主题：谈谈大型网站架构的一些关键技术 -- 季侯

谈到大型网站的系统设计，这几天新浪微博里正在热议 12306 网上火车票订票系统，可以拿来作为一个案例，针对实际问题做一番探讨。

昨晚我在新浪博客里写了一篇文章，转帖于此，方便大家阅读。

----------------------------------------------------------------

每到春运，买火车票就成为头痛的事情。今年铁道部开设了网上购票，本来是件惠民的好事儿，但是由于订票网站 http://www.12306.cn，没能快速地处理用户的查询和订单，引起网友的冷嘲热讽。

@王津THU 在微博上替 12306 辩解了几句 [1]，立刻成为众矢之的。王津有点冤，首先 12306 系统的确有技术难度，初次亮相，出点洋相，在所难免。其次，王津似乎没有参与 12306 项目，大家骂错了人。

即便王津是项目负责人，大家开骂也不解决问题。今年骂完了，明年是不是接着骂？不如讨论一些有建设性的设计方案，但愿明年春运时，大家能够轻松买到车票。

有评论说，“你们这些建议都是YY，铁道部不会听你的”。

你说了，铁道部不一定会听。但是你不说，它想听也听不到。为自己，为亲友，为老百姓，说总比不说好。

又有评论说，你们这些设计，“都是大路货，没技术含量”。

12306 网站不是研究项目，而是旨在解决实际问题。此类系统的设计原则，实效是首要目标，创新是次要目标。

@简悦云风 提了个建议，分时出票，均摊流量。“卖票这种事情，整个需求量（总出票数）摆在那里在。把峰值请求压下来在时间轴上（前后要卖几百小时呢）平摊，业务量就那么点。网站被峰值请求冲挂了，只能是因为简单的问题都没处理好”[2]。

这个办法的确没有什么技术含量，但是很明快很实用，所以是值得推崇的好办法好思路。

说实话，像 12306 这样受众广大的系统，能不创新，尽量别创新。因为创新是有风险的，在 12306 网站玩创新，你是不是把上亿着急回家过年的老百姓，当成实验小白鼠了？

创新主要是学界的活儿。学界强调另辟蹊径，即便新路不如老路好走，但是或许在某某情况下，新路的办法有一定优势。如果是这样，新路仍然有存在的价值。

务虚完毕，下面务实。

一。找到核心问题。

1月12日，拙作“建设一个靠谱的火车票网上订购系统”发表后[3]，收到不少同行的反馈。归纳一下，主要有两类评论，

1.“真正的瓶颈，一般会出在数据库上，怎么解决数据的问题，才是核心”。

2.“如果大量的黄牛阻塞队列或者被DDOS攻击的情况下，普通用户会等到崩溃”。

也就是说，支付与登录是 12306 系统的两大短板。

@FireCoder 著文分析 12306 的用户体验和系统瓶颈，印证了上述两个问题。

“最难的两关是登陆和支付，这也是用户体验最糟糕的两步。登陆是最难闯的一关，验证码验证码验证码...，每次尝试等待若干时间，然后总是一个系统繁忙。这是令人着急和上火的一步。支付则是悲催的一步，订单到手，接着在 45 分钟内超时自动取消”[4]。

官方新闻报导，也证实了这两个问题很突出。

“今年购买火车票最大亮点是，可以登录 www.12306.cn 中国铁路客户服务中心，在网上订票。最新统计显示，7天内，12306网站访问用户已占全球互联网用户的 0.902%，每天点击量高达 10 亿人次。12306 网站的带宽已经从最初的400兆扩充到了1.5G，但是每天 10 亿次的点击量，仍然弥补不了网上登录和支付的短版。据了解，12306 网站正在进行后台调试，争取让订票和网上支付系统分开运行，互不交叉，避免拥堵，让整个订票支付流程更加顺畅”[5]。

二。单机与分布式。

有人问，12306 订票系统，为什么不用现成的 IBM z/TPF?

