在正式介紹基礎(chǔ)知識(shí)之前，我先羅列幾個(gè)常見(jiàn)的系統(tǒng)設(shè)計(jì)相關(guān)的筆試面試題。

(1) 要求設(shè)計(jì)一個(gè)DNS的Cache結(jié)構(gòu)，要求能夠滿足每秒5000以上的查詢，滿足IP數(shù)據(jù)的快速插入，查詢的速度要快。（題目還給出了一系列的數(shù)據(jù)，比如：站點(diǎn)數(shù)總共為5000萬(wàn)，IP地址有1000萬(wàn)，等等）

(2) 有N臺(tái)機(jī)器，M個(gè)文件，文件可以以任意方式存放到任意機(jī)器上，文件可任意分割成若干塊。假設(shè)這N臺(tái)機(jī)器的宕機(jī)率小于1/3，想在宕機(jī)時(shí)可以從其他未宕機(jī)的機(jī)器中完整導(dǎo)出這M個(gè)文件，求最好的存放與分割策略。

(3) 假設(shè)有三十臺(tái)服務(wù)器，每個(gè)上面都存有上百億條數(shù)據(jù)（有可能重復(fù)），如何找出這三十臺(tái)機(jī)器中，根據(jù)某關(guān)鍵字，重復(fù)出現(xiàn)次數(shù)最多的前100條？要求用Hadoop來(lái)做。

(4) 設(shè)計(jì)一個(gè)系統(tǒng)，要求寫速度盡可能高，說(shuō)明設(shè)計(jì)原理。

(5) 設(shè)計(jì)一個(gè)高并發(fā)系統(tǒng)，說(shuō)明架構(gòu)和關(guān)鍵技術(shù)要點(diǎn)。

(6) 有25T的log(query->queryinfo)，log在不段的增長(zhǎng)，設(shè)計(jì)一個(gè)方案，給出一個(gè)query能快速反回queryinfo

以上所有問(wèn)題中凡是不涉及高并發(fā)的，基本可以采用google的三個(gè)技術(shù)解決，分別為：GFS，MapReduce，Bigtable，這三個(gè)技術(shù)被稱為“google三駕馬車”，google只公開(kāi)了論文而未開(kāi)源代碼，開(kāi)源界對(duì)此非常有興趣，仿照這三篇論文實(shí)現(xiàn)了一系列軟件，如：Hadoop、HBase、HDFS、Cassandra等。

在google這些技術(shù)還未出現(xiàn)之前，企業(yè)界在設(shè)計(jì)大規(guī)模分布式系統(tǒng)時(shí)，采用的架構(gòu)往往是database+sharding+cache，現(xiàn)在很多公司（比如taobao，weibo.com）仍采用這種架構(gòu)。在這種架構(gòu)中，仍有很多問(wèn)題值得去探討。如采用什么數(shù)據(jù)庫(kù)，是SQL界的MySQL還是NoSQL界的Redis/TFS，兩者有何優(yōu)劣？ 采用什么方式sharding（數(shù)據(jù)分片），是水平分片還是垂直分片？據(jù)網(wǎng)上資料顯示，weibo.com和taobao圖片存儲(chǔ)中曾采用的架構(gòu)是Redis/MySQL/TFS+sharding+cache，該架構(gòu)解釋如下：前端cache是為了提高響應(yīng)速度，后端數(shù)據(jù)庫(kù)則用于數(shù)據(jù)永久存儲(chǔ)，防止數(shù)據(jù)丟失，而sharding是為了在多臺(tái)機(jī)器間分?jǐn)傌?fù)載。最前端由大塊大塊的cache組成，要保證至少99%（該數(shù)據(jù)在weibo.com架構(gòu)中的是自己猜的，而taobao圖片存儲(chǔ)模塊是真實(shí)的）的訪問(wèn)數(shù)據(jù)落在cache中，這樣可以保證用戶訪問(wèn)速度，減少后端數(shù)據(jù)庫(kù)的壓力，此外，為了保證前端cache中數(shù)據(jù)與后端數(shù)據(jù)庫(kù)中數(shù)據(jù)一致，需要有一個(gè)中間件異步更新（為啥異步？理由簡(jiǎn)單：同步代價(jià)太高。異步有缺定，如何彌補(bǔ)？）數(shù)據(jù)，這個(gè)有些人可能比較清楚，新浪有個(gè)開(kāi)源軟件叫memcachedb（整合了Berkeley DB和Memcached），正是完成此功能。另外，為了分?jǐn)傌?fù)載壓力和海量數(shù)據(jù)，會(huì)將用戶微博信息經(jīng)過(guò)片后存放到不同節(jié)點(diǎn)上（稱為“sharding”）。

