一下，实现高并发的要点：静态化、有损服务、负载均衡、缓存、队列。

似乎一切都很完美，一套架构下来，剩下要做的事情就是加机器、加机器、加机器。。。

机器不要钱么，有没有什么方法进一步提升应用服务性能，节约机器成本呢？

一种常用方案是检测热点数据，并针对热数据进行特殊处理。比如采用多级缓存机制，在缓存层之上，针对热点数据再做一层本地缓存。直接从本地内存中读取数据，可进一步提升性能。

那么什么是热数据？为什么要检测热数据？如何检测热数据呢？

热数据探测技术

什么是热数据?？

顾名思义，热数据是指很热门、频繁被访问的数据。

热数据可分为两类：

有预期：比如大促活动中某些网红代言的爆款商品
无预期：比如恶意攻击、爬虫、突然火爆的商品

而热key实际上是一个频繁被访问的字符串，例如：

MySQL等数据库中被频繁访问的数据，如爆款商品的skuId
KV缓存系统中经常被访问的key
机器人、爬虫、刷子用户，如用户的userId、uuid、ip等
某接口地址，如商品查询/sku/query
统计用户访问某个接口的频率，如userId + /sku/query
统计某台服务器某个接口被访问的频率，如ip + /sku/query
统计某用户访问某个商品的频率，如userId + /sku/query + skuId

为什么要检测热数据？

我们检测热数据的原因很简单：

1. 提升性能

如上所说，对热点数据进行本地缓存，可大幅提升机器数据读取性能，减轻下层缓存集群压力。

热数据多级缓存读取流程

缓存级数越多，意味着更新操作越复杂，数据不一致的风险越大。

2. 规避风险

对于无预期的热数据（热key），可能会对业务带来极大的风险，可分为两个层次：

对数据层的风险
正常情况下，Redis缓存单机可支持十万左右qps，并可通过集群增大并发度。并发量一般的系统，用Redis做缓存就足够了。但是如果有一个商品突然爆火，或者收到恶意请求，对该数据key的访问qps可能飙升到百万、千万量级，在redis单线程的工作方式下，会导致正常的请求排队，无法及时响应，严重时会导致整个分片集群瘫痪。
还有一种情况，某热点key突然过期，直接导致大量请求砸向DB，直接导致DB挂掉！
对应用服务的风险
我们的应用单位时间所能接受和处理的请求量是有限的，如果受到恶意请求（爬虫等），某个恶意用户独自占用大量请求处理资源，会导致其他正常用户的请求无法及时响应。

恶意请求导致的请求排队

因此，需要一套动态热key检测机制，检测出无预期的热点数据，以针对这些数据进行不同的处理，比如本地缓存、拒绝恶意用户、接口限流/降级等。在提升数据访问性能的同时规避可能的风险。

那么如何检测热数据呢？

如何检测热数据？

通常，我们需要为“热”定义一个阈值或规则，比如1秒内访问1000次的数据算热数据。

对于单机应用，检测热数据很简单，直接在本地为每个key创建一个滑动窗口计数器，统计单位时间内的访问总数（频率），并通过一个集合存放检测到的热key。

滑动窗口

而对于分布式应用，对热key的访问是分散在不同的机器上的，无法在本地独立地进行计算，因此，需要一个集中的热key计算单元。可将热数据探测工作分为配置规则、热key上报、热key统计、热key推送四个步骤：

配置规则：指定热key的上报条件
热key上报：各应用实例上报访问到的key至集中计算单元
热key统计：收集各应用实例上报的信息，使用滑动窗口算法计算key的热度
热key推送：当key的热度达到设定值时，推送热key信息至所有应用实例，各应用实例将key值进行本地缓存

通过上述步骤，一套基本的热key检测机制就完成了。但是，为满足高并发场景，在设计热key探测框架时，还应满足如下指标：

实时性：考虑到热key的突发性，必须能够实时发现热key并推送
高性能：框架应保持轻量且高性能，能够有效降低成本
准确性：精准探测符合规则的热key，不漏报，不误报
一致性：保证应用实例本地缓存的热key一致，否则可能出现数据错误
可扩展：要计算的key数量级很大时，集中计算集群应便于扩展

优秀的热key探测框架还应满足易接入、业务无侵入、动态配置、可视化管理等特性。

下面来看看京东毫秒级热key探测框架的实现。

其实通过Redis本身也可以实现热key探测功能，比如用monitor命令监控key的访问并进行统计，或者利用v4.0.3后redis-cli自带的-hotkeys选项查看热key。但是这两个命令在key较多时，执行缓慢，且会降低redis的性能。因此，自实现热key探测框架是必要的。

京东毫秒级热key探测框架分析

JdHotkey是京东研发的通用轻量级热key探测框架。

官方给出的架构图如下：

JdHotkey架构图

该框架分为四个核心部分：

Etcd集群：高可用强一致的 Key/Value 存储系统，主要用于共享配置和服务发现。此处存放计算集群（worker）的地址、热key规则、已检测出的热key等。
Worker计算集群：用java实现的计算程序，通过Etcd供客户端发现并建立连接，主要负责收集和计算热key的访问频率，并且将符合规则的热key推送至客户端。
客户端：引入jar包，负责与Worker建立链接并上报key（先在本地累加，周期性批量上报）、监听key上报规则、缓存热key。
Dashboard控制台：通过读写Etcd集群完成对Worker、Client、配置规则、热Key的监控，并支持持久化数据至MySQL。

