用户中心，1亿数据，架构如何设计？
用户中心，几乎是所有互联网公司，必备的子系统。随着数据量不断增加，吞吐量不断增大，用户中心的架构，该如何演进呢。用户中心是一个通用业务，主要提供用户注册、登录、信息查询与修改的服务。User(uid, login_name, passwd, sex, age, nickname, …)（2）login_name, passwd, sex 等是用户属性；在业务初期，单库单表，配合用户中心微服务，就能满足绝大部分业务需求，其典型的架构为：（1）user-center：用户中心服务，对调用者提供友好的RPC接口；当数据量越来越大，例如达到1亿注册量时，会出现什么问题呢？
随着数据量越来越大，单库无法承载所有的数据，此时需要对数据库进行水平切分。范围法，以用户中心的业务主键uid为划分依据，采用区间的方式，将数据水平切分到两个数据库实例上去：（1）user-db1：存储0到1千万的uid数据；（2）user-db2：存储1千万到2千万的uid数据；（1）切分策略简单，根据uid，按照范围，user-center很快能够定位到数据在哪个库上；（2）扩容简单，如果容量不够，只要增加user-db3，拓展2千万到3千万的uid即可；（2）数据量不均，新增的user-db3，在初期的数据会比较少；（3）请求量不均，一般来说，新注册的用户活跃度会比较高，故user-db2往往会比user-db1负载要高，导致服务器利用率不平衡；画外音：数据库层面的负载均衡，既要考虑数据量的均衡，又要考虑负载的均衡。哈希法，也是以用户中心的业务主键uid为划分依据，采用哈希的方式，将数据水平切分到两个数据库实例上去：（1）切分策略简单，根据uid，按照hash，user-center很快能够定位到数据在哪个库上；（2）数据量均衡，只要uid是随机的，数据在各个库上的分布一定是均衡的；（3）请求量均衡，只要uid是随机的，负载在各个库上的分布一定是均衡的；画外音：如果采用分布式id生成器，id的生成，一般都是随机的。（1）扩容麻烦，如果容量不够，要增加一个库，重新hash可能会导致数据迁移；用户中心架构，实施了水平切分之后，会带来什么新的问题呢？使用uid来进行水平切分之后，对于uid属性上的查询，可以直接路由到库，假设访问uid=124的数据，取模后能够直接定位db-user1：但对于非uid属性上的查询，就悲剧了，例如login_name属性上的查询：假设访问login_name=shenjian的数据，由于不知道数据落在哪个库上，往往需要遍历所有库，当分库数量多起来，性能会显著降低。在进行架构讨论之前，先来对业务进行简要分析，用户中心非uid属性上，有两类典型的业务需求。（1）用户登录：通过登录名login_name查询用户的实体，1%请求属于这种类型；（2）用户信息查询：登录之后，通过uid来查询用户的实例，99%请求属这种类型；用户侧的查询，基本上是单条记录的查询，访问量较大，服务需要高可用，并且对一致性的要求较高。第二大类，运营侧，后台访问，根据产品、运营需求，访问模式各异，按照年龄、性别、头像、登陆时间、注册时间来进行查询。运营侧的查询，基本上是批量分页的查询，由于是内部系统，访问量很低，对可用性的要求不高，对一致性的要求也没这么严格。对于这两类不同的业务需求，应该使用什么样的架构方案来解决呢？总的来说，针对这两类业务需求，架构设计的核心思路为：（1）用户侧，采用“建立非uid属性到uid的映射关系”的架构方案；用户侧，如何实施“建立非uid属性到uid的映射关系”呢？索引表法的思路是：uid能直接定位到库，login_name不能直接定位到库，如果通过login_name能查询到uid，问题便能得到解决。（1）建立一个索引表记录login_name与uid的映射关系；（2）用login_name来访问时，先通过索引表查询到uid，再通过uid定位相应的库；（3）索引表属性较少，可以容纳非常多数据，一般不需要分库；（4）如果数据量过大，可以通过login_name来分库；缓存映射法的思路是：访问索引表性能较低，把映射关系放在缓存里，能够提升性能。