這種架構(gòu)優(yōu)點(diǎn)非常明顯：簡(jiǎn)單，在數(shù)據(jù)量和用戶量較小的時(shí)候完全可以勝任。但缺定早晚一天暴露出來(lái)，即：擴(kuò)展性和容錯(cuò)性太差，維護(hù)成本非常高，尤其是數(shù)據(jù)量和用戶量暴增之后，系統(tǒng)不能通過(guò)簡(jiǎn)單的增加機(jī)器解決該問(wèn)題。

于是乎，新的架構(gòu)便出現(xiàn)了。主要還是google的那一套東西，下面分別說(shuō)一下：

GFS是一個(gè)可擴(kuò)展的分布式文件系統(tǒng)，用于大型的、分布式的、對(duì)大量數(shù)據(jù)進(jìn)行訪問(wèn)的應(yīng)用。它運(yùn)行于廉價(jià)的普通硬件上，提供容錯(cuò)功能?，F(xiàn)在開(kāi)源界有HDFS(Hadoop Distributed File System)，該文件系統(tǒng)雖然彌補(bǔ)了數(shù)據(jù)庫(kù)+sharding的很多缺點(diǎn)，但自身仍存在一些問(wèn)題，比如：由于采用master/slave架構(gòu)，因而存在單點(diǎn)故障問(wèn)題；元數(shù)據(jù)信息全部存放在master端的內(nèi)存中，因而不適合存儲(chǔ)小文件，或者說(shuō)如果存儲(chǔ)的大量小文件，那么存儲(chǔ)的總數(shù)據(jù)量不會(huì)太大。

MapReduce是針對(duì)分布式并行計(jì)算的一套編程模型。他最大的優(yōu)點(diǎn)是：編程接口簡(jiǎn)單，自動(dòng)備份（數(shù)據(jù)默認(rèn)情況下會(huì)自動(dòng)備三份），自動(dòng)容錯(cuò)和隱藏跨機(jī)器間的通信。在Hadoop中，MapReduce作為分布計(jì)算框架，而HDFS作為底層的分布式存儲(chǔ)系統(tǒng)，但MapReduce不是與HDFS耦合在一起的，你完全可以使用自己的分布式文件系統(tǒng)替換掉HDFS。當(dāng)前MapReduce有很多開(kāi)源實(shí)現(xiàn)，如Java實(shí)現(xiàn)Hadoop MapReduce，C++實(shí)現(xiàn)Sector/sphere等，甚至有些數(shù)據(jù)庫(kù)廠商將MapReduce集成到數(shù)據(jù)庫(kù)中了。

BigTable俗稱“大表”，是用來(lái)存儲(chǔ)結(jié)構(gòu)化數(shù)據(jù)的，個(gè)人覺(jué)得，BigTable在開(kāi)源界最火爆，其開(kāi)源實(shí)現(xiàn)最多，包括：HBase，Cassandra，levelDB等，使用也非常廣泛。

除了google的這三家馬車，還有其他一些技術(shù)：

Dynamo：亞馬遜的key-value模式的存儲(chǔ)平臺(tái)，可用性和擴(kuò)展性都很好，采用DHT（Distributed Hash Table）對(duì)數(shù)據(jù)分片，解決單點(diǎn)故障問(wèn)題，在Cassandra中，也借鑒了該技術(shù)，在BT和電驢的中，也采用了類似算法。

