这段时间,在整理知识星球中面试专栏时看到这么一个字节跳动的二面真题:100Wqps短链系统,怎么设计?
这道题,看上去业务简单,其实,覆盖的知识点非常多:
- 高并发、高性能分布式 ID
- Redis Bloom Filter 高并发、低内存损耗的 过滤组件知识
- 分库、分表海量数据存储
- 多级缓存的知识
- HTTP传输知识
- 二进制、十六进制、六十二进制知识
总体来说,高并发、高性能系统的核心领域,都覆盖了。所以,陈某分析下来,得到一个结论:是一个超级好的问题。
关注公z号:码猿技术专栏,回复关键词:1111 获取阿里内部性能调优手册
1、短URL系统的背景
短网址替代长URL,在互联网网上传播和引用。
例如QQ微博的url.cn,新郎的sinaurl.cn等。
在QQ、微博上发布网址的时候,会自动判别网址,并将其转换,例如:http://url.cn/2hytQx
为什么要这样做的,无外乎几点:
缩短地址长度,留足更多空间的给 有意义的内容
URL是没有意义的,有的原始URL很长,占用有效的屏幕空间。
微博限制字数为140字一条,那么如果这个连接非常的长,以至于将近要占用我们内容的一半篇幅,这肯定是不能被允许的,链接变短,对于有长度限制的平台发文,可编辑的文字就变多了, 所以短网址应运而生了。
可以很好的对原始URL内容管控。
有一部分网址可以会涵盖XX,暴力,广告等信息,这样我们可以通过用户的举报,完全管理这个连接将不出现在我们的应用中,应为同样的URL通过加密算法之后,得到的地址是一样的。
可以很好的对原始URL进行行为分析
我们可以对一系列的网址进行流量,点击等统计,挖掘出大多数用户的关注点,这样有利于我们对项目的后续工作更好的作出决策。
- 短网址和短ID相当于间接提高了带宽的利用率、节约成本
- 链接太长在有些平台上无法自动识别为超链接
- 短链接更加简洁好看且安全,不暴露访问参数。而且,能规避关键词、域名屏蔽等手段
2、短URL系统的原理
短URL系统的核心:将长的 URL 转化成短的 URL。
客户端在访问系统时,短URL的工作流程如下:
- 先使用短地址A访问 短链Java 服务
- 短链Java 服务 进行 地址转换和映射,将 短URL系统映射到对应的长地址URL
- 短链Java 服务 返回302 重定向 给客户端
- 然后客户端再重定向到原始服务
如下图所示:
那么,原始URL如何变短呢?简单来说, 可以将原始的地址,使用编号进行替代
编号如何进一步变短呢? 可以使用更大的进制来表示
六十二进制表示法
顾名思义短网址就是非常短的网址,比如http://xxx.cn/EYyCO9T,其中核心的部分 EYyCO9T 只有7位长度。
其实这里的7位长度是使用62进制来表示的,就是常用的0-9、a-z、A-Z,也就是10个数字+26个小写+26个大写=62位。
那么7位长度62进制可以表示多大范围呢?