通过这四部分的交互，实现了完整的热数据探测机制（规则配置 => 热key上报 => 统计 => 推送），详细过程如下：

1. 依次启动Etcd和Dashboard控制台，配置key上报规则：

通过Dashboard配置规则

Dashboard体验地址：http://hotkey.tianyalei.com:9001/

2. 启动Worker集群，与Etcd建立连接，Worker将自身信息上报至Etcd并拉取热key规则，维持心跳

3. 客户端与Etcd建立连接，发现Worker并拉取Key上报规则

4. 客户端与Worker建立长连接并上报符合规则的key，通过hash算法决定上报至哪台Worker

通过hash将key上报至不同Worker

5. Worker使用滑动窗口算法计算key访问频率，并将符合热key规则的key推送至所有的客户端实例，同时也推送至Etcd供Dashboard查看。

滑动窗口源码使用 AtomicInteger[] 循环队列实现，感兴趣的同学可以看下。

6. 客户端实例接收到新的热key信息，使用Caffeine（高性能内存缓存库）进行缓存。
7. 可以通过Dashboard更改Etcd中存储的key规则，Worker和Client通过Etcd提供的watch api监听到规则的改变。

经压测，该热Key探测系统的性能很高，16核单机worker端每秒可接收处理30万个key探测任务，每秒可稳定对外推送40-60万次热key。

除了京东HotKey外，业界也有一些热key探测的优秀实现，比如有赞TMC。

有赞TMC

TMC是有赞的透明多级缓存，在原分布式缓存的基础上，增加了应用层热点探测及本地缓存等功能。

TMC本地缓存的整体架构如图：

TMC本地缓存架构

TMC通过自封装Jedis-Client（和原生Jedis-Client接口一致）来实现多级缓存对原有应用的透明，此处我们主要关注其热点探测部分（红圈）。

类比JdHotkey的架构，TMC热点探测核心组件如下：

1. Apollo配置中心负责存储服务信息、Etcd集群信息、热key规则配置。类似JdHotkey的Dashboard（可视化配置）+Etcd（规则存储）。

2. Hermes计算集群会从Apollo配置中心拉取信息（如热key规则），它负责收集客户端上报的key访问数据并进行周期性分析计算，并将检测到的热key推送至Etcd集群，客户端通过监听Etcd集群来接受热key的推送。类似于JdHotkey的Worker，但是其热度统计使用的是时间轮算法，周期性批量推送热key：

热度统计过程中的时间轮

3. Etcd集群负责存储热key，客户端通过监听Etcd集群实现热key的发现和失效。

4. 客户端Hermes-SDK通过rsyslog + Kafka上报key访问事件，从Etcd拉取热key并维护本地缓存等。

整体热key发现步骤如下：

热key发现完整步骤

对比JdHotkey和有赞TMC两套热key发现架构，最大的区别体现在热key上报和推送机制上。

对于JdHotkey，计算集群通过长连接收集key上报并将热key直接推送给客户端；而对于TMC，客户端通过Kafka上报key，服务端通过Etcd推送热key，将计算集群和客户端完全解耦。

学习完TMC的架构后，对JdHotkey的设计有了一些思考和疑问。

JdHotkey设计思考

对于JdHotkey框架，在Worker检测到热key后，会将热key推送至所有客户端实例以及Etcd，如下图：

Worker推送热key至Client和Etcd

上述方式会进行两次推送，感觉是有一些性能浪费。那么能否像TMC一样，让Worker仅推送key至Etcd，客户端直接监听Etcd来获取热key？如下图：

Worker推送热key，Client监听Etcd获取热key

JdHotkey的团队对此给出了回答：

为什么是worker推送，而不是worker发送热key到etcd，客户端直接监听etcd获取热key？

worker和client是长连接，产生热key后，直接推送过去，链路短，耗时少。如果是发到etcd，客户端再通过etcd获取，多了一层中转，耗时明显增加。
etcd性能不够，存在单点风险。譬如我有5000台client，每秒产生100个热key，那么每秒就对应50万次推送。我用2台worker即可轻松完成，随着worker的横向扩展，每秒的推送上限线性增加。但无论是etcd、redis等等任何组件，都不可能做到1秒50万次拉取或推送，会瞬间cpu爆满卡死。因为worker是各自隔离的，而etcd是单点的。实际情况下，也不止5000台client，每秒也不止100个热key，只有当前的架构能支撑。虽然可以扩容Etcd集群，但同样会增加成本。对于watch Api，还要考虑对内存的占用。

Etcdv3 watch 内存占用官方压测

那为什么有赞TMC能够使用Etcd进行热key推送呢？

答案很简单，二者对实时性的要求不同，因此计算集群的工作机制也不同。TMC的热key是周期性推送，计算集群以3秒一个周期完成热度滑窗统计工作，对Etcd的压力并不大；而考虑到京东的业务场景，JdHotkey需要支持毫秒级精准探测，毕竟对于爆款秒杀商品，连1秒的时间都等不了！

以上就是对热key探测技术的讲述。总之，没有最好的架构，只有最适合的架构。在做技术选型时，我们也要评估系统是否需要热key探测及本地缓存，毕竟多一层缓存，就多一份数据不一致的风险。

但多学习一些思路总是好的~

参考资源

1. 京东毫秒级热key探测框架设计与实践
2. 有赞透明多级缓存解决方案（TMC）
3. 京东 hotkey 源码
4. redis4.0之基于LFU的热点key发现机制

—————END—————

喜欢本文的朋友，欢迎关注公众号 程序员哆啦A梦，收看更多精彩内容


点个[在看]，是对小达最大的支持！