人人都是架構(gòu)師：分布式系統(tǒng)架構(gòu)落地與瓶頸突破

第1章 分布式服務(wù)案例 1
1.1 分布式系統(tǒng)的架構(gòu)演變過程 2
1.1.1 單機(jī)系統(tǒng) 3
1.1.2 集群架構(gòu) 4
1.1.3 拆系統(tǒng)之業(yè)務(wù)垂直化 6
1.1.4 為什么需要實(shí)現(xiàn)服務(wù)化架構(gòu) 8
1.1.5 服務(wù)拆分粒度之微服務(wù) 10
1.2 系統(tǒng)服務(wù)化需求 11
1.2.1 服務(wù)化與RPC協(xié)議 11
1.2.2 使用阿里分布式服務(wù)框架Dubbo實(shí)現(xiàn)服務(wù)化 12
1.2.3 警惕Dubbo因超時(shí)和重試引起的系統(tǒng)雪崩 16
1.2.4 服務(wù)治理方案 18
1.2.5 關(guān)于服務(wù)化后的分布式事務(wù)問題 20
1.3 分布式調(diào)用跟蹤系統(tǒng)需求 21
1.3.1 Google的Dapper論文簡介 22
1.3.2 基于Dubbo實(shí)現(xiàn)分布式調(diào)用跟蹤系統(tǒng)方案 25
1.3.3 采樣率方案 35
1.4 本章小結(jié) 37
第2章 大流量限流/消峰案例 38
2.1 分布式系統(tǒng)為什么需要進(jìn)行流量管制 39
2.2 限流的具體方案 42
2.2.1 常見的限流算法 43
2.2.2 使用Google的Guava實(shí)現(xiàn)平均速率限流 45
2.2.3 使用Nginx實(shí)現(xiàn)接入層限流 48
2.2.4 使用計(jì)數(shù)器算法實(shí)現(xiàn)商品搶購限流 49
2.3 基于時(shí)間分片的消峰方案 51
2.3.1 活動分時(shí)段進(jìn)行實(shí)現(xiàn)消峰 52
2.3.2 通過答題驗(yàn)證實(shí)現(xiàn)消峰 52
2.4 異步調(diào)用需求 53
2.4.1 使用MQ實(shí)現(xiàn)系統(tǒng)之間的解耦 54
2.4.2 使用Apache開源的ActiveMQ實(shí)現(xiàn)異步調(diào)用 55
2.4.3 使用阿里開源的RocketMQ實(shí)現(xiàn)互聯(lián)網(wǎng)場景下的流量消峰 61
2.4.4 基于MQ方案實(shí)現(xiàn)流量消峰的一些典型案例 72
2.5 本章小結(jié) 75
第3章 分布式配置管理服務(wù)案例 76
3.1 本地配置 77
3.1.1 將配置信息耦合在業(yè)務(wù)代碼中 77
3.1.2 將配置信息配置在配置文件中 79
3.2 集中式資源配置需求 82
3.2.1 分布式一致性協(xié)調(diào)服務(wù)ZooKeeper簡介 83
3.2.2 ZooKeeper的下載與集群安裝 84
3.2.3 ZooKeeper的基本使用技巧 86
3.2.4 基于ZooKeeper實(shí)現(xiàn)分布式配置管理平臺方案 87
3.2.5 從配置中心獲取Spring的Bean定義實(shí)現(xiàn)Bean動態(tài)注冊 93
3.2.6 容災(zāi)方案 95
3.2.7 使用淘寶Diamond實(shí)現(xiàn)分布式配置管理服務(wù) 96
3.2.8 Diamond與ZooKeeper的細(xì)節(jié)差異 101
3.2.9 使用百度Disconf實(shí)現(xiàn)分布式配置管理服務(wù) 102
3.3 本章小結(jié) 110
第4章 大促場景下熱點(diǎn)數(shù)據(jù)的讀/寫優(yōu)化案例 111
4.1 緩存技術(shù)簡介 112
4.1.1 使用Ehcache實(shí)現(xiàn)數(shù)據(jù)緩存 114
4.1.2 LocalCache存在的弊端 116
4.1.3 神秘的off-heap技術(shù) 117
4.2 高性能分布式緩存Redis簡介 120
4.2.1 使用Jedis客戶端操作Redis 121
4.2.2 使用Redis集群實(shí)現(xiàn)數(shù)據(jù)水平化存儲 122
4.3 同一熱賣商品高并發(fā)讀需求 124
4.3.1 Redis集群多寫多讀方案 125
4.3.2 保障多寫時(shí)的數(shù)據(jù)一致性 126
4.3.3 LocalCache結(jié)合Redis集群的多級Cache方案 128
4.3.4 實(shí)時(shí)熱點(diǎn)自動發(fā)現(xiàn)方案 130
4.4 同一熱賣商品高并發(fā)寫需求 132
4.4.1 InnoDB行鎖引起數(shù)據(jù)庫TPS下降 132
4.4.2 在Redis中扣減熱賣商品庫存方案 134
4.4.3 熱賣商品庫存扣減優(yōu)化方案 138
4.4.4 控制單機(jī)并發(fā)寫流量方案 141
4.4.5 使用阿里開源的AliSQL數(shù)據(jù)庫提升秒殺場景性能 142
4.5 本章小結(jié) 148
第5章 數(shù)據(jù)庫分庫分表案例 149
5.1 關(guān)系型數(shù)據(jù)庫的架構(gòu)演變 150
5.1.1 數(shù)據(jù)庫讀寫分離 150
5.1.2 數(shù)據(jù)庫垂直分庫 151
5.1.3 數(shù)據(jù)庫水平分庫與水平分表 152
5.1.4 MySQL Sharding與MySQL Cluster的區(qū)別 153
5.2 Sharding中間件 154
5.2.1 常見的 Sharding中間件對比 155
5.2.2 Shark簡介 156
5.2.3 Shark的架構(gòu)模型 157
5.2.4 使用Shark實(shí)現(xiàn)分庫分表后的數(shù)據(jù)路由任務(wù) 159
5.2.5 分庫分表后所帶來的影響 166
5.2.6 多機(jī)SequenceID解決方案 167
5.2.7 使用Solr滿足多維度的復(fù)雜條件查詢 170
5.2.8 關(guān)于分布式事務(wù) 172
5.3 數(shù)據(jù)庫的HA方案 173
5.3.1 基于配置中心實(shí)現(xiàn)主從切換 174
5.3.2 基于Keepalived實(shí)現(xiàn)主從切換 176
5.3.3 保障主從切換過程中的數(shù)據(jù)一致性 179
5.4 訂單業(yè)務(wù)冗余表需求 180
5.4.1 冗余表的實(shí)現(xiàn)方案 181
5.4.2 保障冗余表的數(shù)據(jù)一致性 183
5.5 本章小結(jié) 186
后記 187