@周洪波-TSP 老师回复，“z/TPF目前仍然是集中式交易处理量最大的，不过如果每张票都要经过 TPF 做唯一性 TP 确认，z/TPF 也是远远不能达到中国铁路处理量要求，需要分布式处理和缓存（队列）技术来分散压力”[6]。

赞同周老师的观点。好汉难敌四虎，再彪悍的武士，也抵挡不住千军万马的围攻。对于中国春运这样的流量冲击，再牛的单机终归会有容量上限，所以单机基本不靠谱。

靠谱的办法，是分布式。分布式需要解决的问题，是如何切割。切割流程，切割数据。

三。横向切割流程。

拙文 [3] 讨论了把 12306 系统，按登录、查询、订票三类业务，切割成三种流程。其中查询业务，又可以再切割成三种，查询车次时间表、查询某车次余票、查询某用户订购了哪些车票。

为什么要不厌其烦地切割流程？因为不同流程的环节构成不同，不同流程用到的数据也不一样，有些是静态数据，例如车次时间表，有些是动态数据，例如余票和乘客订购的车次座位。分而治之，有利于优化效率，也有利于让系统更皮实，更容易维护。

静态数据，更新少，尽可能存放在缓存（Cache）里，读起来快，而且不给数据库添麻烦。例如车次路线和时间表查询，就应该这样处理。

只有动态数据，才必须存放在数据库中。动态数据在数据库中，存放的方式是表。例如，查询余票与订票，就必须这样处理。

四。切割数据。

在 12306 系统中，最关键的数据，是各个车次各个座位的订购状态。存放这些数据的数据格式，是订票表。

最简单的订票的表设计，或许是设置若干列（车次，日期，座位，路段1,...路段N）。例如高铁 G19，从北京始发，途径济南和南京，终点是上海，共三个路段。乘客甲，订购某日G19某座位，从北京始发，途径济南，到南京下车。乘客乙也订购了同日同 车次同座位，但是从南京上车，到上海下车。那么这张表中，就会有一行，（G19，X日，Y座位，乘客甲ID，乘客甲ID，乘客乙ID）。

如果把全国所有日期的所有车次，全部集中在一个数据库实例的同一张表中，那么势必造成数据库的拥塞。所以，必须对表做切割。

@李思Samuel 建议横向切，也就是按行切，“假定现在有100张北京到上海的车票可售，如果有 10 个卫星数据库，那么在未来1秒内，每个卫星数据库各有 10 张票可售。1 秒以后，各卫星数据库向中心数据库提交本地余票量，并由中心数据库重新分配”[7]。

这个办法的确可以达到减少中心数据库负载的目的。但是顾虑是卫星数据库，必须频繁地与中心数据库同步（李思建议每一秒同步一次）。同步不仅导致内网中的数据流量加大，另外，同步需要上锁。分布式锁机制相当复杂，也容易出故障。实际运行中，搞不好会出乱子。

我们的办法是纵向切，根据不同车次，以及同一个车次的不同日期，切成若干表，放进多个数据库中去。这样，每张表只有（座位，经停站1，...经停站N）几列。假如每趟火车的载客人数不超过 5000 人，那么每张表的行数也不会超过 5000 行。

同一个车次，不同日期，分别有一张表。这样做的好处是，可以方便地实现分时出票。假如提前十天出票，今天是1月16日，那么在G19车次的数据库中，存放着 1月16日到1月26日的 10 张表，今晚打烊期间，数据库清除今天的表，并转移到备份数据库中，作为历史记录。同时增添1月27日的表。明天一早开门营业时，乘客就可以预定1月27日的车票了。

把不同车次的表，分别存放在不同的数据库中去，可以有效降低在每个数据库外面，用户排队等待的时间，同时也避免了同步和上锁的麻烦。

另外，假如每趟火车的座位不超过 5000 个，每趟火车沿线停靠的车站不超过 50 个，那么每个车次数据库外面，排队订票的队列长度，不必超过 50 x 5000 = 250,000。理由是，火车上每个座位，最多被 50 位乘客轮流坐，这种极端情况，出现在每位乘客只坐一站。

五。订票流程。

图一。订票流程的异步的事件驱动的服务协作模式。

Courtesy http://i879.photobucket.com/albums/ab351/kan_deng/12306-2.png

图一描述了订票的内部流程。例如有乘客想订两张联票，G11从北京到南京，然后D3068从南京到合肥。他从查询页面看到这两趟列车有余票，于是他点击订票。

“订票拆解”服务收到他的订票请求后，先通知“下单调度”服务，跟踪和处理该订单的后续工作，参见图中1.1和1.2。然后“订票拆解”服务分别向G11和D3068两个车次的预订队列，插入请求，分别预订两个座位，参见1.3。

