如何将高并发拉下神坛!

“

高并发也算是这几年的热门词汇了，尤其在互联网圈，开口不聊个高并发问题，都不好意思出门。

高并发有那么邪乎吗？动不动就千万并发、亿级流量，听上去的确挺吓人。但仔细想想，这么大的并发与流量不都是通过路由器来的吗？

一切源自网卡

高并发的流量通过低调的路由器进入我们系统，第一道关卡就是网卡，网卡怎么抗住高并发？

这个问题压根就不存在，千万并发在网卡看来，一样一样的，都是电信号，网卡眼里根本区分不出来你是千万并发还是一股洪流，所以衡量网卡牛不牛都说带宽，从来没有并发量的说法。

网卡位于物理层和链路层，最终把数据传递给网络层（IP 层），在网络层有了 IP 地址，已经可以识别出你是千万并发了。

所以搞网络层的可以自豪的说，我解决了高并发问题，可以出来吹吹牛了。谁没事搞网络层呢？主角就是路由器，这玩意主要就是玩儿网络层。

一头雾水

非专业的我们，一般都把网络层（IP 层）和传输层（TCP 层）放到一起，操作系统提供，对我们是透明的，很低调、很靠谱，以至于我们都把它忽略了。

吹过的牛是从应用层开始的，应用层一切都源于 Socket，那些千万并发最终会经过传输层变成千万个 Socket，那些吹过的牛，不过就是如何快速处理这些 Socket。处理 IP 层数据和处理 Socket 究竟有啥不同呢？

没有连接，就没有等待

最重要的一个不同就是 IP 层不是面向连接的，而 Socket 是面向连接的。IP 层没有连接的概念，在 IP 层，来一个数据包就处理一个，不用瞻前也不用顾后。

而处理 Socket，必须瞻前顾后，Socket 是面向连接的，有上下文的，读到一句我爱你，激动半天，你不前前后后地看看，就是瞎激动了。

你想前前后后地看明白，就要占用更多的内存去记忆，就要占用更长的时间去等待；不同连接要搞好隔离，就要分配不同的线程（或者协程）。所有这些都解决好，貌似还是有点难度的。

感谢操作系统

操作系统是个好东西，在 Linux 系统上，所有的 IO 都被抽象成了文件，网络 IO 也不例外，被抽象成 Socket。

但是 Socket 还不仅是一个 IO 的抽象，它同时还抽象了如何处理 Socket，最著名的就是 select 和 epoll 了。

知名的 Nginx、Netty、Redis 都是基于 epoll 做的，这仨家伙基本上是在千万并发领域的必备神技。

但是多年前，Linux 只提供了 select，这种模式能处理的并发量非常小，而 epoll 是专为高并发而生的，感谢操作系统。

不过操作系统没有解决高并发的所有问题，只是让数据快速地从网卡流入我们的应用程序，如何处理才是老大难。

操作系统的使命之一就是最大限度的发挥硬件的能力，解决高并发问题，这也是最直接、最有效的方案，其次才是分布式计算。

前面我们提到的 Nginx、Netty、Redis 都是最大限度发挥硬件能力的典范。如何才能最大限度的发挥硬件能力呢？

核心矛盾

要最大限度的发挥硬件能力，首先要找到核心矛盾所在。我认为，这个核心矛盾从计算机诞生之初直到现在，几乎没有发生变化，就是 CPU 和 IO 之间的矛盾。

CPU 以摩尔定律的速度野蛮发展，而 IO 设备（磁盘，网卡）却乏善可陈。龟速的 IO 设备成为性能瓶颈，必然导致 CPU 的利用率很低，所以提升 CPU 利用率几乎成了发挥硬件能力的代名词。

中断与缓存

CPU 与 IO 设备的协作基本都是以中断的方式进行的，例如读磁盘的操作，CPU 仅仅是发一条读磁盘到内存的指令给磁盘驱动，之后就立即返回了。

此时 CPU 可以接着干其他事情，读磁盘到内存本身是个很耗时的工作，等磁盘驱动执行完指令，会发个中断请求给 CPU，告诉 CPU 任务已经完成，CPU 处理中断请求，此时 CPU 可以直接操作读到内存的数据。

中断机制让 CPU 以最小的代价处理 IO 问题，那如何提高设备的利用率呢？答案就是缓存。

操作系统内部维护了 IO 设备数据的缓存，包括读缓存和写缓存。读缓存很容易理解，我们经常在应用层使用缓存，目的就是尽量避免产生读 IO。

写缓存应用层使用的不多，操作系统的写缓存，完全是为了提高 IO 写的效率。

操作系统在写 IO 的时候会对缓存进行合并和调度，例如写磁盘会用到电梯调度算法。

高效利用网卡

高并发问题首先要解决的是如何高效利用网卡。网卡和磁盘一样，内部也是有缓存的，网卡接收网络数据，先存放到网卡缓存，然后写入操作系统的内核空间（内存），我们的应用程序则读取内存中的数据，然后处理。