62^7 = 3,521,614,606,208 (合计3.5万亿),
说明:
10进制 最大只能生成 10 ^ 6 - 1 =999999个
16进制 最大只能生成 16 ^ 6 - 1 =16777215个
16进制里面已经包含了 A B C D E F 这几个字母
62进制 最大竟能生成 62 ^ 6 - 1 =56800235583个 基本上够了。
A-Z a-z 0-9 刚好等于62位
注意:
int(4个字节) ,存储的范围是-21亿到21亿
long(8个字节),存储的范围是-900万万亿 到 900万万亿
至于短网址的长度,可以根据自己需要来调整,如果需要更多,可以增加位数,
即使6位长度62^6也能达到568亿的范围,
这样的话只要算法得当,可以覆盖很大的数据范围。
在编码的过程中,可以按照自己的需求来调整62进制各位代表的含义。
一个典型的场景是, 在编码的过程中,如果不想让人明确知道转换前是什么,可以进行弱加密,
比如A站点将字母c表示32、B站点将字母c表示60,就相当于密码本了。
128进制表示法
标准ASCII 码也叫基础ASCII码,使用7 位二进制数(剩下的1位二进制为0),包含128个字符,
看到这里你或许会说,使用128进制(如果有的话)岂不是网址更短,
是的,
7 位二进制数(剩下的1位二进制为0)表示所有的大写和小写字母,数字0 到9、标点符号,以及在美式英语中使用的特殊控制字符 [1] 。
注意:
128个进制就可能会出现大量的不常用字符
比如 # % & * 这些,
这样的话,对于短链接而言,通用性和记忆性就变差了,
所以,62进制是个权衡折中。
3、短 URL 系统的功能分析
假设短地址长度为8位,62的8次方足够一般系统使用了
系统核心实现,包含三个大的功能
- 发号
- 存储
- 映射
可以分为两个模块:发号与存储模块、映射模块
发号与存储模块
- 发号:使用发号器发号 , 为每个长地址分配一个号码ID,并且需要防止地址二义,也就是防止同一个长址多次请求得到的短址不一样
- 存储:将号码与长地址存放在DB中,将号码转化成62进制,用于表示最终的短地址,并返回给用户
映射模块
用户使用62进制的短地址请求服务 ,
- 转换:将62进制的数转化成10进制,因为咱们系统内部是long 类型的10进制的数字ID
- 映射:在DB中寻找对应的长地址
- 通过302重定向,将用户请求重定向到对应的地址上
4、发号器的高并发架构
回顾一下发号器的功能:
- 为每个长地址分配一个号码ID
- 并且需要防止地址歧义
以下对目前流行的分布式ID方案做简单介绍
方案1:使用地址的hash 编码作为ID
可以通过 原始Url的 hash编码,得到一个 整数,作为 短链的ID
哈希算法简单来说就是将一个元素映射成另一个元素,
哈希算法可以简单分类两类,
- 加密哈希,如MD5,SHA256等,
- 非加密哈希,如MurMurHash,CRC32,DJB等。
MD5算法
MD5消息摘要算法(MD5 Message-Digest Algorithm),一种被广泛使用的密码散列函数,
可以产生出一个128位(16字节)的散列值(hash value),
MD5算法将数据(如一段文字)运算变为另一固定长度值,是散列算法的基础原理。
由美国密码学家 Ronald Linn Rivest设计,于1992年公开并在 RFC 1321 中被加以规范。
CRC算法
循环冗余校验(Cyclic Redundancy Check)是一种根据网络数据包或电脑文件等数据,
产生简短固定位数校验码的一种散列函数,由 W. Wesley Peterson 于1961年发表。
生成的数字在传输或者存储之前计算出来并且附加到数据后面,然后接收方进行检验确定数据是否发生变化。
由于本函数易于用二进制的电脑硬件使用、容易进行数学分析并且尤其善于检测传输通道干扰引起的错误,因此获得广泛应用。
MurmurHash
MurmurHash 是一种非加密型哈希函数,适用于一般的哈希检索操作。
由 Austin Appleby 在2008年发明,并出现了多个变种,与其它流行的哈希函数相比,对于规律性较强的键,MurmurHash的随机分布特征表现更良好。
这个算法已经被很多开源项目使用,比如libstdc++ (4.6版)、Perl、nginx (不早于1.0.1版)、Rubinius、 libmemcached、maatkit、Hadoop、Redis,Memcached,Cassandra,HBase,Lucene等。
MurmurHash 计算可以是 128位、64位、32位,位数越多,碰撞概率越少。
所以,可以把长链做 MurmurHash 计算,可以得到的一个整数哈希值 ,
所得到的短链,类似于下面的形式
固定短链域名+哈希值 = www.weibo.com/888888888
如何缩短域名?传输的时候,可以把 MurmurHash之后的数字为10进制,可以把数字转成62进制
www.weibo.com/abcdef
那么,使用地址的hash 编码作为ID的问题是啥呢?
