目前主流的MQ產(chǎn)品

file

1.ZeroMQ

號(hào)稱最快的消息隊(duì)列系統(tǒng)，尤其針對(duì)大吞吐量的需求場(chǎng)景。

擴(kuò)展性好，開(kāi)發(fā)比較靈活，采用C語(yǔ)言實(shí)現(xiàn)，實(shí)際上只是一個(gè)socket庫(kù)的重新封裝，如果做為消息隊(duì)列使用，需要開(kāi)發(fā)大量的代碼。ZeroMQ僅提供非持久性的隊(duì)列，也就是說(shuō)如果down機(jī)，數(shù)據(jù)將會(huì)丟失。其中，Twitter的Storm中使用ZeroMQ作為數(shù)據(jù)流的傳輸。

2.RabbitMQ

結(jié)合erlang語(yǔ)言本身的并發(fā)優(yōu)勢(shì)，支持很多的協(xié)議：AMQP，XMPP, SMTP, STOMP，也正是如此，使的它變的非常重量級(jí)，更適合于企業(yè)級(jí)的開(kāi)發(fā)。

性能較好，但是不利于做二次開(kāi)發(fā)和維護(hù)。

3.ActiveMQ

歷史悠久的開(kāi)源項(xiàng)目，是Apache下的一個(gè)子項(xiàng)目。已經(jīng)在很多產(chǎn)品中得到應(yīng)用，實(shí)現(xiàn)了JMS1.1規(guī)范，可以和spring-jms輕松融合，實(shí)現(xiàn)了多種協(xié)議，不夠輕巧（源代碼比RocketMQ多），支持持久化到數(shù)據(jù)庫(kù)，對(duì)隊(duì)列數(shù)較多的情況支持不好。

4.Redis

做為一個(gè)基于內(nèi)存的K-V數(shù)據(jù)庫(kù)，其提供了消息訂閱的服務(wù)，可以當(dāng)作MQ來(lái)使用，目前應(yīng)用案例較少，且不方便擴(kuò)展。對(duì)于RabbitMQ和Redis的入隊(duì)和出隊(duì)操作，各執(zhí)行100萬(wàn)次，每10萬(wàn)次記錄一次執(zhí)行時(shí)間。

測(cè)試數(shù)據(jù)分為 128Bytes、512Bytes、1K和10K四個(gè)不同大小的數(shù)據(jù)。

file

實(shí)驗(yàn)表明：入隊(duì)時(shí)，當(dāng)數(shù)據(jù)比較小時(shí)Redis的性能要高于RabbitMQ，而如 果數(shù)據(jù)大小超過(guò)了10K，Redis則慢的無(wú)法忍受；出隊(duì)時(shí)，無(wú)論數(shù)據(jù)大小，Redis都表現(xiàn)出非常好的性能，而RabbitMQ的出隊(duì)性能則遠(yuǎn)低于 Redis。

5.Kafka/Jafka

Kafka是Apache下的一個(gè)子項(xiàng)目，是一個(gè)高性能跨語(yǔ)言分布式發(fā)布/訂閱消息隊(duì)列系統(tǒng)，而Jafka是在Kafka之上孵化而來(lái)的，即Kafka的一個(gè)升級(jí)版。

具有以下特性：

• 快速持久化，可以在O(1)的系統(tǒng)開(kāi)銷下進(jìn)行消息持久化；
• 高吞吐，在一臺(tái)普通的服務(wù)器上既可以達(dá)到10W/s的吞吐速率；完全的分布式系統(tǒng)，Broker、Producer、Consumer都原生自動(dòng)支持分布式，自動(dòng)實(shí)現(xiàn)負(fù)載均衡；
• 支持Hadoop數(shù)據(jù)并行加載，對(duì)于像Hadoop的一樣的日志數(shù)據(jù)和離線分析系統(tǒng)，但又要求實(shí)時(shí)處理的限制，這是一個(gè)可行的解決方案。
• Kafka通過(guò)Hadoop的并行加載機(jī)制統(tǒng)一了在線和離線的消息處理。Apache Kafka相對(duì)于ActiveMQ是一個(gè)非常輕量級(jí)的消息系統(tǒng)，除了性能非常好之外，還是一個(gè)工作良好的分布式系統(tǒng)。

file

何時(shí)需要消息隊(duì)列

當(dāng)你需要使用消息隊(duì)列時(shí)，首先需要考慮它的必要性。

可以使用mq的場(chǎng)景有很多，最常用的幾種:

