消息队列设计的要点
2019獨角獸企業重金招聘Python工程師標準>>>
當今市面上有很多主流的消息中間件，如老牌的ActiveMQ、RabbitMQ，炙手可熱的Kafka，阿里巴巴自主開發的Notify、MetaQ、RocketMQ等。本文不會一一介紹這些消息隊列的所有特性，而是探討一下自主開發設計一個消息隊列時，你需要思考和設計的重要方面。過程中我們會參考這些成熟消息隊列的很多重要思想。
本文首先會闡述什么時候你需要一個消息隊列，然后以Push模型為主，從零開始分析設計一個消息隊列時需要考慮到的問題，如RPC、高可用、順序和重復消息、可靠投遞、消費關系解析等。
也會分析以Kafka為代表的pull模型所具備的優點。最后是一些高級主題，如用批量/異步提高性能、pull模型的系統設計理念、存儲子系統的設計、流量控制的設計、公平調度的實現等。其中最后四個方面會放在下篇講解。
何時需要消息隊列
當你需要使用消息隊列時，首先需要考慮它的必要性。可以使用mq的場景有很多，最常用的幾種，是做業務解耦、最終一致性、廣播、錯峰流控等。反之，如果需要強一致性，關注業務邏輯的處理結果，則RPC顯得更為合適。
解耦
解耦是消息隊列要解決的最本質問題。所謂解耦，簡單點講就是一個事務，只關心核心的流程。而需要依賴其他系統但不那么重要的事情，有通知即可，無需等待結果。換句話說，基于消息的模型，關心的是“通知”，而非“處理”。
比如在美團旅游，我們有一個產品中心，產品中心上游對接的是主站、移動后臺、旅游供應鏈等各個數據源；下游對接的是篩選系統、API系統等展示系統。當上游的數據發生變更的時候，如果不使用消息系統，勢必要調用我們的接口來更新數據，就特別依賴產品中心接口的穩定性和處理能力。
但其實，作為旅游的產品中心，也許只有對于旅游自建供應鏈，產品中心更新成功才是他們關心的事情。而對于團購等外部系統，產品中心更新成功也好、失敗也罷，并不是他們的職責所在。他們只需要保證在信息變更的時候通知到我們就好了。
而我們的下游，可能有更新索引、刷新緩存等一系列需求。對于產品中心來說，這也不是我們的職責所在。說白了，如果他們定時來拉取數據，也能保證數據的更新，只是實時性沒有那么強。但使用接口方式去更新他們的數據，顯然對于產品中心來說太過于“重量級”了，只需要發布一個產品ID變更的通知，由下游系統來處理，可能更為合理。
再舉一個例子，對于我們的訂單系統，訂單最終支付成功之后可能需要給用戶發送短信積分什么的，但其實這已經不是我們系統的核心流程了。如果外部系統速度偏慢（比如短信網關速度不好），那么主流程的時間會加長很多，用戶肯定不希望點擊支付過好幾分鐘才看到結果。那么我們只需要通知短信系統“我們支付成功了”，不一定非要等待它處理完成。
最終一致性
最終一致性指的是兩個系統的狀態保持一致，要么都成功，要么都失敗。當然有個時間限制，理論上越快越好，但實際上在各種異常的情況下，可能會有一定延遲達到最終一致狀態，但最后兩個系統的狀態是一樣的。
業界有一些為“最終一致性”而生的消息隊列，如Notify（阿里）、QMQ（去哪兒）等，其設計初衷，就是為了交易系統中的高可靠通知。
以一個銀行的轉賬過程來理解最終一致性，轉賬的需求很簡單，如果A系統扣錢成功，則B系統加錢一定成功。反之則一起回滾，像什么都沒發生一樣。
然而，這個過程中存在很多可能的意外：
A扣錢成功，調用B加錢接口失敗。
A扣錢成功，調用B加錢接口雖然成功，但獲取最終結果時網絡異常引起超時。
A扣錢成功，B加錢失敗，A想回滾扣的錢，但A機器down機。
可見，想把這件看似簡單的事真正做成，真的不那么容易。所有跨VM的一致性問題，從技術的角度講通用的解決方案是：
強一致性，分布式事務機制，但落地太難且成本太高，實施難度大。
最終一致性，主要是用“記錄”和“補償”的方式。在做所有的不確定的事情之前，先把事情記錄下來，然后去做不確定的事情，結果可能是：成功、失敗或是不確定，“不確定”（例如超時等）可以等價為失敗。成功就可以把記錄的東西清理掉了，對于失敗和不確定，可以依靠定時任務等方式把所有失敗的事情重新執行一遍，直到成功為止。
回到剛才的例子，系統在A扣錢成功的情況下，把要給B“通知”這件事記錄在庫里，通知成功則刪除這條記錄，通知失敗或不確定則依靠定時任務補償性地通知我們，直到我們把狀態更新成正確的為止。
整個這個模型依然可以基于RPC來做，但可以抽象成一個統一的模型，基于消息隊列來做一個“企業總線”。