会出现碰撞,所以这种方案不适合。
方案2:数据库自增长ID
属于完全依赖数据源的方式,所有的ID存储在数据库里,是最常用的ID生成办法,在单体应用时期得到了最广泛的使用,建立数据表时利用数据库自带的auto_increment作主键,或是使用序列完成其他场景的一些自增长ID的需求。
但是这种方式存在在高并发情况下性能问题,要解决该问题,可以通过批量发号来解决,
提前为每台机器发放一个ID区间 [low,high],然后由机器在自己内存中使用 AtomicLong 原子类去保证自增,减少对DB的依赖,
每台机器,等到自己的区间即将满了,再向 DB 请求下一个区段的号码,
为了实现写入的高并发,可以引入 队列缓冲+批量写入架构,
等区间满了,再一次性将记录保存到DB中,并且异步进行获取和写入操作, 保证服务的持续高并发。
比如可以每次从数据库获取10000个号码,然后在内存中进行发放,当剩余的号码不足1000时,重新向MySQL请求下10000个号码,在上一批号码发放完了之后,批量进行写入数据库。
但是这种方案,更适合于单体的 DB 场景,在分布式DB场景下, 使用 MySQL的自增主键, 会存在不同DB库之间的ID冲突,又要使用各种办法去解决,
总结一下, MySQL的自增主键生成ID的优缺点和使用场景:
优点:
非常简单,有序递增,方便分页和排序。
缺点:
分库分表后,同一数据表的自增ID容易重复,无法直接使用(可以设置步长,但局限性很明显);
性能吞吐量整个较低,如果设计一个单独的数据库来实现 分布式应用的数据唯一性,
即使使用预生成方案,也会因为事务锁的问题,高并发场景容易出现单点瓶颈。
适用场景:
单数据库实例的表ID(包含主从同步场景),部分按天计数的流水号等;
分库分表场景、全系统唯一性ID场景不适用。
所以,高并发场景, MySQL的自增主键,很少用。
方案3:分布式、高性能的中间件生成ID
Mysql 不行,可以考虑分布式、高性能的中间件完成。
比如 Redis、MongoDB 的自增主键,或者其他 分布式存储的自增主键,但是这就会引入额外的中间组件。
假如使用Redis,则通过Redis的INCR/INCRBY自增原子操作命令,能保证生成的ID肯定是唯一有序的,本质上实现方式与数据库一致。
但是,超高并发场景,分布式自增主键的生产性能,没有本地生产ID的性能高。
总结一下,分布式、高性能的中间件生成ID的优缺点和使用场景:
优点:
整体吞吐量比数据库要高。
缺点:
Redis实例或集群宕机后,找回最新的ID值有点困难。
适用场景:
比较适合计数场景,如用户访问量,订单流水号(日期+流水号)等。
方案4:UUID、GUID生成ID
UUID:
按照OSF制定的标准计算,用到了以太网卡地址、纳秒级时间、芯片ID码和许多可能的数字。由以下几部分的组合:当前日期和时间(UUID的第一个部分与时间有关,如果你在生成一个UUID之后,过几秒又生成一个UUID,则第一个部分不同,其余相同),时钟序列,全局唯一的IEEE机器识别号(如果有网卡,从网卡获得,没有网卡以其他方式获得)
GUID:
微软对UUID这个标准的实现。UUID还有其它各种实现,不止GUID一种,不一一列举了。
这两种属于不依赖数据源方式,真正的全球唯一性ID
总结一下,UUID、GUID生成ID的优缺点和使用场景:
优点:
不依赖任何数据源,自行计算,没有网络ID,速度超快,并且全球唯一。
缺点:
没有顺序性,并且比较长(128bit),作为数据库主键、索引会导致索引效率下降,空间占用较多。
适用场景:
只要对存储空间没有苛刻要求的都能够适用,比如各种链路追踪、日志存储等。
方式5:snowflake算法(雪花算法)生成ID
