泰康在線微信公眾號系泰康在線財產保險股份有限公司旗下平臺，希望可以通過持續不斷的創新，提升客戶對於保險的認知及體驗，通過對大數據技術的應用，精準的為客戶設計產品以及提供服務。泰康在線微信公眾號，現有1000多萬粉絲。在日常的運營中，藉助於紅包獎勵、卡券分享、消息通知、微信分享等手段，通過好的內容，好的活動、好的產品以及相應的精準營銷來增強用戶的粘性和活躍度。
在日常運營中，公眾號會通過給用戶下發營銷或者科普類的消息來通知客戶。 根據經驗，微信消息下發後10分鐘後流量會逐步上升，30分鐘左右到達峰值，1個小時後會顯著下降。在這個時間段內，系統的壓力會很大。
在系統設計和改進中，系統的很多場景使用異步進行實現，一方面能縮短主流程的時間處理，另一方面能夠通過異步隊列進行一定程度的削峰。今天重點介紹單個JVM內的異步優化實踐，不涉及分佈式時的異步優化實踐。在異步執行時，可以調用遠程的服務集群來實現一定的任務分解。
部署示意圖
整個系統都部署在公有云上，虛擬機上有部署1個Nginx，4個Tomcat，Nginx使用隨機的方式負載均衡到Tomcat上面。虛機之間通過LB將客戶請求轉發到Nginx上面負載均衡，Nginx再將請求分配到tomcat應用服務器上。
由多臺應用服務器，對外服務提供Rest服務，在每個Tomcat內部使用異步隊列。同時由一臺控制服務器，進行異步任務的補償任務和管理功能。Tomcat和Redis使用多級緩存來降低對Redis的壓力，並減少依賴。
為什麼要在虛機上部署Nginx將請求轉發到Tomcat，而不是由LB直接轉發到Tomcat。這是因為LB能夠支持的IP個數是有限的。
典型的用戶場景
在公眾號的運營過程中，典型的事件包括：
- 發送短信驗證碼
- 購買成功或者抽獎成功短信通知
- 卡券或優惠券發放
- 發放微信紅包
- 微信消息通知
- 訂單流程處理
- 定時批處理（比如數據同步）
- 工作流性質的異步任務（未完成異步任務補償）
面詳細說明不同場景能夠異步的原因：
- 不同場景（用戶註冊，用戶購買產品等）下的短信驗證碼發送，可以使用異步方式發送： 一方面是因為客戶這個時效性要求沒有那樣高，另一方面在特定時間範圍內用戶沒有收到驗證碼，用戶可以點擊再次發送驗證碼。
- 購買成功或者抽獎成功後短信或者郵件通知，可以通過異步的方式進行。 因為涉及用戶的利益，要謹慎對待。一方面一定要把數據先存到數據庫或者日誌裡面（注意信息安全^-^,別存敏感明文信息或者加密存儲），然後再放入到異步隊列中執行。另一個方面，要考慮到應用服務意外停止時，沒有發送成功數據的補償機制。 這種情況不常見，並且為了減少耦合和當前異步程序的複雜度。我們使用單獨的服務上部署異步任務補償程序，來掃描未完成的任務，並且進行重放（一定要注意嚴謹性）。
- 優惠券和卡券的發放，跟購買成功或抽獎成功的方式類似。\\\\u000b可以在當前活動高峰後延時發放，並且使用異步的方式進行。
- 微信紅包，因為需要跟微信進行交互，並且微信會通知客戶紅包的情況，可以使用異步的方式進行。 當涉及資金或者禮品時，一定要謹慎對待設計，並且需要有方便進行異步任務停止和啟動的功能。
- 微信消息通知，因為跟微信進行交互，成功後微信進行通知，可以使用異步。 這個跟短信驗證碼類似。
- 訂單流程處理，可以使用異步，因為涉及到後續步驟可以使用簡單工作流來完成。有幾個開源的框架可以參考。
- 數據同步或者異步任務補償，因為是延時處理，可以使用異步進行處理。在使用時，可以配合定時任務，比如cron4j來週期性的進行補償。適合後面總-分-總的任務處理模式。
針對這些“無處不在的異步”，後面詳細分析其內在模型。
無處不在的異步
下圖包含了4種典型的異步隊列模型（圖片來源於網絡）：
一個生產者生產數據，一個消費者消費數據，一般用在後臺處理的業務邏輯中。
- 一個生產者生產數據，多個消費者消費數據（這裡面有兩種情況：同一個消息，可以被多個消費者分別消費。或者多個消費者組成一個組，一個消費者消費一個數據）。
- 多個生產者生產數據，單個消費者消費數據，可以用在限流或者排隊等候單一資源處理的場景中。
