寫在前面
支付系統是整個交易系統中相當核心的一部分功能，以我們的交易中台為例，通過領域方式的拆分，支付架構隸屬於訂單團隊，在整個用戶下單之后進行支付，支付之后成單進入交易履約流程。
支付系統由於本身和金融相關，不像其他高頻系統面對海量請求可以大量使用緩存，異步mq等方式解決三高問題。支付系統對數據一致性要求更高，所以對於其架構設計原則還是有自己特點的。
分庫分表
構建一個支撐每秒十萬只讀系統並不復雜，無非是通過一致性哈希擴展緩存節點，水平擴展web服務器等。每秒鍾數十萬數據更新操作，在任何數據庫上都是不可能的任務，首先需要對訂單表進行分庫分表。
在進行數據庫操作時，一般會用ID（UID）字段，所以選擇以UID進行分庫分表。
分庫策略我們選擇了“二叉樹分庫”，所謂“二叉樹分庫”指：在進行數據庫擴容時，以2倍數進行擴容。比如：1台擴容2台，2台擴容4台，以此類推。最后把Order庫分了8個庫中，每個庫10個表。
根據uid計算數據庫編號：
分庫信息 = (uid / 10) % 8 + 1
根據uid計算表編號：
表編號 = uid %10
訂單ID
訂單系統的ID必須具有全局唯一的特征，簡單的方式是利用數據庫的序列，每操作一次就能獲得一個全局唯一的自增ID，如果支持每秒10w訂單，那每秒至少需要生成10w訂單ID，通過數據庫自增ID顯然無法完成上述請求。所以通過內存計算獲取全局唯一的訂單ID。
JAVA領域著名的唯一ID應該是UUID了，不過UUID太長且包含字母，不適合做訂單ID。
通過反復比較篩選，借鑒Twitter的算法實現全局唯一ID。
三部分組成：
-
時間戳
時間戳的粒度是毫秒級，生成訂單ID時，使用System.currentTimerMillis()作為時間戳。
-
機器號
每個訂單服務器都被分配一個唯一的編號，生成訂單ID時，直接使用該唯一編號作為機器即可。
-
自增序號
當同一服務器的同一號碼中有多個生成訂單ID的請求時，會在當前毫秒下自增此序號，下一個毫秒此序號繼續同0開始。如同一服務器同一毫秒生成3個訂單ID請求，這3個訂單ID的自增序號分別是0,1,2。
最終訂單結構：
分庫分表信息 + 時間戳 + 機器號 + 自增序號
還是按照第一部分根據uid計算數據庫編號和表編號的算法，當uid＝9527時，分庫信息＝1，分表信息＝7，將他們進行組合，兩位的分庫分表信息即為”17”。
最終一致性
我們通過對order表uid維度的分庫分表，實現了order表的超高並發寫入與更新，通過uid和訂單ID查詢訂單信息。
上面方案雖然簡單，但是保持兩個order表機器的數據一致是很麻煩的事情。
兩個表集群顯然是在不同的數據庫集群中，如果寫入與更新中引入強一致性的分布式事務，這無疑會大大降低系統效率，增長服務響應時間，這是我們所不能接受的，所以引入了消息隊列進行異步數據同步，為了實現數據的最終一致性。
當然消息隊列的各種異常會造成數據不一致，所以我們又引入了實時服務監控，實時計算兩個集群的數據差異，並進行一致性同步。
數據庫高可用
所謂數據庫高可用指的是：
當數據庫由於各種原因出現問題時，能實時或快速的恢復數據庫並修補數據。
從整體集群角度看，就像沒有出任何問題一樣，需要注意的是，這里的恢復數據庫服務並不一定是指修復原有數據庫，也包括將服務切換到另外備用的數據庫。
數據庫高可用的主要工作是數據恢復月數據修補，一般我們完成這兩項工作的時間長短，作為衡量高可用好壞的標准。
