继续答星球水友提问，大数据量，高并发量，好友关系链、粉丝关系链要如何设计?
什么是关系链业务?
关系链主要分为两类，弱好友关系与强好友关系，两类都有典型的互联网产品应用。
弱好友关系的建立，不需要双方彼此同意：
- 用户A关注用户B，不需要用户B同意，此时用户A与用户B为弱好友关系，对A而言，暂且理解为“关注”;
- 用户B关注用户A，也不需要用户A同意，此时用户A与用户B也为弱好友关系，对A而言，暂且理解为“粉丝”;
idol与fans这类微博粉丝关系链，是一个典型的弱好友关系应用。
强好友关系的建立，需要好友关系双方彼此同意：
- 用户A请求添加用户B为好友，用户B同意，此时用户A与用户B则互为强好友关系，即A是B的好友，B也是A的好友;
QQ好友关系链，是一个典型的强好友关系应用。
好友中心是一个典型的多对多业务：
- 一个用户可以添加多个好友
- 也可以被多个好友添加
其典型架构为：
- friend-service：好友中心服务，对调用者提供友好的RPC接口
- db：对好友数据进行存储
弱好友关系，存储层应该如何实现?
通过弱好友关系业务分析，很容易了解到，其核心元数据为：
- guanzhu(uid, guanzhu_uid);
- fensi(uid, fensi_uid);
其中：
- guanzhu表，用户记录uid所有关注用户guanzhu_uid
- fensi表，用来记录uid所有粉丝用户fensi_uid
需要强调的是，一条弱关系的产生，会产生两条记录，一条关注记录，一条粉丝记录。 例如：用户A(uid=1)关注了用户B(uid=2)，A多关注了一个用户，B多了一个粉丝，于是：
- guanzhu表要插入{1, 2}这一条记录，1关注了2
- fensi表要插入{2, 1}这一条记录，2粉了1
如何查询一个用户关注了谁?回答：在guanzhu的uid上建立索引：
- select * from guanzhu where uid=1;
即可得到结果，1关注了2。 如何查询一个用户粉了谁?回答：在fensi的uid上建立索引：
- select * from fensi where uid=2;
即可得到结果，2粉了1。
强好友关系，存储层应该如何实现?
方案一
通过强好友关系业务分析，很容易了解到，其核心元数据为：
- friend(uid1, uid2);
其中：
- uid1，强好友关系中一方的uid
- uid2，强好友关系中另一方的uid
uid=1的用户添加了uid=2的用户，双方都同意加彼此为好友，这个强好友关系，在数据库中应该插入记录{1, 2}还是记录{2,1}呢?
回答：都可以。为了避免歧义，可以人为约定，插入记录时uid1的值必须小于uid2。 例如：有uid=1,2,3三个用户，他们互为强好友关系，那边数据库中可能是这样的三条记录
- {1, 2}
- {2, 3}
- {1, 3}
如何查询一个用户的好友呢?回答：假设要查询uid=2的所有好友，只需在uid1和uid2上建立索引，然后：
- select * from friend where uid1=2
- union
- select * from friend where uid2=2
即可得到结果。
方案二
强好友关系是弱好友关系的一个特例，A和B必须互为关注关系(也可以说，同时互为粉丝关系)，即也可以使用关注表和粉丝表来实现：
- guanzhu(uid, guanzhu_uid);
- fensi(uid, fensi_uid);
例如：用户A(uid=1)和用户B(uid=2)为强好友关系，即相互关注：
用户A(uid=1)关注了用户B(uid=2)，A多关注了一个用户，B多了一个粉丝，于是：
- guanzhu表要插入{1, 2}这一条记录
- fensi表要插入{2, 1}这一条记录
同时，用户B(uid=2)也关注了用户A(uid=1)，B多关注了一个用户，A多了一个粉丝，于是：
- guanzhu表要插入{2, 1}这一条记录
- fensi表要插入{1, 2}这一条记录
两种实现，各有什么优缺点?
对于强好友关系的两类实现：
- friend(uid1, uid2)表
- 数据冗余guanzhu表与fensi表(后文称正表T1与反表T2)
在数据量小时，看似无差异，但数据量大时，数据冗余的优势就体现出来了：
- friend表，数据量大时，如果使用uid1来分库，那么uid2上的查询就需要遍历多库
- 正表T1与反表T2通过数据冗余来实现好友关系，{1,2}{2,1}分别存在于两表中，故两个表都使用uid来分库，均只需要进行一次查询，就能找到对应的关注与粉丝，而不需要多个库扫描
画外音：假如有10亿关系链，必须水平切分。
数据冗余，是多对多关系，在数据量大时，数据水平切分的常用实践。
如何进行数据冗余?
接下来的问题转化为，好友中心服务如何来进行数据冗余，常见有三种方法。
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?
方法三：实时线上“消息对”检测
这次不是写日志了，而是向消息总线发送消息，如上图1-4流程所示：
- 写入正表T1
- 第一步成功后，发送消息msg1
- 写入反表T2
- 第二步成功后，发送消息msg2
这次不是需要一个周期扫描的离线工具了，而是一个实时订阅消息的服务不停的收消息。假设正常情况下，msg1和msg2的接收时间应该在3s以内，如果检测服务在收到msg1后没有收到msg2，就尝试检测数据的一致性，不一致时进行补偿修复
优点：
- 效率高
- 实时性高
缺点：
- 方案比较复杂，上线引入了消息总线这个组件
- 线下多了一个订阅总线的检测服务
however，技术方案本身就是一个投入产出比的折衷，可以根据业务对一致性的需求程度决定使用哪一种方法。
总结
(1) 关系链业务是一个典型的多对多关系，又分为强好友与弱好友
(2) 数据冗余是一个常见的多对多业务数据水平切分实践
(3) 冗余数据的常见方案有三种
- 服务同步冗余
- 服务异步冗余
- 线下异步冗余
(4) 数据冗余会带来一致性问题，高吞吐互联网业务，要想完全保证事务一致性很难，常见的实践是最终一致性
(5) 最终一致性的常见实践是，尽快找到不一致，并修复数据，常见方案有三种
- 线下全量扫描法
- 线下增量扫描法
- 线上实时检测法
希望大家有所启示，思路比结论重要。
【本文为51CTO专栏作者“58沈剑”原创稿件，转载请联系原作者】