- 多個生產者分別生產數據，多個消費者消費數據（這裡面有兩種情況：同一個消息，可以被多個消費者分別消費。或者多個消費者組成一個組，一個消費者消費一個數據）。
總分總任務模型：特別適第一個線程取出一批數據放到隊列中（比如select）；由多個線程分別執行業務邏輯；執行後的結果由一個線程來執行（比如update操作，這樣能夠防止數據庫鎖）
這是從技術上分析的幾種常見模型，在實踐中涉及怎樣選擇框架。
- 使用堵塞隊列的線程池
- 使用固定步長或固定時間的隊列
- 使用Disruptor
- 使用MQ或Kafka
使用線程池實現異步 （支持多生產者，多消費者）
特點：可以使用JDK自帶的線程池實現異步，編程簡單，資料多。建議在併發量小的場景下優先選擇。
使用Guava Queues （支持多生產者單消費者）
特點：異步批量隊列，在隊列到達指定長度，或者到達指定時間後，批量進行數據處理。適合於對響應時間要求低，能夠容忍一定的數據丟失的場景。比如短小文本數據的批量保存。
在經過一段時間調研後，我們發現Disruptor更能滿足我們需要。
首先介紹一下Disruptor的強悍的性能。
這張圖包含我列舉的上述的異步隊列模型景，因此很有代表意義。Disruptor因為使用無鎖的隊列方式，具有很高的性能。具體的原理不詳述，大家可以搜索看到。Disruptor支持上面典型場景，並且靈活使用Disruptor的工作流機制，能簡化編程。
英文文章入門：https://github.com/LMAX-Exchange/disruptor/wiki/Getting-Started
中文的demo鏈接：http://my.oschina.net/u/2273085/blog/507735?p=1
併發框架Disruptor相關譯文：http://ifeve.com/disruptor/
再貼一下官方的測試結果。
下面從代碼層面說明disruptor的幾種用法。
使用Disruptor（單生產者多消費者）
Disruptor 提供了多個 WaitStrategy的實現，每種策略都具有不同性能和優缺點，根據實際運行環境的 CPU 的硬件特點選擇恰當的策略，並配合特定的 JVM的配置參數，能夠實現不同的性能提升。 例如，BlockingWaitStrategy、SleepingWaitStrategy、YieldingWaitStrategy 等，其中：
- BlockingWaitStrategy 是最低效的策略，但其對CPU的消耗最小並且在各種不同部署環境中能提供更加一致的性能表現；
- SleepingWaitStrategy 的性能表現跟 BlockingWaitStrategy 差不多，對 CPU的消耗也類似，但其對生產者線程的影響最小，適合用於異步日誌類似的場景；
- YieldingWaitStrategy的性能是最好的，適合用於低延遲的系統。在要求極高性能且事件處理線數小於 CPU邏輯核心數的場景中，推薦使用此策略；例如，CPU開啟超線程的特性。
我們現在使用BlockingWaitStrategy這種模式。
使用Disruptor（多生產者多消費者）
使用Disruptor（多生產者多消費者）
這個例子中，使用類似線程池的消費組處理數據。
多步模式工作流：Disruptor
使用異步後的煩惱
煩惱一： 數據丟失的風險
解決方式：先寫日誌或數據庫，後放入異步隊列.
煩惱二：對其他系統的壓力變大
解決方式：使用一定的限流和熔斷，對其他系統進行保護。
煩惱三：數據保存後異步任務未執行
解決方式：使用異步任務補償的方式，定期從數據庫中獲取數據，放到隊列中進行執行，執行後更新數據狀態位。
煩惱四：怎樣隊列長設置和消費者數量
解決方式：使用實際的壓力測試來獲得隊列長度。或者使用排隊論的數學公式得到初步的值,然後進行實際壓測。
最後介紹一下項目中的經驗：
- 量力而行：根據業務特點進行技術選型，業務量小盡量避免使用異步。有所為，有所不為
- 數據說話：異步時一定要進行必要的壓力測試
- 先找出系統的關鍵點：優化單體系統內的性能，再通過整體系統分解來全局優化
- 根據團隊和項目的特點選擇框架。
原文地址：http://chuansong.me/n/355827651252
閱讀更多 架構師筆記 的文章