具體來說，本地事務維護業務變化和通知消息，一起落地（失敗則一起回滾），然后RPC到達broker，在broker成功落地后，RPC返回成功，本地消息可以刪除。否則本地消息一直靠定時任務輪詢不斷重發，這樣就保證了消息可靠落地broker。
broker往consumer發送消息的過程類似，一直發送消息，直到consumer發送消費成功確認。我們先不理會重復消息的問題，通過兩次消息落地加補償，下游是一定可以收到消息的。然后依賴狀態機版本號等方式做判重，更新自己的業務，就實現了最終一致性。
最終一致性不是消息隊列的必備特性，但確實可以依靠消息隊列來做最終一致性的事情。另外，所有不保證100%不丟消息的消息隊列，理論上無法實現最終一致性。像Kafka一類的設計，在設計層面上就有丟消息的可能（比如定時刷盤，如果掉電就會丟消息）。哪怕只丟千分之一的消息，業務應用層也必須用其他的手段來保證結果正確。
廣播
消息隊列的基本功能之一是進行廣播。如果沒有消息隊列，每當一個新的業務方接入，我們都要聯調一次新接口。有了消息隊列，我們只需要關心消息是否送達了隊列，至于誰希望訂閱，是下游的事情，無疑極大地減少了開發和聯調的工作量。
比如本文開始提到的產品中心發布產品變更的消息，以及景點庫很多去重更新的消息，可能“關心”方有很多個，但產品中心和景點庫只需要發布變更消息即可，誰關心誰接入。
錯峰與流控
試想上下游對于事情的處理能力是不同的。比如，Web前端每秒承受上千萬的請求，并不是什么神奇的事情，只需要加多一點機器，再搭建一些LVS負載均衡設備和Nginx等即可。但數據庫的處理能力卻十分有限，即使使用SSD加分庫分表，單機的處理能力仍然在萬級。由于成本的考慮，我們不能奢求數據庫的機器數量追上前端。
這種問題同樣存在于系統和系統之間，如短信系統可能由于短板效應，速度卡在網關上（每秒幾百次請求），跟前端的并發量不是一個數量級。但用戶晚上個半分鐘左右收到短信，一般是不會有太大問題的。如果沒有消息隊列，兩個系統之間通過協商、滑動窗口等復雜的方案也不是說不能實現。
但系統復雜性指數級增長，勢必在上游或者下游做存儲，并且要處理定時、擁塞等一系列問題。而且每當有處理能力有差距的時候，都需要單獨開發一套邏輯來維護這套邏輯。所以，利用中間系統轉儲兩個系統的通信內容，并在下游系統有能力處理這些消息的時候，再處理這些消息，是一套相對較通用的方式。
總而言之，消息隊列不是萬能的。對于需要強事務保證而且延遲敏感的，RPC是優于消息隊列的。對于一些無關痛癢，或者對于別人非常重要但是對于自己不是那么關心的事情，可以利用消息隊列去做。支持最終一致性的消息隊列，能夠用來處理延遲不那么敏感的“分布式事務”場景，而且相對于笨重的分布式事務，可能是更優的處理方式。當上下游系統處理能力存在差距的時候，利用消息隊列做一個通用的“漏斗”。在下游有能力處理的時候，再進行分發。如果下游有很多系統關心你的系統發出的通知的時候，果斷地使用消息隊列吧。
如何設計一個消息隊列
?
綜述
我們現在明確了消息隊列的使用場景，下一步就是如何設計實現一個消息隊列了。
基于消息的系統模型，不一定需要broker(消息隊列服務端)。市面上的的Akka（actor模型）、ZeroMQ等，其實都是基于消息的系統設計范式，但是沒有broker。
但是，我們之所以要設計一個配備broker的消息隊列，無外乎要做兩件事情：
消息的轉儲，在更合適的時間點投遞，或者通過一系列手段輔助消息最終能送達消費機。
確定一種消息范式或通用的模式，以滿足解耦、最終一致性、錯峰等需求。掰開了揉碎了看，最簡單的消息隊列可以做成一個消息轉發器，把一次RPC做成兩次RPC。發送者把消息投遞到服務端（以下簡稱broker），服務端再將消息轉發一手到接收端，就是這么簡單。
一般來講，設計消息隊列的整體思路是：
1. 先build一個整體的數據流,例如producer發送給broker,broker發送給consumer,consumer回復消費確認，broker刪除/備份消息等。
2. 利用RPC將數據流串起來。然后考慮RPC的高可用性，盡量做到無狀態，方便水平擴展。
3. 之后考慮如何承載消息堆積，然后在合適的時機投遞消息，而處理堆積的最佳方式，就是存儲，存儲的選型需要綜合考慮性能/可靠性和開發維護成本等諸多因素。
4. 為了實現廣播功能，我們必須要維護消費關系，可以利用zk/config server等保存消費關系。
在完成了上述幾個功能后，消息隊列基本就實現了。然后我們可以考慮一些高級特性，如可靠投遞，事務特性，性能優化等。
?