• 做業(yè)務(wù)解耦
• 最終一致性
• 廣播
• 錯(cuò)峰流控等

反之，如果需要強(qiáng)一致性，關(guān)注業(yè)務(wù)邏輯的處理結(jié)果，則RPC顯得更為合適。

消息隊(duì)列使用場(chǎng)景

file

1.解耦

解耦是消息隊(duì)列要解決的最本質(zhì)問(wèn)題。所謂解耦，簡(jiǎn)單點(diǎn)講就是一個(gè)事務(wù)，只關(guān)心核心的流程。而需要依賴其他系統(tǒng)但不那么重要的事情，有通知即可，無(wú)需等待結(jié)果。換句話說(shuō)，基于消息的模型，關(guān)心的是“通知”，而非“處理”。

舉一個(gè)例子，關(guān)于訂單系統(tǒng)，訂單最終支付成功之后可能需要給用戶發(fā)送短信積分什么的，但其實(shí)這已經(jīng)不是我們系統(tǒng)的核心流程了。

如果外部系統(tǒng)速度偏慢（比如短信網(wǎng)關(guān)速度不好），那么主流程的時(shí)間會(huì)加長(zhǎng)很多，用戶肯定不希望點(diǎn)擊支付過(guò)好幾分鐘才看到結(jié)果。那么我們只需要通知短信系統(tǒng)“我們支付成功了”，不一定非要等待它立即處理完成。

2.最終一致性

最終一致性指的是兩個(gè)系統(tǒng)的狀態(tài)保持一致，要么都成功，要么都失敗。

當(dāng)然有個(gè)時(shí)間限制，理論上越快越好，但實(shí)際上在各種異常的情況下，可能會(huì)有一定延遲達(dá)到最終一致?tīng)顟B(tài)，但最后兩個(gè)系統(tǒng)的狀態(tài)是一樣的。

業(yè)界有一些為“最終一致性”而生的消息隊(duì)列，如：

• Notify（阿里）
• QMQ（去哪兒）等

其設(shè)計(jì)初衷，就是為了交易系統(tǒng)中的高可靠通知。

以一個(gè)銀行的轉(zhuǎn)賬過(guò)程來(lái)理解最終一致性，轉(zhuǎn)賬的需求很簡(jiǎn)單，如果A系統(tǒng)扣錢成功，則B系統(tǒng)加錢一定成功。反之則一起回滾，像什么都沒(méi)發(fā)生一樣。

然而，這個(gè)過(guò)程中存在很多可能的意外：

• A扣錢成功，調(diào)用B加錢接口失敗。
• A扣錢成功，調(diào)用B加錢接口雖然成功，但獲取最終結(jié)果時(shí)網(wǎng)絡(luò)異常引起超時(shí)。
• A扣錢成功，B加錢失敗，A想回滾扣的錢，但A機(jī)器down機(jī)。

可見(jiàn)，想把這件看似簡(jiǎn)單的事真正做成，真的不那么容易。

所有跨VM的一致性問(wèn)題，從技術(shù)的角度講通用的解決方案是：

• 強(qiáng)一致性，分布式事務(wù)，但落地太難且成本太高，后文會(huì)具體提到。
• 最終一致性，主要是用“記錄”和“補(bǔ)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(lái)，然后去做不確定的事情，結(jié)果可能是：成功、失敗或是不確定，“不確定”（例如超時(shí)等）可以等價(jià)為失敗。成功就可以把記錄的東西清理掉了，對(duì)于失敗和不確定，可以依靠定時(shí)任務(wù)等方式把所有失敗的事情重新搞一遍，直到成功為止。
• 回到剛才的例子，系統(tǒng)在A扣錢成功的情況下，把要給B“通知”這件事記錄在庫(kù)里（為了保證最高的可靠性可以把通知B系統(tǒng)加錢和扣錢成功這兩件事維護(hù)在一個(gè)本地事務(wù)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(shí)任務(wù)補(bǔ)償性地通知我們，直到我們把狀態(tài)更新成正確的為止。
• 整個(gè)這個(gè)模型依然可以基于RPC來(lái)做，但可以抽象成一個(gè)統(tǒng)一的模型，基于消息隊(duì)列來(lái)做一個(gè)“企業(yè)總線”。
• 具體來(lái)說(shuō)，本地事務(wù)維護(hù)業(yè)務(wù)變化和通知消息，一起落地（失敗則一起回滾），然后RPC到達(dá)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(shí)任務(wù)輪詢不斷重發(fā)，這樣就保證了消息可靠落地broker。
• broker往consumer發(fā)送消息的過(guò)程類似，一直發(fā)送消息，直到consumer發(fā)送消費(fèi)成功確認(rèn)。
• 我們先不理會(huì)重復(fù)消息的問(wèn)題，通過(guò)兩次消息落地加補(bǔ)償，下游是一定可以收到消息的。然后依賴狀態(tài)機(jī)版本號(hào)等方式做判重，更新自己的業(yè)務(wù)，就實(shí)現(xiàn)了最終一致性。