除了网卡有缓存外，TCP/IP 协议内部还有发送缓冲区和接收缓冲区以及 SYN 积压队列、accept 积压队列。

这些缓存，如果配置不合适，则会出现各种问题。例如在 TCP 建立连接阶段，如果并发量过大，而 Nginx 里面 Socket 的 backlog 设置的值太小，就会导致大量连接请求失败。

如果网卡的缓存太小，当缓存满了后，网卡会直接把新接收的数据丢掉，造成丢包。

当然如果我们的应用读取网络 IO 数据的效率不高，会加速网卡缓存数据的堆积。如何高效读取网络数据呢？目前在 Linux 上广泛应用的就是 epoll 了。

操作系统把 IO 设备抽象为文件，网络被抽象成了 Socket，Socket 本身也是一个文件，所以可以用 read/write 方法来读取和发送网络数据。在高并发场景下，如何高效利用 Socket 快速读取和发送网络数据呢？

要想高效利用 IO，就必须在操作系统层面了解 IO 模型，在《UNIX网络编程》这本经典著作里总结了五种 IO 模型，分别是：

阻塞式 IO

非阻塞式 IO

多路复用 IO

信号驱动 IO

异步 IO

阻塞式 IO

我们以读操作为例，当我们调用 read 方法读取 Socket 上的数据时，如果此时 Socket 读缓存是空的（没有数据从 Socket 的另一端发过来），操作系统会把调用 read 方法的线程挂起，直到 Socket 读缓存里有数据时，操作系统再把该线程唤醒。

当然，在唤醒的同时，read 方法也返回了数据。我理解所谓的阻塞，就是操作系统是否会挂起线程。

非阻塞式 IO

而对于非阻塞式 IO，如果 Socket 的读缓存是空的，操作系统并不会把调用 read 方法的线程挂起，而是立即返回一个 EAGAIN 的错误码。

在这种情景下，可以轮询 read 方法，直到 Socket 的读缓存有数据则可以读到数据，这种方式的缺点非常明显，就是消耗大量的 CPU。

多路复用 IO

对于阻塞式 IO，由于操作系统会挂起调用线程，所以如果想同时处理多个 Socket，就必须相应地创建多个线程。

线程会消耗内存，增加操作系统进行线程切换的负载，所以这种模式不适合高并发场景。有没有办法较少线程数呢？

非阻塞 IO 貌似可以解决，在一个线程里轮询多个 Socket，看上去可以解决线程数的问题，但实际上这个方案是无效的。

原因是调用 read 方法是一个系统调用，系统调用是通过软中断实现的，会导致进行用户态和内核态的切换，所以很慢。

但是这个思路是对的，有没有办法避免系统调用呢？有，就是多路复用 IO。

在 Linux 系统上 select/epoll 这俩系统 API 支持多路复用 IO，通过这两个 API，一个系统调用可以监控多个 Socket，只要有一个 Socket 的读缓存有数据了，方法就立即返回。

然后你就可以去读这个可读的 Socket 了，如果所有的 Socket 读缓存都是空的，则会阻塞，也就是将调用 select/epoll 的线程挂起。

所以 select/epoll 本质上也是阻塞式 IO，只不过它们可以同时监控多个 Socket。

select 和 epoll 的区别

为什么多路复用 IO 模型有两个系统 API？我分析原因是，select 是 POSIX 标准中定义的，但是性能不够好，所以各个操作系统都推出了性能更好的 API，如 Linux 上的 epoll、Windows 上的 IOCP。

至于 select 为什么会慢，大家比较认可的原因有两点：

一点是 select 方法返回后，需要遍历所有监控的 Socket，而不是发生变化的 Socket。

还有一点是每次调用 select 方法，都需要在用户态和内核态拷贝文件描述符的位图（通过调用三次 copy_from_user 方法拷贝读、写、异常三个位图）。

epoll 可以避免上面提到的这两点。

Reactor 多线程模型

在 Linux 操作系统上，性能最为可靠、稳定的 IO 模式就是多路复用，我们的应用如何能够利用好多路复用 IO 呢？

经过前人多年实践总结，搞了一个 Reactor 模式，目前应用非常广泛，著名的 Netty、Tomcat NIO 就是基于这个模式。

Reactor 的核心是事件分发器和事件处理器，事件分发器是连接多路复用 IO 和网络数据处理的中枢，监听 Socket 事件（select/epoll_wait）。