G11和D3068两个车次的订票请求，在各自的预订队列中排队等待。排队结束后，G11和D3068的“预订队列”服务，分别查询各自的数据库，是否还剩余两个座位，参见2.1。

G11车次数据库收到指令后，查询订票表中，是否有两行（对应两个座位），从北京到南京途经的各个路段，对应的列的值，是否都是空。如果有，把这些值改写为订单中的乘客ID。

如果预订成功，G11车次“预订队列”服务，把订单号以及预订的座位号等等，发送给“下单调度”服务。如果没有余票，预订的座位号为空。参见2.2。

“下单调度”服务，会先后收到G11和D3068两个“预订队列”服务，发来的预订信息。只有G11和D3068都预订成功，“下单调度”服务才会指挥网站前端，显示网银下单网页，参见3.1和3.2。

弹出网银下单网页后，如果在 45 分钟内，“下单调度”服务收到网银的回执，汇款到账，那么“下单调度”服务就通知用户，订票成功，以及座位号，参见4.1。如果没有及时收到汇款，“下单 调度”服务就给车次数据库发指令，让它们把预订座位相应的数据，逐一清零，参见4.2。

六。纵向切割流程。

前文中谈到流程切割，主要是按照业务类型切割，是横向切割。对于某一个业务流程，例如订票流程，还可以根据不同环节，做纵向切割。

图一描述了几个服务，分别是“订票拆解”、“下单调度”、“预订队列”、和“网银下单”。之所以是“服务”，而不是模块，是因为这些业务逻辑，各自运行在相互独立的线程上，甚至不同机器上。

在 没有任务时，这些服务的线程处于等待状态。一旦接收到任务，线程被激活。所以，订票系统是异步的（Asynchronous）事件驱动的（Event- driven）的系统架构[8]。这种系统架构，在当下被称作，面向服务的系统架构（Service-Oriented Architecture，SOA）。

之所以采用面向服务的系统架构，最主要的动机是方便扩展吞吐量。

例如在图一中，“下单调度”是一个枢纽，如果流量压力太大，单个机器承受不住怎么办？采用了上述设计，只要加机器就行了，方便，有效，皮实。

七。登录流程。

除了支付是短板以外，登录也是突出问题，尤其是大量用户不断刷屏，导致登录请求虚高。

应对登录洪峰的办法，说来简单，可以放置一大排 Web Servers。每个 Web Server 只做非常简单的工作，读用户请求的前几个 Bytes，根据请求的业务类型，迅速把用户请求扔给下家，例如查询队列。

Web Server 不甄别用户是否在刷屏，它来者不拒，把用户请求（也许是刷屏的重复请求），扔给业务排队队列。队列先查询用户ID是否已经出现在队列中，如果是，那么就是刷屏，不予理睬。只有当用户ID是新鲜的，队列才把用户请求，插入队尾。

这个办法不难，但是经受住了实践考验。

例如2009年1月20日，奥巴马就任美国总统，并发表演说。奥巴马就职典礼期间，Twitter 网站每秒钟收到 350 条新短信，这个流量洪峰维持了大约 5 分钟。根据统计，平均每个 Twitter 用户被其他 120 人关注，也就是说，每秒 350 条短信，平均每条都要发送 120 次。这意味着，

在这持续 5 分钟的洪峰时刻，Twitter 网站每秒钟需要发送 350 x 120 = 42,000 条短信。

Twitter 应对洪峰流量的办法，与我们的设计相似，参见拙作“解剖 Twitter，4 ”[9]。

有观点质疑，“Twitter 业务没有交易, 2 Phase Commit, Rollback 等概念”，所以 Twitter 的做法，未必能沿用到 12306 网站中来 [6]。

这个问题问得好，但是交易、二次确认、回放等等环节，都出现在 12306 系统的后续业务流程中，尤其是订票流程中，而登录发生在前端。

我们设计的出发点，是前端迅速接纳，但是后端推迟服务，一言以蔽之，通过增加前端 Web Servers 机器数量来蓄洪。

又有观点质疑，通过蓄洪的办法，Twitter 每秒能处理 42,000 条短信，但是 12306 面对的洪峰流量远远高过这个数量。增加更多前端 Web Servers 机器，是否能如愿地抵抗更大的洪峰呢？

每逢“超级碗 SuperBowl”橄榄球赛，Twitter 的流量就大涨。根据统计，在 SuperBowl 比赛时段内，每分钟 Twitter 的流量，与当日平均流量相比，平均高出40%。在比赛最激烈时，更高达150%以上。

