无锁缓存,每秒10万并发,究竟如何实现?

开发 开发工具 前端
有一类业务场景:超高吞吐量,每秒要处理海量请求;写多读少,大部分请求是对数据进行修改,少部分请求对数据进行读取,这类业务,有什么实现技巧么?

有一类业务场景:

  • 超高吞吐量,每秒要处理海量请求;
  • 写多读少,大部分请求是对数据进行修改,少部分请求对数据进行读取;

这类业务,有什么实现技巧么?

接下来,一起听我从案例入手,娓娓道来。

[[358930]]

快狗打车,场景举例:

  • 司机地理位置信息会随时变化,可能每几秒钟地理位置要修改一次;
  • 用户打车的时候查看某个司机的地理位置,查询地理位置的频率相对较低;

这里要用到两个接口:

  • 大量修改司机信息:
    1. void SetDriverInfo(long driver_id, DriverInfo info); 
  • 相对少量查询司机信息:
    1. DriverInfo GetDriverInfo(long driver_id);  

这一类业务,一般怎么实现呢?

具体到底层的实现,往往是一个Map内存缓存:

  • 查询key定长,例如:司机ID;
  • 返回value也定长,例如:司机实体序列化后的二进制串;

即,类似这样的一个kv缓存结构:

  1. Map<driver_id, DriverInfo> 

这个kv内存缓存是一个临界资源,对它的并发访问,有什么注意事项么?临界资源的访问,需要注意加读写锁,实施互斥。

以下,是加锁写入的伪代码:

  1. void SetDriverInfo(long driver_id, DriverInfo info){ 
  2.          WriteLock (m_lock); 
  3.          Map<driver_id>= info; 
  4.          UnWriteLock(m_lock); 

画外音:假设info已经序列化。

以下,是加锁读取的伪代码:

  1. DriverInfo GetDriverInfo(long driver_id){ 
  2.          DriverInfo t; 
  3.          ReadLock(m_lock); 
  4.          tMap<driver_id>
  5.          UnReadLock(m_lock); 
  6.          return t; 

当吞吐量很高时,上述流程可能存在什么问题?

  • 假设快狗打车有100w司机同时在线,每个司机每5秒更新一次经纬度状态,那么每秒就有20w次写并发操作。
  • 假设快狗打车日订单1000w个,平均每秒大概也有300个下单,对应到查询并发量,大概每秒1000级别的并发读操作。

在这样的吞吐量下(每秒20w写,1k读),锁m_lock会成为潜在瓶颈,导致Map访问效率极低。

有什么潜在的优化方法么?

锁冲突之所以严重,是因为整个Map共用一把锁,锁的粒度太粗。

画外音:可以认为是一个数据库的“库级别锁”。

是否可能进行水平拆分,来降低锁冲突呢?

答案是肯定的。

画外音:类似于数据库里的分库,把一个库锁变成多个库锁,来提高并发,降低锁冲突。

我们可以把1个Map水平切分成N个Map:

  1. void SetDriverInfo(long driver_id, DriverInfo info){ 
  2.          i = driver_id % N; // 水平拆分成N份,N个Map,N个锁 
  3.          WriteLock (m_lock[i]);  //锁第i把锁 
  4.          Map[i]<driver_id>= info;  // 操作第i个Map 
  5.          UnWriteLock (m_lock[i]); // 解锁第i把锁 

如此优化,能否提高性能?

  • 一个Map变成了N个Map,每个Map的并发量,变成了1/N;
  • 同时,每个Map的数据量,变成了1/N;

所以理论上,锁冲突会成平方指数降低,性能会提升。

有没有可能,进一步细化锁粒度,一个元素一把锁呢?

答案也是肯定的。

画外音:可以认为是一个数据库的“库级别锁”,优化为“行级别锁”。

不妨设driver_id是递增生成的,并且假设内存比较大,此时可以把Map优化成Array,并把锁的粒度细化到最细的,每个司机信息一个锁:

  1. void SetDriverInfo(long driver_id, DriverInfo info){ 
  2.          index = driver_id
  3.          WriteLock (m_lock[index]);  //超级大内存,一条记录一个锁,锁行锁 
  4.          Array[index]= info; //driver_id就是Array下标 
  5.          UnWriteLock (m_lock[index]); // 解锁行锁 

这个方案使得锁冲突降到了最低,但锁资源大增,在数据量非常大的情况下,内存往往是装不下的。画外音:数据量比较小的时候,可以一个元素一把锁,典型的是连接池,每个连接用一把锁表示连接是否可用。

还没有方法进一步降低锁冲突,提升并发量呢?