然后将事件分发给事件处理器，事件分发器和事件处理器都可以基于线程池来做。

需要重点提一下的是，在 Socket 事件中主要有两大类事件，一个是连接请求，另一个是读写请求，连接请求成功处理之后会创建新的 Socket，读写请求都是基于这个新创建的 Socket。

所以在网络处理场景中，实现 Reactor 模式会稍微有点绕，但是原理没有变化。

具体实现可以参考 Doug Lea 的《Scalable IO in Java》（http://gee.cs.oswego.edu/dl/cpjslides/nio.pdf）。

Reactor 原理图

Nginx 多进程模型

Nginx 默认采用的是多进程模型，Nginx 分为 Master 进程和 Worker 进程。

真正负责监听网络请求并处理请求的只有 Worker 进程，所有的 Worker 进程都监听默认的 80 端口，但是每个请求只会被一个 Worker 进程处理。

这里面的玄机是：每个进程在 accept 请求前必须争抢一把锁，得到锁的进程才有权处理当前的网络请求。

每个 Worker 进程只有一个主线程，单线程的好处是无锁处理，无锁处理并发请求，这基本上是高并发场景里面的最高境界了。（参考http://www.dre.vanderbilt.edu/~schmidt/PDF/reactor-siemens.pdf）

数据经过网卡、操作系统、网络协议中间件（Tomcat、Netty 等）重重关卡，终于到了我们应用开发人员手里，我们如何处理这些高并发的请求呢？我们还是先从提升单机处理能力的角度来思考这个问题。

突破木桶理论

我们还是先从提升单机处理能力的角度来思考这个问题，在实际应用的场景中，问题的焦点是如何提高 CPU 的利用率（谁叫它发展的最快呢）。

木桶理论讲最短的那根板决定水位，那为啥不是提高短板 IO 的利用率，而是去提高 CPU 的利用率呢？

这个问题的答案是在实际应用中，提高了 CPU 的利用率往往会同时提高 IO 的利用率。

当然在 IO 利用率已经接近极限的条件下，再提高 CPU 利用率是没有意义的。我们先来看看如何提高 CPU 的利用率，后面再看如何提高 IO 的利用率。

并行与并发

提升 CPU 利用率目前主要的方法是利用 CPU 的多核进行并行计算，并行和并发是有区别的。

在单核 CPU 上，我们可以一边听 MP3，一边 Coding，这个是并发，但不是并行，因为在单核 CPU 的视野，听 MP3 和 Coding 是不可能同时进行的。

只有在多核时代，才会有并行计算。并行计算这东西太高级，工业化应用的模型主要有两种，一种是共享内存模型，另外一种是消息传递模型。

多线程设计模式

对于共享内存模型，其原理基本都来自大师 Dijkstra 在半个世纪前（1965）的一篇论文《Cooperating sequential processes》。

这篇论文提出了大名鼎鼎的概念信号量，Java 里面用于线程同步的 wait/notify 也是信号量的一种实现。

大师的东西看不懂，学不会也不用觉得丢人，毕竟大师的嫡传子弟也没几个。

东洋有个叫结城浩的总结了一下多线程编程的经验，写了本书叫《JAVA多线程设计模式》，这个还是挺接地气（能看懂）的，下面简单介绍一下。

Single Threaded Execution

这个模式是把多线程变成单线程，多线程在同时访问一个变量时，会发生各种莫名其妙的问题，这个设计模式直接把多线程搞成了单线程，于是安全了，当然性能也就下来了。

最简单的实现就是利用 synchronized 将存在安全隐患的代码块（方法）保护起来。

在并发领域有个临界区（criticalsections）的概念，我感觉和这个模式是一回事。

Immutable Pattern

如果共享变量永远不变，那多个线程访问就没有任何问题，永远安全。这个模式虽然简单，但是用的好，能解决很多问题。

Guarded Suspension Patten

这个模式其实就是等待-通知模型，当线程执行条件不满足时，挂起当前线程（等待）；当条件满足时，唤醒所有等待的线程（通知），在 Java 语言里利用 synchronized，wait/notifyAll 可以很快实现一个等待通知模型。

结城浩将这个模式总结为多线程版的 If，我觉得非常贴切。

Balking

这个模式和上个模式类似，不同点是当线程执行条件不满足时直接退出，而不是像上个模式那样挂起。

这个用法最大的应用场景是多线程版的单例模式，当对象已经创建了（不满足创建对象的条件）就不用再创建对象（退出）。

Producer-Consumer

生产者-消费者模式，全世界人都知道。我接触的最多的是一个线程处理 IO（如查询数据库），一个（或者多个）线程处理 IO 数据，这样 IO 和 CPU 就都能充分利用起来。

