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(guò)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(wèn)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(jiǎn)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(jiàn)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(gòu)限流 49
2.3 基于時(shí)間分片的消峰方案 51
2.3.1 活動(dòng)分時(shí)段進(jìn)行實(shí)現(xiàn)消峰 52
2.3.2 通過(guò)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(kāi)源的ActiveMQ實(shí)現(xiàn)異步調(diào)用 55
2.4.3 使用阿里開(kāi)源的RocketMQ實(shí)現(xiàn)互聯(lián)網(wǎng)場(chǎng)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(jiǎn)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(tái)方案 87
3.2.5 從配置中心獲取Spring的Bean定義實(shí)現(xiàn)Bean動(dòng)態(tài)注冊(cè) 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(chǎng)景下熱點(diǎn)數(shù)據(jù)的讀/寫(xiě)優(yōu)化案例 111
4.1 緩存技術(shù)簡(jiǎn)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(jiǎn)介 120
4.2.1 使用Jedis客戶(hù)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(chǔ) 122
4.3 同一熱賣(mài)商品高并發(fā)讀需求 124
4.3.1 Redis集群多寫(xiě)多讀方案 125
4.3.2 保障多寫(xiě)時(shí)的數(shù)據(jù)一致性 126
4.3.3 LocalCache結(jié)合Redis集群的多級(jí)Cache方案 128
4.3.4 實(shí)時(shí)熱點(diǎn)自動(dòng)發(fā)現(xiàn)方案 130
4.4 同一熱賣(mài)商品高并發(fā)寫(xiě)需求 132
4.4.1 InnoDB行鎖引起數(shù)據(jù)庫(kù)TPS下降 132
4.4.2 在Redis中扣減熱賣(mài)商品庫(kù)存方案 134
4.4.3 熱賣(mài)商品庫(kù)存扣減優(yōu)化方案 138
4.4.4 控制單機(jī)并發(fā)寫(xiě)流量方案 141
4.4.5 使用阿里開(kāi)源的AliSQL數(shù)據(jù)庫(kù)提升秒殺場(chǎng)景性能 142
4.5 本章小結(jié) 148
第5章 數(shù)據(jù)庫(kù)分庫(kù)分表案例 149
5.1 關(guān)系型數(shù)據(jù)庫(kù)的架構(gòu)演變 150
5.1.1 數(shù)據(jù)庫(kù)讀寫(xiě)分離 150
5.1.2 數(shù)據(jù)庫(kù)垂直分庫(kù) 151
5.1.3 數(shù)據(jù)庫(kù)水平分庫(kù)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(jiàn)的 Sharding中間件對(duì)比 155
5.2.2 Shark簡(jiǎn)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(kù)分表后的數(shù)據(jù)路由任務(wù) 159
5.2.5 分庫(kù)分表后所帶來(lái)的影響 166
5.2.6 多機(jī)SequenceID解決方案 167
5.2.7 使用Solr滿(mǎn)足多維度的復(fù)雜條件查詢(xún) 170
5.2.8 關(guān)于分布式事務(wù) 172
5.3 數(shù)據(jù)庫(kù)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(guò)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