写多读少的业务,有一种优化方案:无锁缓存,将锁冲突降低到。

无锁缓存,可能存在什么问题?

如果缓存不加锁,读写吞吐量可以达到极限,但是多线程对缓存中同一块定长数据进行写操作时,有可能出现不一致的脏数据。

这个方案为了提高性能,牺牲了一致性。

读取时,获取到了错误的数据,是不能接受的。

画外音:作为缓存,允许cache miss,却不允许读脏数据。

脏数据是如何产生的?

不加锁,在多线程并发写时,可能出现以下情况:

  • 线程1对缓存进行操作,对key想要写入value1;
  • 线程2对缓存进行操作,对key想要写入value2;
  • 不加锁,线程1和线程2对同一个定长区域进行一个并发的写操作,可能每个线程写成功一半,导致出现脏数据产生,最终的结果即不是value1也不是value2,而是一个乱七八糟的不符合预期的值value-unexpected;

如何解决上述问题呢?

本质上,这是一个数据完整性问题。

并发写入的数据分别是value1和value2,读出的数据是value-unexpected,数据被篡改,这本质上是一个数据完整性的问题。

通常如何保证数据的完整性呢?

例如:运维如何保证,从中控机分发到上线机上的二进制没有被篡改?md5。

又例如:即时通讯系统中,如何保证接受方收到的消息,就是发送方发送的消息?发送方除了发送消息本身,还要发送消息的签名,接收方收到消息后要校验签名,以确保消息是完整的,未被篡改。

“签名”是一种常见的保证数据完整性的方案。

加入“签名”保证数据的完整性之后,读写流程需要如何升级?

加上签名之后,不但缓存要写入定长value本身,还要写入定长签名(例如16bitCRC校验):

(1)线程1对缓存进行操作,对key想要写入value1,写入签名v1-sign;

(2)线程2对缓存进行操作,对key想要写入value2,写入签名v2-sign;

(3)如果不加锁,线程1和线程2对同一个定长区域进行一个并发的写操作,可能每个线程写成功一半,导致出现脏数据产生,最终的结果即不是value1也不是value2,而是一个乱七八糟的不符合预期的值value-unexpected,但签名,一定是v1-sign或者v2-sign中的任意一个;

画外音:16bit/32bit的写可以保证原子性。

(4)数据读取的时候,不但要取出value,还要像消息接收方收到消息一样,校验一下签名,如果发现签名不一致,缓存则返回NULL,即cache miss;

当然,对应到司机地理位置,除了内存缓存之前,肯定需要timer对缓存中的数据定期落盘,写入数据库,如果cache miss,可以从数据库中读取数据。

巧不巧秒?

总结

当业务满足:

  • 超高并发;
  • 写多读少;
  • 定长value;

时,可以用以下方法来提升吞吐量:

(1)水平拆分来降低锁冲突;

思路:单库变多库。

(2)Map转Array的方式来最小化锁冲突,一条记录一个锁;

思路:库锁变行锁。

(3)无锁,最大化并发;

思路:行锁变无锁,完整性与性能的折衷。

(4)通过签名的方式保证数据的完整性,实现无锁缓存;

思路:写时写签名,读时校验签名。

【本文为51CTO专栏作者“58沈剑”原创稿件,转载请联系原作者】

戳这里,看该作者更多好文

 

责任编辑:赵宁宁 来源: 51CTO专栏
相关推荐

2019-08-14 15:08:51

缓存存储数据

2019-11-11 15:33:34

高并发缓存数据

2017-04-26 15:07:56

腾讯云

2020-10-18 07:25:55

MQ消息幂等架构

2022-11-26 00:00:07

内存数组程序

2019-07-29 14:40:26

架构存储检索

2019-05-05 09:28:59

架构数据查询

2019-03-06 09:36:12

Kafka缓存磁盘

2016-01-28 09:51:55

2011-05-07 15:13:24

兼容墨盒评测

2012-10-22 13:18:05

KVM

2015-07-09 10:44:53

微服务分布式DevOps

2018-02-01 09:32:16

传统运维SRE

2011-08-04 10:33:39

笔记本用户体验

2010-06-30 09:09:15

预览版SQL Serv

2017-10-16 15:41:13

SDN路由器NFV

2020-03-30 15:04:10

数据库工具技术

2020-07-07 07:47:07

Java无锁技术

2022-10-19 12:23:50

缓存CDN外部缓存

2021-10-09 11:27:47

机器学习人工智能左右互博术
点赞
收藏

51CTO技术栈公众号