虛擬節(jié)點(diǎn)技術(shù)：該技術(shù)常用于分布式數(shù)據(jù)分片中。具體應(yīng)用場(chǎng)景是：有一大坨數(shù)據(jù)（maybe TB級(jí)或者PB級(jí)），我們需按照某個(gè)字段（key）分片存儲(chǔ)到幾十（或者更多）臺(tái)機(jī)器上，同時(shí)想盡量負(fù)載均衡且容易擴(kuò)展。傳統(tǒng)的做法是：Hash(key) mod N，這種方法最大缺點(diǎn)是不容易擴(kuò)展，即：增加或者減少機(jī)器均會(huì)導(dǎo)致數(shù)據(jù)全部重分布，代價(jià)忒大。于是乎，新技術(shù)誕生了，其中一種是上面提到的DHT，現(xiàn)在已經(jīng)被很多大型系統(tǒng)采用，還有一種是對(duì)“Hash(key) mod N”的改進(jìn)：假設(shè)我們要將數(shù)據(jù)分不到20臺(tái)機(jī)器上，傳統(tǒng)做法是hash(key) mod 20，而改進(jìn)后，N取值要遠(yuǎn)大于20，比如是20000000，然后我們采用額外一張表記錄每個(gè)節(jié)點(diǎn)存儲(chǔ)的key的模值，比如：

node1：0~1000000

node2：1000001~2000000

。。。。。。

這樣，當(dāng)添加一個(gè)新的節(jié)點(diǎn)時(shí)，只需將每個(gè)節(jié)點(diǎn)上部分?jǐn)?shù)據(jù)移動(dòng)給新節(jié)點(diǎn)，同時(shí)修改一下這個(gè)表即可。

Thrift：Thrift是一個(gè)跨語(yǔ)言的RPC框架，分別解釋一下“RPC”和“跨語(yǔ)言”，RPC是遠(yuǎn)程過(guò)程調(diào)用，其使用方式與調(diào)用一個(gè)普通函數(shù)一樣，但執(zhí)行體發(fā)生在遠(yuǎn)程機(jī)器上?？缯Z(yǔ)言是指不同語(yǔ)言之間進(jìn)行通信，比如c/s架構(gòu)中，server端采用C++編寫，client端采用PHP編寫，怎樣讓兩者之間通信，thrift是一種很好的方式。

文章最前面的幾道題均可以映射到以上幾個(gè)系統(tǒng)中的某個(gè)模塊中，如：

（1） 關(guān)于高并發(fā)系統(tǒng)設(shè)計(jì)。主要有以下幾個(gè)關(guān)鍵技術(shù)點(diǎn)：緩存，索引，數(shù)據(jù)分片，鎖粒度盡可能小。

（2） 問(wèn)題2涉及到現(xiàn)在通用的分布式文件系統(tǒng)的副本存放策略。一般是將大文件切分成小的block（如64MB）后，以block為單位存放三份到不同的節(jié)點(diǎn)上，這三份數(shù)據(jù)的位置需根據(jù)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)配置，一般而言，如果不考慮跨數(shù)據(jù)中心，可以這樣存放：兩個(gè)副本存放在同一個(gè)機(jī)架的不同節(jié)點(diǎn)上，而另外一個(gè)副本存放在另一個(gè)機(jī)架上，這樣從效率和可靠性上，都是最優(yōu)的（這個(gè)google公布的文檔中有專門的證明，有興趣的可參閱一下。）。如果考慮跨數(shù)據(jù)中心，可將兩份存在一個(gè)數(shù)據(jù)中心的不同機(jī)架上，另一份放到另一個(gè)數(shù)據(jù)中心。

（3）問(wèn)題4涉及到BigTable的模型。主要思想是將隨機(jī)寫轉(zhuǎn)化為順序?qū)?，進(jìn)而大大提高寫速度。具體是：由于磁盤物理結(jié)構(gòu)的獨(dú)特設(shè)計(jì)，其并發(fā)的隨機(jī)寫（主要是因?yàn)榇疟P尋道時(shí)間長(zhǎng)）非常慢，考慮到這一點(diǎn)，在BigTable模型中，首先會(huì)將并發(fā)寫的大批數(shù)據(jù)放到一個(gè)內(nèi)存表（稱為“memtable”）中，當(dāng)該表大到一定程度后，會(huì)順序?qū)懙揭粋€(gè)磁盤表（稱為“SSTable”）中，這種寫是順序?qū)?，效率極高。說(shuō)到這，可能有讀者問(wèn)，隨機(jī)讀可不可以這樣優(yōu)化？答案是：看情況。通常而言，如果讀并發(fā)度不高，則不可以這么做，因?yàn)槿绻麑⒍鄠€(gè)讀重新排列組合后再執(zhí)行，系統(tǒng)的響應(yīng)時(shí)間太慢，用戶可能接受不了，而如果讀并發(fā)度極高，也許可以采用類似機(jī)制。