正如你可能之前看到的，Discord去年發布了一篇有價值的文章，討論了他們成功存儲了數萬億條消息。雖然有很多關于這篇文章的YouTube視頻和文章，但我認為這篇文章中一個名為“數據服務為數據服務”的部分沒有得到足夠的關注。在這篇文章中，我們將討論Discord對數據服務的方法，并探討如何利用Golang的并發特性來減少特定情況下的數據庫負載。

數據服務拯救熱分區

如你所知，消息和頻道是Discord中最常用的組件。讓我們想象一個場景：一個擁有50萬成員的頻道的管理員提到@everyone。會發生什么？成千上萬個同時的請求直接指向那個數據庫分區，所有請求的目標都是檢索相同的消息。這種模式重復發生，直到該分區無法回應其他請求。

Discord引入了一個位于Python API和數據庫集群之間的中間服務 — 他們稱之為數據服務。這個服務大致包含每個查詢一個gRPC端點，沒有任何業務邏輯。對Discord來說，這個服務的重要特性就是請求合并。

請求合并

正如我們之前討論過的，每當在一個龐大的頻道中有提及時，就會有大量類似的請求直接指向數據庫分區。通過合并這些請求，如果多個用戶請求相同的數據庫行，我們可以將這些請求合并成一個選擇查詢，并執行該查詢。

通過使用數據服務而不是直接連接到數據庫，我們可以實現許多令人興奮的功能，比如批量查詢，這些功能可以顯著減少數據庫開銷，并改善查詢的平均值，特別是第99百分位數。

使用Golang實現簡單的請求合并

與許多其他公司一樣，Discord使用Python作為其主要的后端語言。無論是微服務還是單體架構，后端服務通常直接連接到數據源進行查詢。雖然Python確實是一種多功能語言，但在并發性方面存在一些不足。使用Python實現并發和高吞吐量的服務可能有些挑戰，而性能與用C++、Rust和Golang等編譯語言編寫的類似服務相比，往往會較低。

在進行任何操作之前，讓我們模擬一下提到的情況。假設服務總共收到了5,000個請求，其中并發數為1,000。

• 總請求數： 5,000
• 并發數： 1,000
• 需要檢索的唯一消息數： 100

type Message struct {
   gorm.Model

   Text string
   User string // some random properties that a message row may have
}


func generateRandomData(db *gorm.DB) {
 for i := 0; i < 100; i++ {
  msg := &messages.Message{Text: fmt.Sprintf("Message #%d", i)}
  db.Save(msg)
 }
}

我使用Gorm構建了一個簡單的數據庫模型來表示Message（消息）表，然后向表中填充了100條虛擬消息。

e := echo.New()
e.GET("/randomMessage", func(c echo.Context) error {
   randomMessageID := rand.Intn(100)
   var msg messages.Message
   if err := db.Where("id=?", randomMessageID).First(&msg).Error; err != nil {
      return err
   }
   return c.JSON(200, msg)
})
e.Logger.Fatal(e.Start(":1323"))

我創建了一個簡單的端點來模擬對0到100之間的隨機ID進行SELECT查詢。現在我們可以對這個端點進行基準測試，模擬在這種情況下會發生什么。

img

• 平均每秒請求數 (RPS)： 300
• 平均響應時間： 3.2秒
• 50% 響應時間： 546毫秒
• 99% 響應時間： 14.7秒

如果我們有10秒的超時策略，大約有2%的請求將收不到響應。現在讓我們改變代碼。Golang有一個名為“single flight”的內置包。這個包提供了重復函數調用抑制機制。一般來說，你給它一個鍵和一個函數，而不是多次運行該函數，SingleFlight會暫時保持其他調用，直到第一次調用完成其請求并以相同的結果作出響應。

var g = singleflight.Group{}
e.GET("/randomMessage", func(c echo.Context) error {
   randomMessageID := rand.Intn(100)
   msg, err, _ := g.Do(fmt.Sprint(randomMessageID), func() (interface{}, error) {
      var msg messages.Message
      if err := db.Where("id=?", randomMessageID).First(&msg).Error; err != nil {
         return nil, err
      }
      return &msg, nil
   })
   if err != nil {
      return err
   }
   return c.JSON(200, msg)
})

func (g *Group) Do(key string, fn func() (interface{}, error)) (v interface{}, err error, shared bool)

Do 執行并返回給定函數的結果，確保同一時間針對給定鍵只有一個執行過程。如果出現重復，重復的調用者會等待原始調用完成并接收相同的結果。返回值 shared 表示是否將 v 給了多個調用者。

現在讓我們重新運行模擬并比較結果。

• 平均每秒請求數 (RPS)： 2309
• 平均響應時間： 433毫秒
• 50% 響應時間： 389毫秒
• 99% 響應時間： 777毫秒

正如你所看到的，僅使用了一個簡單的技術就將第99百分位數減少了14秒，新方法支持的每秒請求次數提高了7.6倍。

結論

從那時起我們就注意到，通過優化數據庫查詢，可以大大提高應用程序的整體性能。雖然我們討論的方法是情景性的，但Discord已經使用了一年多，對他們有很大幫助。

你應該知道，如果你使用數據服務，你將面臨其他的復雜情況。例如，你可能會有多個數據服務實例，而你的Python API必須有一種機制將類似的請求發送到同一個實例。