如果生产者和消费者都是 CPU 密集型，再搞生产者-消费者就是自己给自己找麻烦了。

Read-Write Lock

读写锁解决的是读多写少场景下的性能问题，支持并行读，但是写操作只允许一个线程做。

如果写操作非常非常少，而读的并发量非常非常大，这个时候可以考虑使用写时复制（copy on write）技术，我个人觉得应该单独把写时复制作为一个模式。

Thread-Per-Message

就是我们经常提到的一请求一线程。

Worker Thread

一请求一线程的升级版，利用线程池解决线程的频繁创建、销毁导致的性能问题。BIO 年代 Tomcat 就是用的这种模式。

Future

当你调用某个耗时的同步方法很心烦，想同时干点别的事情，可以考虑用这个模式，这个模式的本质是个同步变异步的转换器。

同步之所以能变异步，本质上是启动了另外一个线程，所以这个模式和一请求一线程还是多少有点关系的。

Two-Phase Termination

这个模式能解决优雅地终止线程的需求。

Thread-Specific Storage

线程本地存储，避免加锁、解锁开销的利器，C# 里面有个支持并发的容器 ConcurrentBag 就是采用了这个模式。

这个星球上最快的数据库连接池 HikariCP 借鉴了 ConcurrentBag 的实现，搞了个 Java 版的，有兴趣的同学可以参考。

Active Object（这个不讲也罢）

这个模式相当于降龙十八掌的最后一掌，综合了前面的设计模式，有点复杂，个人觉得借鉴的意义大于参考实现。

最近国人也出过几本相关的书，但总体还是结城浩这本更能经得住推敲。基于共享内存模型解决并发问题，主要问题就是用好锁。

但是用好锁，还是有难度的，所以后来又有人搞了消息传递模型。

消息传递模型

共享内存模型难度还是挺大的，而且你没有办法从理论上证明写的程序是正确的，我们总一不小心就会写出来个死锁的程序来，每当有了问题，总会有大师出来。

于是消息传递（Message-Passing）模型横空出世（发生在上个世纪 70 年代），消息传递模型有两个重要的分支，一个是 Actor 模型，一个是 CSP 模型。

Actor 模型

Actor 模型因为 Erlang 声名鹊起，后来又出现了 Akka。在 Actor 模型里面，没有操作系统里所谓进程、线程的概念，一切都是 Actor，我们可以把 Actor 想象成一个更全能、更好用的线程。

在 Actor 内部是线性处理（单线程）的，Actor 之间以消息方式交互，也就是不允许 Actor 之间共享数据。没有共享，就无需用锁，这就避免了锁带来的各种副作用。

Actor 的创建和 new 一个对象没有啥区别，很快、很小，不像线程的创建又慢又耗资源。

Actor 的调度也不像线程会导致操作系统上下文切换（主要是各种寄存器的保存、恢复），所以调度的消耗也很小。

Actor 还有一个有点争议的优点，Actor 模型更接近现实世界，现实世界也是分布式的、异步的、基于消息的、尤其 Actor 对于异常（失败）的处理、自愈、监控等都更符合现实世界的逻辑。

但是这个优点改变了编程的思维习惯，我们目前大部分编程思维习惯其实是和现实世界有很多差异的。一般来讲，改变我们思维习惯的事情，阻力总是超乎我们的想象。

CSP 模型

Golang 在语言层面支持 CSP 模型，CSP 模型和 Actor 模型的一个感官上的区别是在 CSP 模型里面，生产者（消息发送方）和消费者（消息接收方）是完全松耦合的，生产者完全不知道消费者的存在。

但是在 Actor 模型里面，生产者必须知道消费者，否则没办法发送消息。

CSP 模型类似于我们在多线程里面提到的生产者-消费者模型，核心的区别我觉得在于 CSP 模型里面有类似绿色线程（green thread）的东西。

绿色线程在 Golang 里面叫做协程，协程同样是个非常轻量级的调度单元，可以快速创建而且资源占用很低。

Actor 在某种程度上需要改变我们的思维方式，而 CSP 模型貌似没有那么大动静，更容易被现在的开发人员接受，都说 Golang 是工程化的语言，在 Actor 和 CSP 的选择上，也可以看到这种体现。

多样世界

除了消息传递模型，还有事件驱动模型、函数式模型。事件驱动模型类似于观察者模式，在 Actor 模型里面，消息的生产者必须知道消费者才能发送消息、

而在事件驱动模型里面，事件的消费者必须知道消息的生产者才能注册事件处理逻辑。

Akka 里消费者可以跨网络，事件驱动模型的具体实现如 Vertx 里，消费者也可以订阅跨网络的事件，从这个角度看，大家都在取长补短。