微博日活躍用戶1.6億+，每日訪問量達百億級，面對龐大用戶群的海量訪問，良好的架構且不斷改進的緩存體系具有非常重要的支撐作用。
本文大綱
1、 微博在運行過程中的數據挑戰 2、 Feed平臺系統架構 3、 Cache架構及演進 3、 總結與展望
數據挑戰
數據挑戰
Feed平臺系統架構
Feed平臺系統架構
Feed平臺系統架構總共分為五層，最上面是端層，比如web端、客戶端、大家用的IOS或Android/ target=_blank class=infotextkey>安卓的一些客戶端，還有一些開放平臺、第三方接入的一些接口；下一層是平臺接入層，不同的池子，主要是為了把好的資源集中調配給重要的核心接口，這樣遇到突發流量的時候，就有更好的彈性來服務，提高服務穩定性。再下面是平臺服務層，主要是Feed算法、關系等等。接下來是中間層，通過各種中間介質提供一些服務。最下面一層就是存儲層。
1、Feed Timeline
大家日常刷微博的時候，比如在主站或客戶端點一下刷新，最新獲得了十到十五條微博，這是怎么構建出來的呢？
刷新之后，首先會獲得用戶的關注關系。比如他有一千個關注，會把這一千個ID拿到，再根據這一千個UID，拿到每個用戶發表的一些微博。同時會獲取這個用戶的Inbox，就是他收到的特殊的一些消息，比如分組的一些微博、群的微博、下面的關注關系、關注人的微博列表。
拿到這一系列微博列表之后進行集合、排序，拿到所需要的那些ID，再對這些ID去取每一條微博ID對應的微博內容。如果這些微博是轉發過來的，它還有一個原微博，會進一步取原微博內容。通過原微博取用戶信息，進一步根據用戶的過濾詞對這些微博進行過濾，過濾掉用戶不想看到的微博。
根據以上步驟留下的微博，會再進一步來看，用戶對這些微博有沒有收藏、點贊，做一些flag設置，還會對這些微博各種計數，轉發、評論、贊數進行組裝，最后才把這十幾條微博返回給用戶的各種端。
這樣看來，用戶一次請求得到的十幾條記錄，后端服務器大概要對幾百甚至幾千條數據進行實時組裝，再返回給用戶，整個過程對Cache體系強度依賴，所以Cache架構設計優劣會直接影響到微博體系表現的好壞。
2、Feed Cache架構
接下來我們看一下Cache架構，它主要分為六層。首先第一層是Inbox，主要是分組的一些微博，然后直接對群主的一些微博。Inbox比較少，主要是推的方式。
然后對于第二層的Outbox，每個用戶都會發常規的微博，都會在它的Outbox里面去。根據存的ID數量，實際上分成多個Cache，普通的大概是200多條，如果長的大概是2000條。
第三層是一些關系，它的關注、粉絲、用戶。
第四層是內容，每一條微博一些內容存在這里。
第五層就是一些存在性判斷，比如某條微博我有沒有贊過。之前有一些明星就說我沒有點贊這條微博怎么顯示我點贊了，引發了一些新聞。而這種就是記錄，實際上她有在某個時候點贊過但可能忘記了。
最下面還有比較大的一層——計數，每條微博的評論、轉發等計數，還有用戶的關注數、粉絲數這些數據。
Cache架構及演進
1、簡單KV數據類型
接下來我們著重講一下微博的Cache架構演進過程。最開始微博上線時，我們是把它作為一個簡單的KV數據類型來存儲。我們主要采取哈希分片存儲在MC池子里，上線幾個月之后發現一些問題：有一些節點機器宕機或是其它原因，大量的請求會穿透Cache層達到DB上去，導致整個請求變慢，甚至DB僵死。
于是我們很快進行了改造，增加了一個HA層，這樣即便Main層出現某些節點宕機情況或者掛掉之后，這些請求會進一步穿透到HA層，不會穿透到DB層。這樣可以保證在任何情況下，整個系統命中率不會降低，系統服務穩定性有了比較大的提升。
對于這種做法，現在業界用得比較多，然后很多人說我直接用哈希，但這里面也有一些坑。比如我有一個節點，節點3宕機了，Main把它給摘掉，節點3的一些QA分給其他幾個節點，這個業務量還不是很大，穿透DB，DB還可以抗住。但如果這個節點3恢復了，它又加進來之后，節點3的訪問就會回來，稍后節點3因為網絡原因或者機器本身的原因，它又宕機了，一些節點3的請求又會分給其他節點。這個時候就會出現問題，之前分散給其他節點寫回來的數據已經沒有人更新了，如果它沒有被剔除掉就會出現混插數據。
