直播彈幕指直播間的用戶，禮物，評論，點贊等消息，是直播間交互的重要手段。美拍直播彈幕系統從 2015 年 11 月到現在，經過了三個階段的演進，目前能支撐百萬用戶同時在線。比較好地詮釋了根據項目的發展階段，進行平衡演進的過程。這三個階段分別是快速上線，高可用保障體系建設，長連接演進。
一、快速上線
消息模型
美拍直播彈幕系統在設計初期的核心要求是：快速上線，並能支撐百萬用戶同時在線。基於這兩點，我們策略是前中期 HTTP 輪詢方案，中后期替換為長連接方案。因此在業務團隊進行 HTTP 方案研發的同時，基礎研發團隊也緊鑼密鼓地開發長連接系統。
直播間消息，相對於 IM 的場景，有其幾個特點
-
消息要求及時，過時的消息對於用戶來說不重要；
-
松散的群聊，用戶隨時進群，隨時退群；
-
用戶進群后，離線期間（接聽電話）的消息不需要重發；
對於用戶來說，在直播間有三個典型的操作：
-
進入直播間，拉取正在觀看直播的用戶列表；
-
接收直播間持續接收彈幕消息；
-
自己發消息；
我們把禮物，評論，用戶的數據都當做消息來看待。經過考慮選擇了 Redis 的 sortedset 存儲消息，消息模型如下：
-
用戶發消息，通過 Zadd，其中 score 消息的相對時間；
-
接收直播間的消息，通過 ZrangeByScore 操作，兩秒一次輪詢；
-
進入直播間，獲取用戶的列表，通過 Zrange 操作來完成；
因此總的流程是
-
寫消息流程是: 前端機 -> Kafka -> 處理機 -> Redis
-
讀消息流程是: 前端 -> Redis
不過這里有一個隱藏的並發問題：用戶可能丟消息。
如上圖所示，某個用戶從第6號評論開始拉取，同時有兩個用戶在發表評論，分別是10,11號評論。如果11號評論先寫入，用戶剛好把6,7,8,9,11號拉走，用戶下次再拉取消息，就從12號開始拉取，結果是：用戶沒有看到10號消息。
為了解決這個問題，我們加上了兩個機制:
-
在前端機，同一個直播間的同一種消息類型，寫入 Kafka 的同一個 partition
-
在處理機，同一個直播間的同一種消息類型，通過 synchronized 保證寫入 Redis 的串行。
消息模型及並發問題解決后，開發就比較順暢，系統很快就上線，達到預先預定目標。
上線后暴露問題的解決
上線后，隨着量的逐漸增加，系統陸續暴露出三個比較嚴重的問題，我們一一進行解決
問題一：消息串行寫入 Redis，如果某個直播間消息量很大，那么消息會堆積在 Kafka 中，消息延遲較大。
解決辦法：
-
消息寫入流程：前端機-> Kafka -> 處理機 -> Redis
-
前端機：如果延遲小，則只寫入一個 Kafka 的partion；如果延遲大，則這個直播的這種消息類型寫入 Kafka 的多個partion。
-
處理機：如果延遲小，加鎖串行寫入 Redis；如果延遲大，則取消鎖。因此有四種組合，四個檔位，分別是
-
一個partion, 加鎖串行寫入 Redis, 最大並發度:1
-
多個partition,加鎖串行寫入 Redis, 最大並發度:Kafka partion的個數
-
一個partion, 不加鎖並行寫入 Redis, 最大並發度: 處理機的線程池個數
-
多個partion, 不加鎖並行寫入 Redis，最大並發度: Kafka partition個數處理機線程池的個數
-
延遲程度判斷：前端機寫入消息時，打上消息的統一時間戳，處理機拿到后，延遲時間 = 現在時間 - 時間戳；
-
檔位選擇:自動選擇檔位，粒度:某個直播間的某個消息類型
問題二：用戶輪詢最新消息，需要進行 Redis 的 ZrangByScore 操作，redis slave 的性能瓶頸較大
解決辦法:
-