實現隊列基本功能
RPC通信協議
剛才講到，所謂消息隊列，無外乎兩次RPC加一次轉儲，當然需要消費端最終做消費確認的情況是三次RPC。既然是RPC，就必然牽扯出一系列話題，什么負載均衡啊、服務發現啊、通信協議啊、序列化協議啊，等等。在這一塊，我的強烈建議是不要重復造輪子。
利用現有的RPC框架：Thrift也好，Dubbo也好，或者是其他自定義的框架也好。因為消息隊列的RPC，和普通的RPC沒有本質區別。當然了，自主利用Memchached或者Redis協議重新寫一套RPC框架并非不可（如MetaQ使用了自己封裝的Gecko NIO框架，KAFA也用了類似的協議）。但實現成本和難度無疑倍增。排除對效率的極端要求，都可以使用現成的RPC框架。
簡單來講，服務端提供兩個RPC服務，一個用來接收消息，一個用來確認消息收到。并且做到不管哪個server收到消息和確認消息，結果一致即可。當然這中間可能還涉及跨IDC的服務的問題。這里和RPC的原則是一致的，盡量優先選擇本機房投遞。你可能會問，如果producer和consumer本身就在兩個機房了，怎么辦？首先，broker必須保證感知的到所有consumer的存在。其次，producer盡量選擇就近的機房就好了。
高可用
其實所有的高可用，是依賴于RPC和存儲的高可用來做的。先來看RPC的高可用，美團的基于MTThrift的RPC框架，阿里的Dubbo等，其本身就具有服務自動發現，負載均衡等功能。而消息隊列的高可用，只要保證broker接受消息和確認消息的接口是冪等的，并且consumer的幾臺機器處理消息是冪等的，這樣就把消息隊列的可用性，轉交給RPC框架來處理了。
那么怎么保證冪等呢？最簡單的方式莫過于共享存儲。broker多機器共享一個DB或者一個分布式文件/kv系統，則處理消息自然是冪等的。就算有單點故障，其他節點可以立刻頂上。另外failover可以依賴定時任務的補償，這是消息隊列本身天然就可以支持的功能。存儲系統本身的可用性我們不需要操太多心，放心大膽的交給DBA們吧！
對于不共享存儲的隊列，如Kafka使用分區加主備模式，就略微麻煩一些。需要保證每一個分區內的高可用性，也就是每一個分區至少要有一個主備且需要做數據的同步，關于這塊HA的細節，可以參考下篇pull模型消息系統設計。
服務端承載消息堆積的能力
消息到達服務端如果不經過任何處理就到接收者了，broker就失去了它的意義。為了滿足我們錯峰/流控/最終可達等一系列需求，把消息存儲下來，然后選擇時機投遞就顯得是順理成章的了。
只是這個存儲可以做成很多方式。比如存儲在內存里，存儲在分布式KV里，存儲在磁盤里，存儲在數據庫里等等。但歸結起來，主要有持久化和非持久化兩種。
持久化的形式能更大程度地保證消息的可靠性（如斷電等不可抗外力），并且理論上能承載更大限度的消息堆積（外存的空間遠大于內存）。
但并不是每種消息都需要持久化存儲。很多消息對于投遞性能的要求大于可靠性的要求，且數量極大（如日志）。這時候，消息不落地直接暫存內存，嘗試幾次failover，最終投遞出去也未嘗不可。
市面上的消息隊列普遍兩種形式都支持。當然具體的場景還要具體結合公司的業務來看。
存儲子系統的選擇
我們來看看如果需要數據落地的情況下各種存儲子系統的選擇。理論上，從速度來看，文件系統>分布式KV（持久化）>分布式文件系統>數據庫，而可靠性卻截然相反。關鍵還是要從支持的業務場景出發作出最合理的選擇。如果你們的消息隊列是用來支持支付/交易等對可靠性要求非常高，但對性能和量的要求沒有這么高，而且沒有時間精力專門做文件存儲系統的研究，DB是最好的選擇。
但是DB受制于IOPS，如果要求單broker 5位數以上的QPS性能，基于文件的存儲是比較好的解決方案。整體上可以采用數據文件+索引文件的方式處理，具體這塊的設計比較復雜，可以參考下篇的存儲子系統設計。
分布式KV（如MongoDB，HBase）等，或者持久化的Redis，由于其編程接口較友好，性能也比較可觀，如果在可靠性要求不是那么高的場景，也不失為一個不錯的選擇。
消費關系解析
現在我們的消息隊列初步具備了轉儲消息的能力。下面一個重要的事情就是解析發送接收關系，進行正確的消息投遞了。