實際上微博是一個廣場型的業務，比如突發事件，某明星找個女朋友，瞬間流量就30%了。突發事件后，大量的請求會出現在某一些節點，會導致這些節點非常熱，即便是MC也沒辦法滿足這么大的請求量。這時MC就會變成瓶頸，導致整個系統變慢。
基于這個原因，我們引入了L1層，還是一個Main關系池，每一個L1大概是Main層的N分之一，六分之一、八分之一、十分之一這樣一個內存量，根據請求量我會增加4到8個L1，這樣所有請求來了之后首先會訪問L1。L1命中的話就會直接訪問，如果沒有命中再來訪問Main-HA層，這樣在一些突發流量的時候，可以由L1來抗住大部分熱的請求。對微博本身來說，新的數據就會越熱，只要增加很少一部分內存就會抗住更大的量。
簡單總結一下，通過簡單KV數據類型的存儲，我們實際上以MC為主的，層內HASH節點不漂移，Miss穿透到下一層去讀取。通過多組L1讀取性能提升，能夠抗住峰值、突發流量，而且成本會大大降低。對讀寫策略，采取多寫，讀的話采用逐層穿透，如果Miss的話就進行回寫。對存在里面的數據，我們最初采用Json/xml，2012年之后就直接采用Protocol Buffer格式，對一些比較大的用QuickL進行壓縮。
2、集合類數據
剛才講到簡單的QA數據，那對于復雜的集合類數據怎么來處理？
比如我關注了2000人，新增一個人，就涉及到部分修改。有一種方式是把2000個ID全部拿下來進行修改，但這種對帶寬、機器壓力會很大。還有一些分頁獲取，我存了2000個，只需要取其中的第幾頁，比如第二頁，也就是第十到第二十個，能不能不要全量把所有數據取回去。還有一些資源的聯動計算，會計算到我關注的某些人里面ABC也關注了用戶D。這種涉及到部分數據的修改、獲取，包括計算，對MC來說實際上是不太擅長的。
各種關注關系都存在redis里面取，通過Hash分布、儲存，一組多存的方式來進行讀寫分離?，F在Redis的內存大概有30個T，每天都有2-3萬億的請求。
在使用Redis的過程中，實際上還是遇到其他一些問題。比如從關注關系，我關注了2000個UID，有一種方式是全量存儲，但微博有大量的用戶，有些用戶登陸得比較少，有些用戶特別活躍，這樣全部放在內存里成本開銷是比較大的。所以我們就把Redis使用改成Cache，比如只存活躍的用戶，如果你最近一段時間沒有活躍，會把你從Redis里踢掉，再次有訪問的時候再把你加進來。
這時存在一個問題，因為Redis工作機制是單線程模式，如果它加某一個UV，關注2000個用戶，可能擴展到兩萬個UID，兩萬個UID塞回去基本上Redis就卡住了，沒辦法提供其他服務。所以我們擴展一種新的數據結構，兩萬個UID直接開了端，寫的時候直接依次把它寫到Redis里面去，讀寫的整個效率就會非常高。它的實現是一個long型的開放數組，通過Double Hash進行尋址。
我們對Redis進行了一些其他的擴展，大家可能也在網上看到過我們之前的一些分享，把數據放到公共變量里面，整個升級過程，我們測試1G的話加載要10分鐘，10G大概要十幾分鐘以上，現在是毫秒級升級。
對于AOF，我們采用滾動的AOF，每個AOF是帶一個ID的，達到一定的量再滾動到下一個AOF里去。對RDB落地的時候，我們會記錄構建這個RDB時，AOF文件以及它所在的位置，通過新的RDB、AOF擴展模式，實現全增量復制。
3、其他數據類型-計數
接下來還有一些其他的數據類型，比如一個計數，實際上計數在每個互聯網公司都可能會遇到，對一些中小型的業務來說，實際上MC和Redis足夠用的，但在微博里計數出現了一些特點：單條Key有多條計數，比如一條微博，有轉發數、評論數，還有點贊；一個用戶有粉絲數、關注數等各種各樣的數字。因為是計數，它的Value size是比較小的，根據它的各種業務場景，大概就是2-8個字節，一般4個字節為多，然后每日新增的微博大概十億條記錄，總記錄就更可觀了，然后一次請求，可能幾百條計數要返回去。
4、計數器-Counter Service
最初是可以采取Memcached，但它有個問題，如果計數超過它內容容量時，會導致一些計數的剔除，宕機或重啟后計數就沒有了。另外可能有很多計數它為零，那這個時候怎么存，要不要存，存的話就占很多內存。微博每天上十億的計數，光存0都要占大量的內存，如果不存又會導致穿透到DB里去，對服務的可溶性會存在影響。