snowflake ID 严格来说,属于 本地生产 ID,这点和 Redis ID、MongoDB ID不同, 后者属于远程生产的ID。
本地生产ID性能高,远程生产的ID性能低。
snowflake ID原理是使用Long类型(64位),按照一定的规则进行分段填充:时间(毫秒级)+集群ID+机器ID+序列号,每段占用的位数可以根据实际需要分配,其中集群ID和机器ID这两部分,在实际应用场景中要依赖外部参数配置或数据库记录。
总结一下,snowflake ID 的优缺点和使用场景:
优点:
高性能、低延迟、去中心化、按时间总体有序
缺点:
要求机器时钟同步(到秒级即可),需要解决 时钟回拨问题
如果某台机器的系统时钟回拨,有可能造成 ID 冲突,或者 ID 乱序。
适用场景:
分布式应用环境的数据主键
高并发ID的技术选型
这里,不用地址的hash 编码作为ID
这里,不用数据库的自增长ID
这里,不用redis、mongdb的分布式ID
最终,
这里,从发号性能、整体有序(B+树索引结构更加友好)的角度出发,最终选择的snowflake算法
snowflake算法的吞吐量在 100W ops +
但是 snowflake算法 问题是啥呢?需要解决时钟回拨的问题。
如何解决时钟回拨的问题,可以参考 推特官方的 代码、 百度ID的代码、Shardingjdbc ID的源码,综合存储方案设计解决。
5、数据存储的高并发架构
这个数据,非常的结构化,可以使用结构化数据库MYSQL存储。
结构非常简单,我们会有二列:
1. ID,int, // 分布式雪花id;
2. SURL,varchar, // 原始URL;
接下来,开始高并发、海量数据场景,需要进行 MYSQL存储 的分库分表架构。
陈某提示,这里可以说说自己的分库分表 操作经验,操作案例。
然后进行 互动式作答。
也就是,首先是进行 输入条件 询问,并且进行确认。
然后按照分治模式,进行两大维度的分析架构:
- 数据容量(存储规模) 的 分治架构、
- 访问流量 (吞吐量规模)的 分治架构。
这块内容涉的方案,不同的项目,基本是相通的。
6、二义性检查的高并发架构
所谓的地址二义性,就行同一个长址多次请求得到的短址不一样。
在生产地址的时候,需要进行二义性检查,防止每次都会重新为该长址生成一个短址,一个个长址多次请求得到的短址是不一样。
通过二义性检查,实现长短链接真正意义上的一对一。
怎么进行 二义性检查?
最简单,最为粗暴的方案是:直接去数据库中检查。
但是,这就需要付出很大的性能代价。
要知道:
数据库主键不是 原始url,而是 短链url 。
如果根据 原始url 去进行存在性检查,还需要额外建立索引。
问题的关键是,数据库性能特低,没有办法支撑超高并发 二义性检查
所以,这里肯定不能每次用数据库去检查。
这里很多同学可能会想到另一种方案,就是 redis 的布隆过滤, 把已经生成过了的 原始url,
大致的方案是,可以把已经生成过的 原始url ,在 redis 布隆过滤器中进行记录。
每次进行二义性检查,走redis 布隆过滤器。
布隆过滤器就是bitset+多次hash的架构,宏观上是空间换时间,不对所有的 surl (原始url)进行内容存储,只对surl进行存在性存储,这样就节省大家大量的内存空间。
在数据量比较大的情况下,既满足时间要求,又满足空间的要求。
布隆过滤器的巨大用处就是,能够迅速判断一个元素是否在一个集合中。
布隆过滤器的常用使用场景如下:
- 黑名单 : 反垃圾邮件,从数十亿个垃圾邮件列表中判断某邮箱是否垃圾邮箱(同理,垃圾短信)
- URL去重 : 网页爬虫对 URL 的去重,避免爬取相同的 URL 地址
- 单词拼写检查