市面上的消息隊列定義了一堆讓人暈頭轉向的名詞，如JMS 規范中的Topic/Queue，Kafka里面的Topic/Partition/ConsumerGroup，RabbitMQ里面的Exchange等等。拋開現象看本質，無外乎是單播與廣播的區別。所謂單播，就是點到點；而廣播，是一點對多點。當然，對于互聯網的大部分應用來說，組間廣播、組內單播是最常見的情形。
消息需要通知到多個業務集群，而一個業務集群內有很多臺機器，只要一臺機器消費這個消息就可以了。
當然這不是絕對的，很多時候組內的廣播也是有適用場景的，如本地緩存的更新等等。另外，消費關系除了組內組間，可能會有多級樹狀關系。這種情況太過于復雜，一般不列入考慮范圍。所以，一般比較通用的設計是支持組間廣播，不同的組注冊不同的訂閱。組內的不同機器，如果注冊一個相同的ID，則單播；如果注冊不同的ID(如IP地址+端口)，則廣播。
至于廣播關系的維護，一般由于消息隊列本身都是集群，所以都維護在公共存儲上，如config server、zookeeper等。維護廣播關系所要做的事情基本是一致的:
發送關系的維護。
發送關系變更時的通知。
隊列高級特性設計
?
上面都是些消息隊列基本功能的實現，下面來看一些關于消息隊列特性相關的內容，不管可靠投遞/消息丟失與重復以及事務乃至于性能，不是每個消息隊列都會照顧到，所以要依照業務的需求，來仔細衡量各種特性實現的成本，利弊，最終做出最為合理的設計。
可靠投遞（最終一致性）
這是個激動人心的話題，完全不丟消息，究竟可不可能？答案是，完全可能，前提是消息可能會重復，并且，在異常情況下，要接受消息的延遲。
方案說簡單也簡單，就是每當要發生不可靠的事情（RPC等）之前，先將消息落地，然后發送。當失敗或者不知道成功失敗（比如超時）時，消息狀態是待發送，定時任務不停輪詢所有待發送消息，最終一定可以送達。
具體來說：
producer往broker發送消息之前，需要做一次落地。
請求到server后，server確保數據落地后再告訴客戶端發送成功。
支持廣播的消息隊列需要對每個待發送的endpoint，持久化一個發送狀態，直到所有endpoint狀態都OK才可刪除消息。
對于各種不確定（超時、down機、消息沒有送達、送達后數據沒落地、數據落地了回復沒收到），其實對于發送方來說，都是一件事情，就是消息沒有送達。
重推消息所面臨的問題就是消息重復。重復和丟失就像兩個噩夢，你必須要面對一個。好在消息重復還有處理的機會，消息丟失再想找回就難了。
Anyway，作為一個成熟的消息隊列，應該盡量在各個環節減少重復投遞的可能性，不能因為重復有解決方案就放縱的亂投遞。
最后說一句，不是所有的系統都要求最終一致性或者可靠投遞，比如一個論壇系統、一個招聘系統。一個重復的簡歷或話題被發布，可能比丟失了一個發布顯得更讓用戶無法接受。不斷重復一句話，任何基礎組件要服務于業務場景。
消費確認
當broker把消息投遞給消費者后，消費者可以立即響應我收到了這個消息。但收到了這個消息只是第一步，我能不能處理這個消息卻不一定。或許因為消費能力的問題，系統的負荷已經不能處理這個消息；或者是剛才狀態機里面提到的消息不是我想要接收的消息，主動要求重發。
把消息的送達和消息的處理分開，這樣才真正的實現了消息隊列的本質-解耦。所以，允許消費者主動進行消費確認是必要的。當然，對于沒有特殊邏輯的消息，默認Auto Ack也是可以的，但一定要允許消費方主動ack。
對于正確消費ack的，沒什么特殊的。但是對于reject和error，需要特別說明。reject這件事情，往往業務方是無法感知到的，系統的流量和健康狀況的評估，以及處理能力的評估是一件非常復雜的事情。舉個極端的例子，收到一個消息開始build索引，可能這個消息要處理半個小時，但消息量卻是非常的小。所以reject這塊建議做成滑動窗口/線程池類似的模型來控制，消費能力不匹配的時候，直接拒絕，過一段時間重發，減少業務的負擔。
但業務出錯這件事情是只有業務方自己知道的，就像上文提到的狀態機等等。這時應該允許業務方主動ack error，并可以與broker約定下次投遞的時間。
重復消息和順序消息
重復消息是不可能100%避免的，除非可以允許丟失，那么，順序消息能否100%滿足呢? 答案是可以，但條件更為苛刻：
允許消息丟失。
從發送方到服務方到接受者都是單點單線程。