面对排山倒海的洪峰流量，Twitter 还是以不变应万变，通过增加服务器的办法来蓄洪抗洪。更确切地说，Twitter 临时借用第三方的服务器来蓄洪，而且根据实时流量，动态地调整借用服务器的数量 [10]。

值得注意的是，Twitter 把借来的服务器，主要用于前端，增加 Apache Web Servers 的数量。而不是扩充后端，以便加快推送等等业务的处理速度。

这一细节，进一步证实 Twitter 的抗洪措施，与我们的相似。强化蓄洪能力，而不必过份担心泄洪能力。

Reference，

[1] “海量事务高速处理系统”是一种非常特别的系统，恳请大家不臆测不轻视类似 12306 系统的难度。

http://weibo.com/2484714107/y0i3b53dd

[2] @简悦云风 的微博

http://weibo.com/deepcold

[3] 建设一个靠谱的火车票网上订购系统

http://blog.sina.com.cn/s/blog_46d0a3930100yc6x.html

[4] 12306 的问题

http://blog.csdn.net/firecoder/article/details/7197959

[5] 铁道部订票网站或分开运行订票与支付系统

http://news.qq.com/a/20120116/000024.htm

[6] @周洪波-TSP 的微博

http://weibo.com/iotcloud

[7] @李思Samuel 的微博

http://weibo.com/u/1400321871

[8] SEDA: An Architecture for Well-Conditioned,Scalable Internet Services

http://www.eecs.harvard.edu/~mdw/papers/seda-sosp01.pdf

[9] 解剖 Twitter，4 抗洪需要隔离

http://blog.sina.com.cn/s/blog_46d0a3930100fd5c.html

[10] 解剖 Twitter，6 流量洪峰与云计算

http://blog.sina.com.cn/s/blog_46d0a3930100fgin.html

什么时候有机会回国？找个时间聚聚？

邓兄好久不见，进来可好？

邓兄的思路当然很技术，很专业。作为一个伪IT人士，我也来提一个伪技术的解决思路。

我的解决思路是要结合支付宝或类似的第三方支付平台来做。我是这样考虑的。

一、需求分析

1、对于着急买票回家的人，最关心的是能否卖到某日某趟车的车票（或某天的某个时段的车票），对于余票什么的是因为不得已才需要查询，如果能不查询就卖到，谁会关心什么余票。

2、对于铁路买票尤其是春运，提前数天，甚至数十天的计划出行是主流。

基于以上两点考虑，我设计一个“全额预付价款、时间优先的预订单处理系统”

二、设计方案

1、允许用户在发售日之前的相当长一段时间（比如20日）内，在网站查询车次，并填写一个完整的订单（包括了身份证号、预定座位类型，铺位类型、以及铺位优选顺序如先选下铺，再选中铺，几人连号等）。然后用户对这个完整的订单按照最多可能价额，全额预付票价。

2、完成了全额预付费用的订单，进入一个FIFO队列，在车票发售的时候，由后台系统直接处理这个队列就可以了，有剩余的车票再进入传统的销售渠道。

3、用户可以在发票前的任何时候取消订单，票款退回。

4、订单的数量以全车的座位数为限，超出后无法预订，避免超额预订。这个预定较为宽松，因为：

a：可以参考航空座位预售，允许少量超售

b：很多人的需求是允许调整的，比如，没有下铺可以接受上铺，没有9点的车次，可以接受10点的车次，因此是一个较为宽泛的范围。不需要在订单处理的时候，做严格的锁定控制。

c：为了避免预订失败的情况，可以考虑设定比例，比如80%的车票被预订以后，就不再接受新的订单。

因此也避免了数据库的瓶颈。

三、小结

一句话总结：要买票，你把详细订单说明和现金都准备好，一个个排好队，到发票时间点我铁老大按订单的先后顺序依次处理，不提前排队的只能自己碰运气了。

这个方案的核心是，所有的车次查询、订单填写、支付等工作，都是分散在发售日之前的数天甚至数十天之内，在时间轴上进行了平滑。另外，所有的预订都是和数据库弱相关的，不需要锁定数据库（因为预订的时候并不实际处理订单，只是保证订单总座位数不超过车次座位数，实际上如果允许多车次预订，那么实际上限制是一个很宽松的数字）。并且也不存在短时间大量队列处理的问题，预订可以在发售前的任何时间进行。