本地緩存，前端機每隔1秒左右取拉取一次直播間的消息，用戶到前端機輪詢數據時，從本地緩存讀取數據；
-
消息的返回條數根據直播間的大小自動調整，小直播間返回允許時間跨度大一些的消息，大直播間則對時間跨度以及消息條數做更嚴格的限制。
解釋：這里本地緩存與平常使用的本地緩存問題，有一個最大區別：成本問題。
如果所有直播間的消息都進行緩存，假設同時有1000個直播間，每個直播間5種消息類型，本地緩存每隔1秒拉取一次數據，40台前端機，那么對 Redis 的訪問QPS是 1000 * 5 * 40 = 20萬。成本太高，因此我們只有大直播間才自動開啟本地緩存，小直播間不開啟。
問題三:彈幕數據也支持回放，直播結束后，這些數據存放於 Redis 中，在回放時，會與直播的數據競爭 Redis 的 cpu 資源。
解決辦法:
-
直播結束后，數據備份到 mysql；
-
增加一組回放的 Redis；
-
前端機增加回放的 local cache；
解釋：回放時，讀取數據順序是: local cache -> Redis -> mysql。localcache 與回放 Redis 都可以只存某個直播某種消息類型的部分數據，有效控制容量；local cache與回放 Redis 使用SortedSet數據結構，這樣整個系統的數據結構都保持一致。
二、高可用保障
同城雙機房部署
分為主機房和從機房，寫入都在主機房，讀取則由兩個機房分擔。從而有效保證單機房故障時，能快速恢復。
豐富的降級手段
全鏈路的業務監控
高可用保障建設完成后，迎來了 TFBOYS 在美拍的四場直播，這四場直播峰值同時在線人數達到近百萬，共 2860萬人次觀看，2980萬評論，26.23億次點贊，直播期間，系統穩定運行，成功抗住壓力。
使用長連接替換短連接輪詢方案
長連接整體架構圖如下
詳細說明：
-
客戶端在使用長連接前，會調用路由服務，獲取連接層IP，路由層特性：a. 可以按照百分比灰度；b. 可以對 uid，deviceId，版本進行黑白名單設置。黑名單：不允許使用長連接；白名單：即使長連接關閉或者不在灰度范圍內，也允許使用長連接。這兩個特性保證了我們長短連接切換的順利進行；
-
客戶端的特性：a. 同時支持長連接和短連接，可根據路由服務的配置來決定；b. 自動降級，如果長連接同時三次連接不上，自動降級為短連接；c. 自動上報長連接性能數據；
-
連接層只負責與客戶端保持長連接，沒有任何推送的業務邏輯。從而大大減少重啟的次數，從而保持用戶連接的穩定；
-
推送層存儲用戶與直播間的訂閱關系，負責具體推送。整個連接層與推送層與直播間業務無關，不需要感知到業務的變化；
-
長連接業務模塊用於用戶進入直播間的驗證工作；
-
服務端之間的通訊使用基礎研發團隊研發的tardis框架來進行服務的調用，該框架基於 gRPC，使用 etcd 做服務發現；
長連接消息模型
我們采用了訂閱推送模型，下圖為基本的介紹
舉例說明:用戶1訂閱了A直播，A直播有新的消息
-
推送層查詢訂閱關系后，知道有用戶1訂閱了A直播，同時知道用戶1在連接層1這個節點上，那么就會告知連接層有新的消息
-
連接層1收到告知消息后，會等待一小段時間（毫秒級），再拉取一次用戶1的消息，然后推送給用戶1.
如果是大直播間（訂閱用戶多），那么推送層與連接層的告知/拉取模型，就會自動降級為廣播模型。如下圖所示
我們經歷客戶端三個版本的迭代，實現了兩端（Android 與 iOS）長連接對短連接的替換，因為有灰度和黑白名單的支持，替換非常平穩，用戶無感知。
總結與展望
回顧了系統的發展過程，達到了原定的前中期使用輪詢，中后期使用長連接的預定目標，實踐了原定的平衡演進的原則。從發展來看，未來計划要做的事情有
-
針對機房在北京，南方某些地區會存在連接時間長的情況。我們如何讓長連接更靠近用戶。
-
消息模型的進一步演進。