粉丝关系链，10亿数据，如何设计？

方法一：服务同步冗余

顾名思义，由好友中心服务同步写冗余数据，如上图1-4流程：

• 业务方调用服务，新增数据
• 服务先插入T1数据
• 服务再插入T2数据
• 服务返回业务方新增数据成功

优点：

• 不复杂，服务层由单次写，变两次写
• 数据一致性相对较高(因为双写成功才返回)

缺点：

• 请求的处理时间增加(要插入次，时间加倍)
• 数据仍可能不一致，例如第二步写入T1完成后服务重启，则数据不会写入T2

如果系统对处理时间比较敏感，引出常用的第二种方案。

方法二：服务异步冗余

数据的双写并不再由好友中心服务来完成，服务层异步发出一个消息，通过消息总线发送给一个专门的数据复制服务来写入冗余数据，如上图1-6流程：

• 业务方调用服务，新增数据
• 服务先插入T1数据
• 服务向消息总线发送一个异步消息(发出即可，不用等返回，通常很快就能完成)
• 服务返回业务方新增数据成功
• 消息总线将消息投递给数据同步中心
• 数据同步中心插入T2数据

优点：

• 请求处理时间短(只插入1次)

缺点：

• 系统的复杂性增加了，多引入了一个组件(消息总线)和一个服务(专用的数据复制服务)
• 因为返回业务线数据插入成功时，数据还不一定插入到T2中，因此数据有一个不一致时间窗口(这个窗口很短，最终是一致的)
• 在消息总线丢失消息时，冗余表数据会不一致

如果想解除“数据冗余”对系统的耦合，引出常用的第三种方案。

方法三：线下异步冗余

数据的双写不再由好友中心服务来完成，而是由线下的一个服务或者任务来完成，如上图1-6流程：

• 业务方调用服务，新增数据
• 服务先插入T1数据
• 服务返回业务方新增数据成功
• 数据会被写入到数据库的log中
• 线下服务或者任务读取数据库的log
• 线下服务或者任务插入T2数据

优点：

• 数据双写与业务完全解耦
• 请求处理时间短(只插入1次)

缺点：

• 返回业务线数据插入成功时，数据还不一定插入到T2中，因此数据有一个不一致时间窗口(这个窗口很短，最终是一致的)
• 数据的一致性依赖于线下服务或者任务的可靠性

上述三种方案各有优缺点，可以结合实际情况选取。 数据冗余固然能够解决多对多关系的数据库水平切分问题，但又带来了新的问题，如何保证正表T1与反表T2的数据一致性呢?

从上面的讨论可以看到，不管哪种方案，因为两步操作不能保证原子性，总有出现数据不一致的可能，高吞吐分布式事务是业内尚未解决的难题，此时的架构优化方向：最终一致性。并不是完全保证数据的实时一致，而是尽早的发现不一致，并修复不一致。 最终一致性，是高吞吐互联网业务一致性的常用实践。更具体的，保证数据最终一致性的常见方案有三种。

方法一：线下扫面正反冗余表全部数据

如上图所示，线下启动一个离线的扫描工具，不停的比对正表T1和反表T2，如果发现数据不一致，就进行补偿修复。

优点：

• 比较简单，开发代价小
• 线上服务无需修改，修复工具与线上服务解耦

缺点：

• 扫描效率低，会扫描大量的“已经能够保证一致”的数据
• 由于扫描的数据量大，扫描一轮的时间比较长，即数据如果不一致，不一致的时间窗口比较长

有没有只扫描“可能存在不一致可能性”的数据，而不是每次扫描全部数据，以提高效率的优化方法呢?

方法二：线下扫描增量数据

每次只扫描增量的日志数据，就能够极大提高效率，缩短数据不一致的时间窗口，如上图1-4流程所示：

• 写入正表T1
• 第一步成功后，写入日志log1
• 写入反表T2
• 第二步成功后，写入日志log2

当然，我们还是需要一个离线的扫描工具，不停的比对日志log1和日志log2，如果发现数据不一致，就进行补偿修复

优点：

• 虽比方法一复杂，但仍然是比较简单的
• 数据扫描效率高，只扫描增量数据

缺点：

• 线上服务略有修改(代价不高，多写了2条日志)
• 虽然比方法一更实时，但时效性还是不高，不一致窗口取决于扫描的周期

有没有实时检测一致性并进行修复的方法呢?

（编辑：晋中站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!