中国建设工程机械网站,东莞网站优化一般多少钱,wordpress menu 插件,友情链接交易平台源码正如你可能之前看到的#xff0c;Discord去年发布了一篇有价值的文章#xff0c;讨论了他们成功存储了数万亿条消息。虽然有很多关于这篇文章的YouTube视频和文章#xff0c;但我认为这篇文章中一个名为“数据服务为数据服务”的部分没有得到足够的关注。在这篇文章中#…正如你可能之前看到的Discord去年发布了一篇有价值的文章讨论了他们成功存储了数万亿条消息。虽然有很多关于这篇文章的YouTube视频和文章但我认为这篇文章中一个名为“数据服务为数据服务”的部分没有得到足够的关注。在这篇文章中我们将讨论Discord对数据服务的方法并探讨如何利用Golang的并发特性来减少特定情况下的数据库负载。
数据服务拯救热分区
如你所知消息和频道是Discord中最常用的组件。让我们想象一个场景一个拥有50万成员的频道的管理员提到everyone。会发生什么成千上万个同时的请求直接指向那个数据库分区所有请求的目标都是检索相同的消息。这种模式重复发生直到该分区无法回应其他请求。 Discord引入了一个位于Python API和数据库集群之间的中间服务 — 他们称之为数据服务。这个服务大致包含每个查询一个gRPC端点没有任何业务逻辑。对Discord来说这个服务的重要特性就是请求合并。
请求合并
正如我们之前讨论过的每当在一个庞大的频道中有提及时就会有大量类似的请求直接指向数据库分区。通过合并这些请求如果多个用户请求相同的数据库行我们可以将这些请求合并成一个选择查询并执行该查询。 通过使用数据服务而不是直接连接到数据库我们可以实现许多令人兴奋的功能比如批量查询这些功能可以显著减少数据库开销并改善查询的平均值特别是第99百分位数。
使用Golang实现简单的请求合并
与许多其他公司一样Discord使用Python作为其主要的后端语言。无论是微服务还是单体架构后端服务通常直接连接到数据源进行查询。虽然Python确实是一种多功能语言但在并发性方面存在一些不足。使用Python实现并发和高吞吐量的服务可能有些挑战而性能与用C、Rust和Golang等编译语言编写的类似服务相比往往会较低。
在进行任何操作之前让我们模拟一下提到的情况。假设服务总共收到了5,000个请求其中并发数为1,000。
总请求数 5,000并发数 1,000需要检索的唯一消息数 100
type Message struct {gorm.ModelText stringUser string // some random properties that a message row may have
}func generateRandomData(db *gorm.DB) {for i : 0; i 100; i {msg : messages.Message{Text: fmt.Sprintf(Message #%d, i)}db.Save(msg)}
}我使用Gorm构建了一个简单的数据库模型来表示**Message消息**表然后向表中填充了100条虚拟消息。
e : echo.New()
e.GET(/randomMessage, func(c echo.Context) error {randomMessageID : rand.Intn(100)var msg messages.Messageif err : db.Where(id?, randomMessageID).First(msg).Error; err ! nil {return err}return c.JSON(200, msg)
})
e.Logger.Fatal(e.Start(:1323))我创建了一个简单的端点来模拟对0到100之间的随机ID进行SELECT查询。现在我们可以对这个端点进行基准测试模拟在这种情况下会发生什么。 平均每秒请求数 (RPS) 300平均响应时间 3.2秒50% 响应时间 546毫秒99% 响应时间 14.7秒
如果我们有10秒的超时策略大约有2%的请求将收不到响应。现在让我们改变代码。Golang有一个名为“single flight”的内置包。这个包提供了重复函数调用抑制机制。一般来说你给它一个键和一个函数而不是多次运行该函数SingleFlight会暂时保持其他调用直到第一次调用完成其请求并以相同的结果作出响应。
var g singleflight.Group{}
e.GET(/randomMessage, func(c echo.Context) error {randomMessageID : rand.Intn(100)msg, err, _ : g.Do(fmt.Sprint(randomMessageID), func() (interface{}, error) {var msg messages.Messageif err : db.Where(id?, randomMessageID).First(msg).Error; err ! nil {return nil, err}return msg, nil})if err ! nil {return err}return c.JSON(200, msg)
})func (g *Group) Do(key string, fn func() (interface{}, error)) (v interface{}, err error, shared bool) Do 执行并返回给定函数的结果确保同一时间针对给定键只有一个执行过程。如果出现重复重复的调用者会等待原始调用完成并接收相同的结果。返回值 shared 表示是否将 v 给了多个调用者。 现在让我们重新运行模拟并比较结果。 平均每秒请求数 (RPS) 2309平均响应时间 433毫秒50% 响应时间 389毫秒99% 响应时间 777毫秒
正如你所看到的仅使用了一个简单的技术就将第99百分位数减少了14秒新方法支持的每秒请求次数提高了7.6倍。
结论
从那时起我们就注意到通过优化数据库查询可以大大提高应用程序的整体性能。虽然我们讨论的方法是情景性的但Discord已经使用了一年多对他们有很大帮助。
你应该知道如果你使用数据服务你将面临其他的复杂情况。例如你可能会有多个数据服务实例而你的Python API必须有一种机制将类似的请求发送到同一个实例。