所以絕對的順序消息基本上是不能實現的，當然在METAQ/Kafka等pull模型的消息隊列中，單線程生產/消費，排除消息丟失，也是一種順序消息的解決方案。
一般來講，一個主流消息隊列的設計范式里，應該是不丟消息的前提下，盡量減少重復消息，不保證消息的投遞順序。
談到重復消息，主要是兩個話題：
如何鑒別消息重復。
一個消息隊列如何盡量減少重復消息的投遞。
先來看看第一個話題，每一個消息應該有它的唯一身份。不管是業務方自定義的，還是根據IP/PID/時間戳生成的MessageId，如果有地方記錄這個MessageId，消息到來是能夠進行比對就能完成重復的鑒定。數據庫的唯一鍵/bloom filter/分布式KV中的key，都是不錯的選擇。由于消息不能被永久存儲，所以理論上都存在消息從持久化存儲移除后，上游還在投遞的可能（上游因種種原因投遞失敗，不停重試，都到了下游清理消息的時間）。這種事情都是異常情況下才會發生的，畢竟是小眾情況。兩分鐘消息都還沒送達，多送一次又能怎樣呢？因為種種原因重復消息或者錯亂的消息還是來到了，說兩種通用的解決方案：
版本號。
狀態機。
版本號（連續遞增）
舉個簡單的例子，一個產品的狀態有上線/下線狀態。如果消息1是下線，消息2是上線。不巧消息1判重失敗，被投遞了兩次，且第二次發生在2之后，如果不做重復性判斷，顯然最終狀態是錯誤的。
但是，如果每個消息自帶一個版本號。上游發送的時候，標記消息1版本號是1，消息2版本號是2。如果再發送下線消息，則版本號標記為3。下游對于每次消息的處理，同時維護一個版本號。
每次只接受比當前版本號大的消息。初始版本為0，當消息1到達時，將版本號更新為1。消息2到來時，因為版本號>1.可以接收，同時更新版本號為2.當另一條下線消息到來時，如果版本號是3.則是真實的下線消息。如果是1，則是重復投遞的消息。
如果業務方只關心消息重復不重復，那么問題就已經解決了。但很多時候另一個頭疼的問題來了，就是消息順序如果和想象的順序不一致。比如應該的順序是12，到來的順序是21。則最后會發生狀態錯誤。
參考TCP/IP協議，如果想讓亂序的消息最后能夠正確的被組織，那么就應該只接收比當前版本號大一的消息。并且在一個session周期內要一直保存各個消息的版本號。
如果到來的順序是21，則先把2存起來，待2到來后，再處理1，這樣重復性和順序性要求就都達到了。
狀態機（排隊機）
基于版本號來處理重復和順序消息聽起來是個不錯的主意，但凡事總有瑕疵。使用版本號的最大問題是：
對發送方必須要求消息帶業務版本號。
下游必須存儲消息的版本號，對于要嚴格保證順序的。
還不能只存儲最新的版本號的消息，要把亂序到來的消息都存儲起來。而且必須要對此做出處理。試想一個永不過期的"session"，比如一個物品的狀態，會不停流轉于上下線。那么中間環節的所有存儲就必須保留，直到在某個版本號之前的版本一個不丟的到來，成本太高。
就剛才的場景看，如果消息沒有版本號，該怎么解決呢？業務方只需要自己維護一個狀態機，定義各種狀態的流轉關系。例如，"下線"狀態只允許接收"上線"消息，“上線”狀態只能接收“下線消息”，如果上線收到上線消息，或者下線收到下線消息，在消息不丟失和上游業務正確的前提下。要么是消息發重了，要么是順序到達反了。這時消費者只需要把“我不能處理這個消息”告訴投遞者，要求投遞者過一段時間重發即可。而且重發一定要有次數限制，比如5次，避免死循環，就解決了。
舉例子說明，假設產品本身狀態是下線，1是上線消息，2是下線消息，3是上線消息，正常情況下，消息應該的到來順序是123，但實際情況下收到的消息狀態變成了3123。
那么下游收到3消息的時候，判斷狀態機流轉是下線->上線，可以接收消息。然后收到消息1，發現是上線->上線，拒絕接收，要求重發。然后收到消息2，狀態是上線->下線，于是接收這個消息。
此時無論重發的消息1或者3到來，還是可以接收。另外的重發，在一定次數拒絕后停止重發，業務正確。
中間件對于重復消息的處理
回歸到消息隊列的話題來講。上述通用的版本號/狀態機/ID判重解決方案里，哪些是消息隊列該做的、哪些是消息隊列不該做業務方處理的呢？其實這里沒有一個完全嚴格的定義，但回到我們的出發點，我們保證不丟失消息的情況下盡量少重復消息，消費順序不保證。那么重復消息下和亂序消息下業務的正確，應該是由消費方保證的，我們要做的是減少消息發送的重復。
