![]()
生产实践中，如果遇到业务流量变高导致服务负载升高甚至报警，我们的第一反应往往是「加机器」。
俗话说，能用钱解决的问题都不是问题。
俗话又说，充钱你就能变得更强。
但是，作为一个有理想有抱负的架构师，除了「加机器」，其实你的微服务还能更优雅、更精细地进行优化。
本文预计阅读时间 10分钟，将从以下三个方面展开：
从「AKF扩展立方」说起
Y轴扩展的常用模式
z轴扩展的思想与应用
1、从「AKF扩展立方」说起
在上一篇文章，我们从「服务维度」学习架构师的常用能力——微服务设计与治理。
围绕着微服务生命周期的七个阶段，总结了常用的16条原则。
其中原则15在微服务服务治理实践中非常重要，本文将重点进行拆解分析。
原则15：参考「AKF扩展立方」模型，服务除了「水平扩容」外，还可以考虑「功能拆分」或者 「数据分区」。
所谓AKF扩展立方体（AKF Scale Cube），是一个描述从单体应用到一个分布式可扩展架构的模型概念。
![]()
X轴：服务和数据的水平扩容。
Y轴：功能/业务拆分
Z轴：沿客户边界的服务和数据分区
「水平扩容」比较容易理解，就是我们常见的操作——加机器。
根据AKF模型，面对服务负载升高的情况，其实除了加机器外，我们还可以考虑「功能拆分」或者 「数据分区」。
2、Y轴扩展的常用模式
「Y轴扩展」相对复杂，我总结了几种模式：
微服务拆分。根据具体业务模型、领域模型拆分更细粒度的微服务。
业务隔离拆分。利用消息队列，将在线业务（OLTP）和耗费大量资源的计算任务拆分隔离。
核心与非核心隔离。对于一个微服务，可以将SKA客户与普通客户进行隔离，SKA客户使用独立的集群资源，提高稳定性。
2.1 微服务拆分
某个微服务负载过高，一个非常常见的原因就是这个微服务承担了过多的职责。这个时候，我们需要根据具体业务模型、领域模型拆分更细粒度的微服务。也是我们常说的「垂直拆分」。
![]()
最典型的拆分方法论就是按照领域驱动设计（DDD)进行拆分。
以电商领域为例，按照领域可以拆分为:
![]()
系统按照领域拆分为多个微服务后，各个微服务由单独的团队负责整个生命周期的维护，单独部署运行。
这种隔离拆分的方式，能带来以下优势：
提高整体系统的负载能力
各个微服务间具备 独立扩缩容、故障隔离 等能力。
2.2 耗时任务隔离拆分
「Y轴扩展」除了按照领域进行服务拆分之外，另外一种非常重要的拆分方式，是将在线业务（OLTP)类型服务中「耗时任务」进行隔离拆分。
我们服务一般会采用Tomcat或者Jetty部署，同时采用同步调用的方式。以Jetty为例，默认线程池最大线程数为200。如果请求中有耗时任务，影响了同步请求的RT，那么线程池满后就会阻塞请求。
正如利特尔法则（Little's law）表述的：
在一个稳定的系统（L）中，长期的平均顾客人数，等于长期的有效抵达率（λ），乘以顾客在这个系统中平均的等待时间（W）；或者，我们可以用一个代数式来表达：
因此，耗时任务会显著提高服务负载、降低在线业务服务的吞吐能力。
通过引入消息队列或者任务队列框架，我们可以将耗时任务从在线业务服务中进行隔离拆分。
![]()
这种隔离拆分的方式，能带来以下优势：
提高在线服务的吞吐能力
避免耗时任务影响在线业务的稳定性。
2.3 核心与非核心隔离拆分
「Y轴扩展」的第三种方式，是将 核心 与 非核心 进行拆分。
比如，我们通常可能会将「核心接口」与「非核心」接口通过一个服务内的不同线程池实现隔离。但是在节点资源（cpu/内存/带宽等）上并不能实现隔离。
因此，我们可以更进一步，通过集群拆分的形式进行隔离。
![]()
通过服务路由的配置，将核心接口路由到核心集群（一般节点配置更高），非核心接口路由到非核心集群。
另外，也有saas服务，通常会对SKA客户做独立集群，也是类似的逻辑。
![]()
其实按用户拆分隔离跟「数据分区」有一点类似，也可以归类到「z轴扩展」
这种隔离拆分的方式，能带来以下优势：
3、Z轴扩展的思想与应用
Z轴扩展的核心思想，是基于请求者或用户独特的需求，进行系统划分，并使得划分出来的子系统是相互隔离但又是完整的。
生产实践中，常用的z轴扩展有两种应用：
3.1 单元化架构
单元化架构主要关注的是应用部署、调用层面的问题。
一个单元，是一个五脏俱全的缩小版全站，它部署了所有微服务。
![]()
但它又不是真正的全站，因为每个单元只能操作一部分数据。
从这里我们也能看出，单元化架构要求系统必须具备的一项能力——数据分区。
当然，仅把数据分区了还不够，单元化的另外一个必要条件是，全站所有业务数据分区所用的拆分维度和拆分规则都必须一样。
一般来说，我们绝大多数系统都是面向用户的，按用户维度对数据分区，是一个最佳实践。
当然，如果是全球化部署的单元化架构，还需要考虑按照地域进行分区。
3.2 数据分区
数据分区（shard），即是将全局数据按照某一个维度水平划分开来，每个分区的数据内容互不重叠，这也就是数据库「水平拆分」所做的事情。
前面提到了「数据分区」是「单元化」的必要条件，但是「数据分区」还有其他很多场景应用。
最典型的，就是MySQL单机瓶颈后，需要进行「分库分表」。在服务中需要引入一些支持数据拆分和路由的中间件，如sharding-jdbc、mycat等，在数据层面需要配置相应的分片逻辑。
另外，其他数据库的分区扩展（如redis集群、mongo集群等），也是非常典型的应用场景。
一般包括以下几种数据划分的方式：
数据类型（如：业务类型）
数据范围（如：时间段，用户 ID）
数据热度（如：用户活跃度，商品热度）
按读写分（如：商品描述，商品库存）
4、小结
本文从「AKF扩展立方」说起，介绍了提高服务负载能力的几种服务治理方式。
除了X轴扩展（加机器）外，还可以通过Y轴扩展（功能/业务拆分）、Z轴扩展（数据分区）等方式，更优雅、更精细地进行优化。
希望能够抛砖引玉，提供一些启发和思考。如果你有其他补充和建议，欢迎留言讨论。
往期热门笔记合集推荐：
原创：阿丸笔记（微信公众号：aone_note），欢迎 分享，转载请保留出处。
没有留言功能的悲伤，扫描下方二维码「加我」聊些有的没的吧～
![]()