最終一致性不是消息隊(duì)列的必備特性，但確實(shí)可以依靠消息隊(duì)列來(lái)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(duì)列，理論上無(wú)法實(shí)現(xiàn)最終一致性。好吧，應(yīng)該說(shuō)理論上的100%，排除系統(tǒng)嚴(yán)重故障和bug。

像Kafka一類的設(shè)計(jì)，在設(shè)計(jì)層面上就有丟消息的可能（比如定時(shí)刷盤，如果掉電就會(huì)丟消息）。哪怕只丟千分之一的消息，業(yè)務(wù)也必須用其他的手段來(lái)保證結(jié)果正確。

2.廣播

消息隊(duì)列的基本功能之一是進(jìn)行廣播。

如果沒(méi)有消息隊(duì)列，每當(dāng)一個(gè)新的業(yè)務(wù)方接入，我們都要聯(lián)調(diào)一次新接口。有了消息隊(duì)列，我們只需要關(guān)心消息是否送達(dá)了隊(duì)列，至于誰(shuí)希望訂閱，是下游的事情，無(wú)疑極大地減少了開(kāi)發(fā)和聯(lián)調(diào)的工作量。

比如本文開(kāi)始提到的產(chǎn)品中心發(fā)布產(chǎn)品變更的消息，以及景點(diǎn)庫(kù)很多去重更新的消息，可能“關(guān)心”方有很多個(gè)，但產(chǎn)品中心和景點(diǎn)庫(kù)只需要發(fā)布變更消息即可，誰(shuí)關(guān)心誰(shuí)接入。

3.錯(cuò)峰與流控

試想上下游對(duì)于事情的處理能力是不同的。

比如，Web前端每秒承受上千萬(wàn)的請(qǐng)求，并不是什么神奇的事情，只需要加多一點(diǎn)機(jī)器，再搭建一些LVS負(fù)載均衡設(shè)備和Nginx等即可。

但數(shù)據(jù)庫(kù)的處理能力卻十分有限，即使使用SSD加分庫(kù)分表，單機(jī)的處理能力仍然在萬(wàn)級(jí)。由于成本的考慮，我們不能奢求數(shù)據(jù)庫(kù)的機(jī)器數(shù)量追上前端。

這種問(wèn)題同樣存在于系統(tǒng)和系統(tǒng)之間，如短信系統(tǒng)可能由于短板效應(yīng)，速度卡在網(wǎng)關(guān)上（每秒幾百次請(qǐng)求），跟前端的并發(fā)量不是一個(gè)數(shù)量級(jí)。

但用戶晚上個(gè)半分鐘左右收到短信，一般是不會(huì)有太大問(wèn)題的。如果沒(méi)有消息隊(duì)列，兩個(gè)系統(tǒng)之間通過(guò)協(xié)商、滑動(dòng)窗口等復(fù)雜的方案也不是說(shuō)不能實(shí)現(xiàn)。

但系統(tǒng)復(fù)雜性指數(shù)級(jí)增長(zhǎng)，勢(shì)必在上游或者下游做存儲(chǔ)，并且要處理定時(shí)、擁塞等一系列問(wèn)題。而且每當(dāng)有處理能力有差距的時(shí)候，都需要單獨(dú)開(kāi)發(fā)一套邏輯來(lái)維護(hù)這套邏輯。所以，利用中間系統(tǒng)轉(zhuǎn)儲(chǔ)兩個(gè)系統(tǒng)的通信內(nèi)容，并在下游系統(tǒng)有能力處理這些消息的時(shí)候，再處理這些消息，是一套相對(duì)較通用的方式。

消息隊(duì)列使用總結(jié)

1.消息隊(duì)列不是萬(wàn)能的，對(duì)于需要強(qiáng)事務(wù)保證而且延遲敏感的，RPC是優(yōu)于消息隊(duì)列的。

2.對(duì)于一些無(wú)關(guān)痛癢，或者對(duì)于別人非常重要但是對(duì)于自己不是那么關(guān)心的事情，可以利用消息隊(duì)列去做。

3.支持最終一致性的消息隊(duì)列，能夠用來(lái)處理延遲不那么敏感的“分布式事務(wù)”場(chǎng)景，而且相對(duì)于笨重的分布式事務(wù)，可能是更優(yōu)的處理方式。

4.當(dāng)上下游系統(tǒng)處理能力存在差距的時(shí)候，利用消息隊(duì)列做一個(gè)通用的“漏斗”，在下游有能力處理的時(shí)候，再進(jìn)行分發(fā)。

5.如果下游有很多系統(tǒng)關(guān)心你的系統(tǒng)發(fā)出的通知的時(shí)候，果斷地使用消息隊(duì)列吧。

file

本文由博客一文多發(fā)平臺(tái) OpenWrite 發(fā)布！