我們無法定義業務方的業務版本號/狀態機，如果API里強制需要指定版本號，則顯得過于綁架客戶了。況且，在消費方維護這么多狀態，就涉及到一個消費方的消息落地/多機間的同步消費狀態問題，復雜度指數級上升，而且只能解決部分問題。
減少重復消息的關鍵步驟：
broker記錄MessageId，直到投遞成功后清除，重復的ID到來不做處理，這樣只要發送者在清除周期內能夠感知到消息投遞成功，就基本不會在server端產生重復消息。
對于server投遞到consumer的消息，由于不確定對端是在處理過程中還是消息發送丟失的情況下，有必要記錄下投遞的IP地址。決定重發之前詢問這個IP，消息處理成功了嗎？如果詢問無果，再重發。
事務
持久性是事務的一個特性，然而只滿足持久性卻不一定能滿足事務的特性。還是拿扣錢/加錢的例子講。滿足事務的一致性特征，則必須要么都不進行，要么都能成功。
解決方案從大方向上有兩種：
兩階段提交，分布式事務。
本地事務，本地落地，補償發送。
分布式事務存在的最大問題是成本太高，兩階段提交協議，對于仲裁down機或者單點故障，幾乎是一個無解的黑洞。對于交易密集型或者I/O密集型的應用，沒有辦法承受這么高的網絡延遲，系統復雜性。
并且成熟的分布式事務一定構建與比較靠譜的商用DB和商用中間件上，成本也太高。
那如何使用本地事務解決分布式事務的問題呢？以本地和業務在一個數據庫實例中建表為例子，與扣錢的業務操作同一個事務里，將消息插入本地數據庫。如果消息入庫失敗，則業務回滾；如果消息入庫成功，事務提交，然后發送消息（注意這里可以實時發送，不需要等定時任務檢出，以提高消息實時性）。只要消息沒有發送成功，就一直靠定時任務重試。
這里有一個關鍵的點，本地事務做的，是業務落地和消息落地的事務，而不是業務落地和RPC成功的事務。這里很多人容易混淆，如果是后者，無疑是事務嵌套RPC，是大忌，會有長事務死鎖等各種風險。
而消息只要成功落地，很大程度上就沒有丟失的風險（磁盤物理損壞除外）。而消息只要投遞到服務端確認后本地才做刪除，就完成了producer->broker的可靠投遞，并且當消息存儲異常時，業務也是可以回滾的。
本地事務存在兩個最大的使用障礙：
配置較為復雜，“綁架”業務方，必須本地數據庫實例提供一個庫表。
對于消息延遲高敏感的業務不適用。
話說回來，不是每個業務都需要強事務的。扣錢和加錢需要事務保證，但下單和生成短信卻不需要事務，不能因為要求發短信的消息存儲投遞失敗而要求下單業務回滾。所以，一個完整的消息隊列應該定義清楚自己可以投遞的消息類型，如事務型消息，本地非持久型消息，以及服務端不落地的非可靠消息等。
對不同的業務場景做不同的選擇。另外事務的使用應該盡量低成本、透明化，可以依托于現有的成熟框架，如Spring的聲明式事務做擴展。業務方只需要使用@Transactional標簽即可。
性能相關
異步/同步
首先澄清一個概念，異步，同步和oneway是三件事。異步，歸根結底你還是需要關心結果的，但可能不是當時的時間點關心，可以用輪詢或者回調等方式處理結果；同步是需要當時關心的結果的；而oneway是發出去就不管死活的方式，這種對于某些完全對可靠性沒有要求的場景還是適用的，但不是我們重點討論的范疇。
回歸來看，任何的RPC都是存在客戶端異步與服務端異步的，而且是可以任意組合的：客戶端同步對服務端異步，客戶端異步對服務端異步，客戶端同步對服務端同步，客戶端異步對服務端同步。
對于客戶端來說，同步與異步主要是拿到一個Result，還是Future(Listenable)的區別。實現方式可以是線程池，NIO或者其他事件機制，這里先不展開講。
服務端異步可能稍微難理解一點，這個是需要RPC協議支持的。參考servlet 3.0規范，服務端可以吐一個future給客戶端，并且在future done的時候通知客戶端。
整個過程可以參考下面的代碼：
客戶端同步服務端異步。
Future<Result> future = request(server);//server立刻返回future
synchronized(future){
?? ? while(!future.isDone()){ ??
