加载中…

加载中...

正文 字体大小:

建设一个靠谱的火车票网上订购系统 (续)

(2012-01-17 20:53:07)
标签:

春运

火车票

12306

云计算

it

分类: 技术评论

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。

建设一个靠谱的火车票网上订购系统 <wbr>(续)


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



0

阅读 评论 收藏 转载 喜欢 打印举报
已投稿到:
  • 评论加载中,请稍候...
发评论

    发评论

    以上网友发言只代表其个人观点,不代表新浪网的观点或立场。

      

    新浪BLOG意见反馈留言板 电话:4006900000 提示音后按1键(按当地市话标准计费) 欢迎批评指正

    新浪简介 | About Sina | 广告服务 | 联系我们 | 招聘信息 | 网站律师 | SINA English | 会员注册 | 产品答疑

    新浪公司 版权所有