2010年之后我們又采用Redis訪問，隨著數據量越來越大之后，發現Redis內存有效負荷還是比較低的，它一條KV大概需要至少65個字節，但實際上我們一個計數需要8個字節，然后Value大概4個字節，所以有效只有12個字節，還有四十多個字節都是被浪費掉的。這還只是單個KV，如果在一條Key有多個計數的情況下，它就浪費得更多了。比如說四個計數，一個Key 8個字節，四個計數每個計數是4個字節，16個字節大概需要26個字節就行了，但是用Redis存大概需要200多個字節。
后來我們通過自己研發的Counter Service，內存降至Redis的五分之一到十五分之一以下，而且進行冷熱分離，熱數據存在內存里，冷數據如果重新變熱，就把它放到LRU里去。落地RDB、AOF，實現全增量復制，通過這種方式，熱數據單機可以存百億級，冷數據可以存千億級。
整個存儲架構大概是上圖這樣，上面是內存，下面是SSD，在內存里是預先把它分成N個Table，每個Table根據ID的指針序列，劃出一定范圍。任何一個ID過來先找到它所在的Table，如果有直接對它增增減減，有新的計數過來，發現內存不夠的時候，就會把一個小的Table Dump到SSD里去，留著新的位置放在最上面供新的ID來使用。
有些人疑問說，如果在某個范圍內，我的ID本來設的計數是4個字節，但是微博特別熱，超過了4個字節，變成很大的一個計數怎么處理？對于超過限制的，我們把它放在Aux dict進行存放，對于落在SSD里的Table，我們有專門的IndAux進行訪問，通過RDB方式進行復制。
5、其他數據類型-存在性判斷
除了計數，微博還有一些業務，一些存在性判斷。比如一條微博展現的，有沒有點贊、閱讀、推薦，如果這個用戶已經讀過這個微博了，就不要再顯示給他。這種有一個很大的特點，它檢查是否存在，每條記錄非常小，比如Value1個bit就可以了，但總數據量巨大。比如微博每天新發表微博1億左右，讀的可能有上百億、上千億這種總的數據需要判斷。怎么來存儲是個很大的問題，而且這里面很多存在性就是0。還是前面說的，0要不要存？如果存了，每天就存上千億的記錄；如果不存，那大量的請求最終會穿透Cache層到DB層，任何DB都沒辦法抗住那么大的流量。
我們也進行了一些選型，首先直接考慮能不能用Redis。單條KV 65個字節，一個KV可以8個字節的話，Value只有1個bit，這樣算下來每日新增內存有效率是非常低的。第二種我們新開發的Counter Service，單條KV Value1個bit，我就存1個byt，總共9個byt就可以了。這樣每日新增內存900G，存的話可能就只能存最新若干天的，存個三天差不多快3個T了，壓力也挺大，但比Redis已經好很多。
我們最終方案是自己開發Phantom，先采用把共享內存分段分配，最終使用的內存只用120G就可以。算法很簡單，對每個Key可以進行N次哈希，如果哈希的某一個位它是1，那么進行3次哈希，三個數字把它設為1。把X2也進行三次哈希，后面來判斷X1是否存在的時候，從進行三次哈希來看，如果都為1就認為它是存在的，如果某一個哈希X3，它的位算出來是0，那就百分百肯定是不存在的。
它的實現架構比較簡單，把共享內存預先拆分到不同Table里，在里面進行開方式計算，然后讀寫，落地的話采用AOF+RDB的方式進行處理。整個過程因為放在共享內存里面，進程要升級重啟數據也不會丟失。對外訪問的時候，建Redis協議，它直接擴展新的協議就可以訪問我們這個服務了。
6、小結
小結一下，到目前為止，我們關注了Cache集群內的高可用、擴展性、組件高性能，還有一個特別重要就是存儲成本，還有一些我們沒有關注到的，比如運維性如何，微博現在已經有幾千差不多上萬臺服務器等。
7、進一步優化
8、服務化
采取的方案首先就是對整個Cache進行服務化管理，對配置進行服務化管理，避免頻繁重啟，另外如果配置發生變更，直接用一個腳本修改一下。
服務化還引入Cluster Manager，實現對外部的管理，通過一個界面來進行管理，可以進行服務校驗。服務治理方面，可以做到擴容、縮容，SLA也可以得到很好的保障。另外，對于開發來說，現在就可以屏蔽Cache資源。
總結與展望
最后簡單總結一下，對于微博Cache架構來說，我們從它的數據架構、性能、儲存成本、服務化等不同方面進行了優化增強。歡迎對此有研究或有疑問的同行們留言，跟我們一起探討。
如果您覺得文章對您有幫助，動動你的小指頭，點亮一份陪護在你身邊的燈燭，共勉共勵。