?? ? ? ? ? future.wait();//server處理結束后會notify這個future，并修改isdone標志
?? ? ?}
}
return future.get();
客戶端同步服務端同步。
Result result = request(server);
客戶端異步服務端同步(這里用線程池的方式)。
Future<Result> future = executor.submit(new Callable(){
????????????????? public void call<Result>(){
? ? ? ? ? ? ? ? ? ? ? ? ? ?? ? result = request(server);
????????????? ? ? }
})
return future;
客戶端異步服務端異步。
Future<Result> future = request(server);//server立刻返回future
return future
上面說了這么多，其實是想讓大家脫離兩個誤區：
RPC只有客戶端能做異步，服務端不能。
異步只能通過線程池。
那么，服務端使用異步最大的好處是什么呢？說到底，是解放了線程和I/O。試想服務端有一堆I/O等待處理，如果每個請求都需要同步響應，每條消息都需要結果立刻返回，那么就幾乎沒法做I/O合并（當然接口可以設計成batch的，但可能batch發過來的仍然數量較少）。
而如果用異步的方式返回給客戶端future，就可以有機會進行I/O的合并，把幾個批次發過來的消息一起落地（這種合并對于MySQL等允許batch insert的數據庫效果尤其明顯），并且徹底釋放了線程。不至于說來多少請求開多少線程，能夠支持的并發量直線提高。
來看第二個誤區，返回future的方式不一定只有線程池。換句話說，可以在線程池里面進行同步操作，也可以進行異步操作，也可以不使用線程池使用異步操作（NIO、事件）。
回到消息隊列的議題上，我們當然不希望消息的發送阻塞主流程（前面提到了，server端如果使用異步模型，則可能因消息合并帶來一定程度上的消息延遲），所以可以先使用線程池提交一個發送請求，主流程繼續往下走。
但是線程池中的請求關心結果嗎？Of course，必須等待服務端消息成功落地，才算是消息發送成功。所以這里的模型，準確地說事客戶端半同步半異步（使用線程池不阻塞主流程，但線程池中的任務需要等待server端的返回），server端是純異步。客戶端的線程池wait在server端吐回的future上，直到server端處理完畢，才解除阻塞繼續進行。
總結一句，同步能夠保證結果，異步能夠保證效率，要合理的結合才能做到最好的效率。
批量
談到批量就不得不提生產者消費者模型。但生產者消費者模型中最大的痛點是：消費者到底應該何時進行消費。大處著眼來看，消費動作都是事件驅動的。主要事件包括：
攢夠了一定數量。
到達了一定時間。
隊列里有新的數據到來。
對于及時性要求高的數據，可用采用方式3來完成，比如客戶端向服務端投遞數據。只要隊列有數據，就把隊列中的所有數據刷出，否則將自己掛起，等待新數據的到來。
在第一次把隊列數據往外刷的過程中，又積攢了一部分數據，第二次又可以形成一個批量。偽代碼如下:
Executor executor = Executors.newFixedThreadPool(4);
final BlockingQueue<Message> queue = new ArrayBlockingQueue<>();
private Runnable task = new Runnable({//這里由于共享隊列，Runnable可以復用，故做成全局的 ??
?? ? ?public void run(){ ? ? ?
??????????? List<Message> messages ?= new ArrayList<>(20); ? ? ?
??????????? queue.drainTo(messages，20); ? ? ?
?????????? ?doSend(messages);//阻塞，在這個過程中會有新的消息到來，如果4個線程都占滿，隊列就有機會囤新的消息 ??
?? ? ?}
});
public void send(Message message){ ? ?
?? ? queue.offer(message); ? ?
?? ? executor.submit(task)
}
這種方式是消息延遲和批量的一個比較好的平衡，但優先響應低延遲。延遲的最高程度由上一次發送的等待時間決定。但可能造成的問題是發送過快的話批量的大小不夠滿足性能的極致。
Executor executor = Executors.newFixedThreadPool(4);
final BlockingQueue<Message> queue = new ArrayBlockingQueue<>();
volatile long last = System.currentMills();
Executors.newSingleThreadScheduledExecutor().submit(new Runnable(){ ??
?? ?flush();
}，500，500，TimeUnits.MILLS);
private Runnable task = new Runnable({
? //這里由于共享隊列，Runnable可以復用，顧做成全局的。 ??
? public void run(){ ? ? ?
??????????? List<Message> messages ?= new ArrayList<>(20); ? ? ?
?? ? ? ? ? ?queue.drainTo(messages，20); ? ? ?
??????????? doSend(messages);//阻塞，在這個過程中會有新的消息到來，如果4個線程都占滿，隊列就有機會屯新的消息。 ??
?}
});
public void send(Message message){ ? ?
????????? last = System.currentMills(); ? ?
???????? ?queue.offer(message); ? ?
??????? ? flush();
}
private void flush(){?
?? ?if(queue.size>200||System.currentMills()-last>200){
? ? ? executor.submit(task) ?