实际的订单处理可以是一个后台程序，在发售时间以时间优先方式处理完所有的全额预付订单以后再按照传统流程把剩余的票额上网发售。相信这个后台程序不会有什么难度和瓶颈，实际上做成单线程的都可以。

这个方式我认为符合大部分中国人的出行需求，并且对黄牛也很有杀伤力。因为黄牛不可能有大量的资金在20日之前全额票款预定车票，但是自己买票出行的就可以。黄牛也不可能长时间的DDOS阻塞网站，因为阻塞其实也是没有意义的，只有全额预付的订单才会进入（可能的）处理队列。

黄牛借钱的通道肯定比普通定票人多。假设黄牛预期50%的利润，那他提前20天用一月一成利来借钱。黄牛只要负担10%的利息风险。只要能卖出手上的五分之一的票，剩下的就是无风险纯利。有黄牛用这个投资分析找你借钱， 你会放弃一个月10%的收益？

先给邓老大花上，再提点不同看法。

订票系统中登陆，火车线路查询cache的做法大家都有真知灼见。俺就不添足了。 就数据库的tranaction核心探讨一下。

新闻中说火车春运3亿人次。假设春运订票为两星期，那么系统在两星期卖3亿张票。假设系统每天工作12小时。那每秒钟卖票大概500张。是个大数目，但绝对不是前所未有的。

正如邓老大文中引述的。解决方案之一是数据分割，每天每车次做一个table。整个春运订票大概要几百个tables。 每个table有各自的物理存储的空间。把每秒钟500张分散在几百个table里。每个table每秒的transaction峰值也就10－20个。达到这个目标不难。

更直接解决方案是用full ACID in-memory DB。不用做数据分割。所有的春运火车座位都放在内存里，也不过1－200 GB的空间。in-memory DB 对付每秒钟500张票是小菜一碟。 RDBMS的鼻祖老大Stonebraker现在做的VoltDB号称每秒过万的transactions on commodity hardware.

付费是个异步处理，除了credit card authorization，完全可以离线处理。用户不用在线等待。

退一万步，从项目管理来说，铁道部也有大问题。系统上线，有没有作过performance and throughput 测试？ 测试通过的标准是什么？

了，单纯看TPS没有什么意义的。

它内系统按我了解是跑在JBOSS上面的，听说REDHAT做的支持。这种政治主导项目从来都是要求赶工期的，REDHAT这样的公司到了中国也得服从政治。

主要的意思是系统core transaction的并发量并不是个天文数字。在此要求下有很多方法可解决数据库锁定的问题。

订票系统是要保证核心的transaction consistency。其总数据量与twitter, baidu, facebook不是一个量级。而twitter等强调的是海量数据和系统的availability， consistency的要求不高。 订票系统不用采取复杂的数据分割等big data技术也可解决问题。这是我与老邓看法不同的地方。

如果铁道部还有刘跨越站车头的精神，这些问题是在上线前就会发现解决。这是技术外的话题，扯远了 。。。

我感觉你两个回复是不一致的，前一个回复，说利用Sharding解决问题，但后一个回复说Sharding没有什么用。

当然其实我是同意你后面说的，这里Sharding没什么特别的用途。

我想我上一贴也没有说清楚，我没仔细研究过它内架构，但从各种情况描述，以及自己以前处理过的这种高并发OLTP应用的经验看，长事务是一个比较要命的地方，就是从预定后到付款成功，单记录被锁定的时间最长达45分钟，不管用什么方式实现，这种长事务都会比较郁闷的。这种长事务（强调一下，这里说的事务跟我们一般描述的Transaction不一样）才是订票系统与其它系统大不一样的。

最初帖想说的sharding可解决问题，但不是直截了当的做法。帖子没说清楚。

如果付款处理时间长，则用异步处理。 把定位，付款分开。 定位是real-time。付款做batch。付款如失败再用另一batch update把位子变回available.

后面的结论稍微有点出入。

一般memcached集群不是为了解决访问速度问题，而是要缓存的内容太多了。

如果要提高访问速度，还是得和你说得这样，把全局锁变成局部锁，优化算法。facebook对memcached代码进行优化，就做了类似的工作。

一个淘宝实习生写的东东，后生可畏啊！

最近忙着抱孩子做家务，没空写东西，先转个别人的文章，看看大家有兴趣不

• 我看你文章的时候，同时看到这个链接