- Key-Value 缓存系统的 Key 校验 (缓存穿透) : 缓存穿透,将所有可能存在的数据缓存放到布隆过滤器中,当黑客访问不存在的缓存时迅速返回避免缓存及 DB 挂掉。
- ID 校验,比如订单系统查询某个订单 ID 是否存在,如果不存在就直接返回。
Bloom Filter 专门用来解决我们上面所说的去重问题的,使用 Bloom Filter 不会像使用缓存那么浪费空间。
当然,他也存在一个小小问题,就是不太精确。
规则是:存在不一定存在,说不存在一定不存在
Bloom Filter 相当于是一个不太精确的 set 集合,我们可以利用它里边的 contains 方法去判断某一个对象是否存在,但是需要注意,这个判断不是特别精确。
一般来说,通过 contains 判断某个值不存在,那就一定不存在,但是判断某个值存在的话,则他可能不存在。
那么对于 surl,处理的方案是:
- 如果 redis bloom filter 不存在,直接生成
- 否则,如果 redis bloom filter 判断为存在,可能是误判,还需要进行db的检查。
但是, redis bloom filter误判的概率很低,合理优化之后,也就在1%以下。
可能有小伙伴说,如果100Wqps,1%也是10W1ps,DB还是扛不住,怎么办?
可以使用缓存架构,甚至多级缓存架构
具体来说,可以使用 Redis 缓存进行 热门url的缓存,实现部分地址的一对一缓存
比如将最近/最热门的对应关系存储在K-V数据库中,比如在本地缓存 Caffeine中存储最近生成的长对短的对应关系,并采用过期机制实现 LRU 淘汰,从而保证频繁使用的 URL 的总是对应同一个短址的,但是不保证不频繁使用的URL的对应关系,从而大大减少了空间上的消耗。
7、映射模块(/转换模块)高并发架构
这里,主要是介绍自己对 多级缓存的 掌握和了解。
可以使用了缓存,二级缓存、三级缓存,加快id 到 surl的转换。
简单的缓存方案
将热门的长链接(需要对长链接进来的次数进行计数)、最近的长链接(可以使用 Redis 保存最近一个小时的数据)等等进行一个缓存,如果请求的长URL命中了缓存,那么直接获取对应的短URL进行返回,不需要再进行生成操作
补充服务间的重定向301 和 302 的不同
301永久重定向和 302 临时重定向。
- 301永久重定向:第一次请求拿到长链接后,下次浏览器再去请求短链的话,不会向短网址服务器请求了,而是直接从浏览器的缓存里拿,减少对服务器的压力。
- 302临时重定向:每次去请求短链都会去请求短网址服务器(除非响应中用 Cache-Control 或 Expired 暗示浏览器进行缓存)
使用 301 虽然可以减少服务器的压力,但是无法在 server 层获取到短网址的访问次数了,如果链接刚好是某个活动的链接,就无法分析此活动的效果以及用于大数据分析了。
而 302 虽然会增加服务器压力,但便于在 server 层统计访问数,所以如果对这些数据有需求,可以采用 302,因为这点代价是值得的,但是具体采用哪种跳转方式,还是要结合实际情况进行选型。
8、架构的魅力
架构魅力,在于没有最好的方案,只有更好的方案,大家如果有疑问,或者更好的方案,可以多多交流。
最后说一句(别白嫖,求关注)
陈某每一篇文章都是精心输出,如果这篇文章对你有所帮助,或者有所启发的话,帮忙点赞、在看、转发、收藏,你的支持就是我坚持下去的最大动力!
关注公众号:【码猿技术专栏】,公众号内有超赞的粉丝福利,回复:加群,可以加入技术讨论群,和大家一起讨论技术,吹牛逼!
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用
。你还可以使用@
来通知其他用户。