（1）login_name查询先到cache中查询uid，再根据uid定位数据库；（2）假设cache miss，扫描所有分库，获取login_name对应的uid，放入cache；（3）login_name到uid的映射关系不会变化，映射关系一旦放入缓存，不会更改，无需淘汰，缓存命中率超高；（4）如果数据量过大，可以通过login_name进行cache水平切分；生成uid法的思路是：不进行远程查询，由login_name直接得到uid。（1）在用户注册时，设计函数login_name生成uid，uid=f(login_name)，按uid分库插入数据；（2）用login_name来访问时，先通过函数计算出uid，即uid=f(login_name)再来一遍，由uid路由到对应库；该函数设计需要非常讲究技巧，且有uid生成冲突风险。画外音：uid冲突，是业务无法接受的，故生产环境中，一般不使用这个方法。基因法的思路是：不能用login_name生成uid，但可以从login_name抽取“基因”，融入uid中。假设分8库，采用uid%8路由，潜台词是，uid的后3个bit决定这条数据落在哪个库上，这3个bit就是所谓的“基因”。（1）在用户注册时，设计函数login_name生成3bit基因，login_name_gene = f(login_name)，如上图粉色部分；（2）同时，生成61bit的全局id，作为用户的标识，如上图绿色部分；（3）接着把3bit的login_name_gene也作为uid的一部分，如上图屎黄色部分；（4）生成64bit的uid，由id和login_name_gene拼装而成，并按照uid分库插入数据；（5）用login_name来访问时，先通过函数由login_name再次复原3bit基因，login_name_gene = f(login_name)，通过login_name_gene%8直接定位到库；前台用户侧，业务需求基本都是单行记录的访问，只要建立非uid属性login_name到uid的映射关系，就能解决问题。后台运营侧，业务需求各异，基本是批量分页的访问，这类访问计算量较大，返回数据量较大，比较消耗数据库性能。此时，前台业务和后台业务共用一批服务和一个数据库，有可能导致，由于后台的“少数几个请求”的“批量查询”的“低效”访问，导致数据库的cpu偶尔瞬时，影响前台正常用户的访问（例如，登录超时）。而且，为了满足后台业务各类“奇形怪状”的需求，往往会在数据库上建立各种索引，这些索引占用大量内存，会使得用户侧前台业务uid/login_name上的查询性能与写入性能大幅度降低，处理时间增长。对于这一类业务，应该采用“前台与后台分离”的架构方案。用户侧前台业务需求架构依然不变，产品运营侧后台业务需求则抽取独立的 web / service / db 来支持，解除系统之间的耦合，对于“业务复杂”“并发量低”“无需高可用”“能接受一定延时”的后台业务：（1）可以去掉service层，在运营后台web层通过dao直接访问db；（3）不需要访问实时库，可以通过MQ或者线下异步同步数据；（4）在数据库非常大的情况下，可以使用更契合大量数据允许接受更高延时的“索引外置”或者“HIVE”的设计方案；用户中心，是典型的“单KEY”类业务，这一类业务，都可以使用上述架构方案。（1）通过uid属性查询能直接定位到库，通过非uid属性查询不能定位到库；（1）用户侧，前台访问，单条记录的查询，访问量较大，服务需要高可用，并且对一致性的要求较高；（2）运营侧，后台访问，根据产品、运营需求，访问模式各异，基本上是批量分页的查询，由于是内部系统，访问量很低，对可用性的要求不高，对一致性的要求也没这么严格；（1）用户侧，采用“建立非uid属性到uid的映射关系”的架构方案；前台用户侧，“建立非uid属性到uid的映射关系”，有四种常见的实践：（1）索引表法：数据库中记录login_name与uid的映射关系；（2）缓存映射法：缓存中记录login_name与uid的映射关系；（3）生成uid法：login_name生成uid；（4）基因法：login_name基因融入uid；（1）前台、后台系统 web/service/db 分离解耦，避免后台低效查询引发前台查询抖动；（3）可以采用“外置索引”（例如ES搜索系统）或者“大数据处理”（例如HIVE）来满足后台变态的查询需求；