我們認為，數據庫運維應該和項目組分開，當數據庫出現問題時，應由DBA實現統一恢復，不需要項目組操作服務，這樣便於做到自動化，縮短服務恢復時間。
如上圖所示，web服務器將不再直接連接從庫DB2和DB3，而是連接LVS負載均衡，由LVS連接從庫。
這樣做的好處是LVS能自動感知從庫是否可用，從庫DB2宕機后，LVS將不會把讀數據請求再發向DB2。
同時DBA需要增減從庫節點時，只需獨立操作LVS即可，不再需要項目組更新配置文件，重啟服務器來配合。
再來看主庫高可用結構圖：
如上圖所示，web服務器將不再直接連接主庫DB1，而是連接KeepAlive虛擬出的一個虛擬ip，再將此虛擬ip映射到主庫DB1上，同時添加DB_bak從庫，實時同步DB1中的數據。
正常情況下web還是在DB1中讀寫數據，當DB1宕機后，腳本會自動將DB_bak設置成主庫，並將虛擬ip映射到DB_bak上，web服務將使用健康的DB_bak作為主庫進行讀寫訪問。
這樣只需幾秒的時間，就能完成主數據庫服務恢復。
組合上面的結構，得到主從高可用結構圖：
數據庫高可用還包含數據修補，由於我們在操作核心數據時，都是先記錄日志再執行更新，加上實現了近乎實時的快速恢復數據庫服務，所以修補的數據量都不大，一個簡單的恢復腳本就能快速完成數據修復。
數據分級
支付系統除了最核心的支付訂單表與支付流水表外，還有一些配置信息表和一些用戶相關信息表。如果所有的讀操作都在數據庫上完成，系統性能將大打折扣，所以我們引入了數據分級機制。
我們簡單的將支付系統的數據划分成了3級：
-
第1級：訂單數據和支付流水數據；這兩塊數據對實時性和精確性要求很高，所以不添加任何緩存，讀寫操作將直接操作數據庫。
-
第2級：用戶相關數據；這些數據和用戶相關，具有讀多寫少的特征，所以我們使用redis進行緩存。
-
第3級：支付配置信息；這些數據和用戶無關，具有數據量小，頻繁讀，幾乎不修改的特征，所以我們使用本地內存進行緩存。
使用本地內存緩存有一個數據同步問題，因為配置信息緩存在內存中，而本地內存無法感知到配置信息在數據庫的修改，這樣會造成數據庫中數據和本地內存中數據不一致的問題。
為了解決此問題，我們開發了一個高可用的消息推送平台，當配置信息被修改時，我們可以使用推送平台，給支付系統所有的服務器推送配置文件更新消息，服務器收到消息會自動更新配置信息，並給出成功反饋。
粗細管道
舉個簡單的例子，我們目前訂單的處理能力是平均10萬下單每秒，峰值14萬下單每秒，如果同一秒鍾有100萬個下單請求進入支付系統，毫無疑問我們的整個支付系統就會崩潰，后續源源不斷的請求會讓我們的服務集群根本啟動不起來，唯一的辦法只能是切斷所有流量，重啟整個集群，再慢慢導入流量。
我們在對外的web服務器上加一層“粗細管道”，就能很好的解決上面的問題。
請看上面的結構圖，http請求在進入web集群前，會先經過一層粗細管道。入口端是粗口，我們設置最大能支持100萬請求每秒，多余的請求會被直接拋棄掉。出口端是細口，我們設置給web集群10萬請求每秒。
剩余的90萬請求會在粗細管道中排隊，等待web集群處理完老的請求后，才會有新的請求從管道中出來，給web集群處理。
這樣web集群處理的請求數每秒永遠不會超過10萬，在這個負載下，集群中的各個服務都會高校運轉，整個集群也不會因為暴增的請求而停止服務。
如何實現粗細管道？nginx商業版中已經有了支持，相關資料請搜索
nginx max_conns，需要注意的是max_conns是活躍連接數，具體設置除了需要確定最大TPS外，還需確定平均響應時間。
微信掃描二維碼，關注我的公眾號