}}
相反對于可以用適量的延遲來換取高性能的場景來說，用定時/定量二選一的方式可能會更為理想，既到達一定數量才發送，但如果數量一直達不到，也不能干等，有一個時間上限。
具體說來，在上文的submit之前，多判斷一個時間和數量，并且Runnable內部維護一個定時器，避免沒有新任務到來時舊的任務永遠沒有機會觸發發送條件。對于server端的數據落地，使用這種方式就非常方便。
最后啰嗦幾句，曾經有人問我，為什么網絡請求小包合并成大包會提高性能？主要原因有兩個：
減少無謂的請求頭，如果你每個請求只有幾字節，而頭卻有幾十字節，無疑效率非常低下。
減少回復的ack包個數。把請求合并后，ack包數量必然減少，確認和重發的成本就會降低。
push 還是 pull ？
?
上文提到的消息隊列，大多是針對push模型的設計。現在市面上有很多經典的也比較成熟的pull模型的消息隊列，如Kafka、MetaQ等。這跟JMS中傳統的push方式有很大的區別，可謂另辟蹊徑。
我們簡要分析下push和pull模型各自存在的利弊。
慢消費
慢消費無疑是push模型最大的致命傷，穿成流水線來看，如果消費者的速度比發送者的速度慢很多，勢必造成消息在broker的堆積。假設這些消息都是有用的無法丟棄的，消息就要一直在broker端保存。當然這還不是最致命的，最致命的是broker給consumer推送一堆consumer無法處理的消息，consumer不是reject就是error，然后來回踢皮球。
反觀pull模式，consumer可以按需消費，不用擔心自己處理不了的消息來騷擾自己，而broker堆積消息也會相對簡單，無需記錄每一個要發送消息的狀態，只需要維護所有消息的隊列和偏移量就可以了。所以對于建立索引等慢消費，消息量有限且到來的速度不均勻的情況，pull模式比較合適。
消息延遲與忙等
這是pull模式最大的短板。由于主動權在消費方，消費方無法準確地決定何時去拉取最新的消息。如果一次pull取到消息了還可以繼續去pull，如果沒有pull取到則需要等待一段時間重新pull。
但等待多久就很難判定了。你可能會說，我可以有xx動態pull取時間調整算法，但問題的本質在于，有沒有消息到來這件事情決定權不在消費方。也許1分鐘內連續來了1000條消息，然后半個小時沒有新消息產生，可能你的算法算出下次最有可能到來的時間點是31分鐘之后，或者60分鐘之后，結果下條消息10分鐘后到了，是不是很讓人沮喪？
當然也不是說延遲就沒有解決方案了，業界較成熟的做法是從短時間開始（不會對broker有太大負擔），然后指數級增長等待。比如開始等5ms，然后10ms，然后20ms，然后40ms……直到有消息到來，然后再回到5ms。
即使這樣，依然存在延遲問題：假設40ms到80ms之間的50ms消息到來，消息就延遲了30ms，而且對于半個小時來一次的消息，這些開銷就是白白浪費的。
在阿里的RocketMq里，有一種優化的做法-長輪詢，來平衡推拉模型各自的缺點。基本思路是:消費者如果嘗試拉取失敗，不是直接return,而是把連接掛在那里wait,服務端如果有新的消息到來，把連接notify起來，這也是不錯的思路。但海量的長連接block對系統的開銷還是不容小覷的，還是要合理的評估時間間隔，給wait加一個時間上限比較好~
順序消息
如果push模式的消息隊列，支持分區，單分區只支持一個消費者消費，并且消費者只有確認一個消息消費后才能push送另外一個消息，還要發送者保證全局順序唯一，聽起來也能做順序消息，但成本太高了，尤其是必須每個消息消費確認后才能發下一條消息，這對于本身堆積能力和慢消費就是瓶頸的push模式的消息隊列，簡直是一場災難。
反觀pull模式，如果想做到全局順序消息，就相對容易很多：
producer對應partition，并且單線程。
consumer對應partition，消費確認（或批量確認），繼續消費即可。
所以對于日志push送這種最好全局有序，但允許出現小誤差的場景，pull模式非常合適。如果你不想看到通篇亂套的日志~~
Anyway，需要順序消息的場景還是比較有限的而且成本太高，請慎重考慮。
總結
?
本文從為何使用消息隊列開始講起，然后主要介紹了如何從零開始設計一個消息隊列，包括RPC、事務、最終一致性、廣播、消息確認等關鍵問題。并對消息隊列的push、pull模型做了簡要分析，最后從批量和異步角度，分析了消息隊列性能優化的思路。
轉載于:https://my.oschina.net/blacklands/blog/866569
總結
- 上一篇： 关于li标签之间的间隔如何消除！
- 下一篇： protobuf编码