1、引言

Go語言的出現，讓開發高效能、高穩定性服務端系統變的容易，與高貴冷豔的Erlang語言不同的是，Go語言簡單易學，在高效能服務端架構中的應用越來越廣泛。

對於即時通訊（IM系統、訊息推送系統等高效能實時通訊等）等場景下，Go語言已經被越來越多的用於核心通訊模組中。本文內容雖是從秒殺系統談起，並未直接涉及即時通訊相關知識，但有關Go的高併發實踐，仍然值得廣大即時通訊技術愛好者們研究和學習，必竟業務可以不同，但技術都是相通的，或許能為你即時通訊系統的高併發架構帶來新的思路和靈感。技多不壓身，殺望對你有所幫助！

本文所述並非純理論水文，均以已付實踐，配套原始碼請見：

1）主要地址：https://github.com/GuoZhaoran/spikeSystem

2）備用地址：https://github.com/52im/spikeSystem

友情提示：本文適合有一定高併發服務端設計經驗的開發者閱讀，如您對這方面知識了解太少，請務必先按序閱讀以下文章：

《新手入門：零基礎理解大型分散式架構的演進歷史、技術原理、最佳實踐》

《一篇讀懂分散式架構下的負載均衡技術：分類、原理、演算法、常見方案等》

《從新手到架構師，一篇就夠：從100到1000萬高併發的架構演進之路》

《騰訊資深架構師乾貨總結：一文讀懂大型分散式系統設計的方方面面》

《快速理解高效能HTTP服務端的負載均衡技術原理》

（本文同步釋出於：http://www.52im.net/thread-2771-1-1.html）

2、12306搶票，極限併發帶來的思考

雖然現在大多數情況下都能訂到票，但是放票瞬間即無票的場景，相信大家都深有體會。

尤其是春節期間，大家不僅使用 12306，還會考慮“智行”和其他的搶票軟體，全國上下幾億人在這段時間都在搶票。

“12306 服務”承受著這個世界上任何秒殺系統都無法超越的 QPS，上百萬的併發再正常不過了！

筆者專門研究了一下“12306”的服務端架構，學習到了其系統設計上很多亮點，在這裡和大家分享一下並模擬一個例子：如何在 100 萬人同時搶 1 萬張火車票時，系統提供正常、穩定的服務。

3、大型高併發系統架構

高併發的系統架構都會採用分散式叢集部署，服務上層有著層層負載均衡，並提供各種容災手段（雙火機房、節點容錯、伺服器災備等）保證系統的高可用，流量也會根據不同的負載能力和配置策略均衡到不同的伺服器上。

下邊是一個簡單的示意圖：

3.1 負載均衡簡介

上圖中描述了使用者請求到伺服器經歷了三層的負載均衡，下邊分別簡單介紹一下這三種負載均衡。

① OSPF（開放式最短鏈路優先）是一個內部閘道器協議（Interior Gateway Protocol，簡稱 IGP）

OSPF 通過路由器之間通告網路介面的狀態來建立鏈路狀態資料庫，生成最短路徑樹，OSPF 會自動計算路由介面上的 Cost 值，但也可以通過手工指定該介面的 Cost 值，手工指定的優先於自動計算的值。

OSPF 計算的 Cost，同樣是和介面頻寬成反比，頻寬越高，Cost 值越小。到達目標相同 Cost 值的路徑，可以執行負載均衡，最多 6 條鏈路同時執行負載均衡。

② LVS （Linux Virtual Server）

它是一種叢集（Cluster）技術，採用 IP 負載均衡技術和基於內容請求分發技術。

排程器具有很好的吞吐率，將請求均衡地轉移到不同的伺服器上執行，且排程器自動遮蔽掉伺服器的故障，從而將一組伺服器構成一個高效能的、高可用的虛擬伺服器。

想必大家都很熟悉了，是一款非常高效能的 HTTP 代理/反向代理伺服器，服務開發中也經常使用它來做負載均衡。

Nginx 實現負載均衡的方式主要有三種：

1）輪詢；

2）加權輪詢；

3）IP Hash 輪詢。

下面我們就針對 Nginx 的加權輪詢做專門的配置和測試。

3.2 Nginx 加權輪詢的演示

Nginx 實現負載均衡通過 Upstream 模組實現，其中加權輪詢的配置是可以給相關的服務加上一個權重值，配置的時候可能根據伺服器的效能、負載能力設定相應的負載。

下面是一個加權輪詢負載的配置，我將在本地的監聽 3001-3004 埠，分別配置 1，2，3，4 的權重：

#配置負載均衡

upstream load_rule {

server 127.0.0.1:3001 weight=1;

server 127.0.0.1:3002 weight=2;

server 127.0.0.1:3003 weight=3;

server 127.0.0.1:3004 weight=4;

}

...

server {

listen 80;

server_name load_balance.com [url=http://www.load_balance.com]www.load_balance.com[/url];

location / {

proxy_pass http://load_rule;

}

}

我在本地 /etc/hosts 目錄下配置了 www.load_balance.com 的虛擬域名地址。

接下來使用 Go 語言開啟四個 HTTP 埠監聽服務，下面是監聽在 3001 埠的 Go 程式，其他幾個只需要修改埠即可：

package main

import(

"net/http"

"os"

"strings"

)

func main() {

http.HandleFunc("/buy/ticket", handleReq)

http.ListenAndServe(":3001", nil)

}

//處理請求函式,根據請求將響應結果資訊寫入日誌

func handleReq(w http.ResponseWriter, r *http.Request) {

failedMsg := "handle in port:"

writeLog(failedMsg, "./stat.log")

}

//寫入日誌

func writeLog(msg string, logPath string) {

fd, _ := os.OpenFile(logPath, os.O_RDWR|os.O_CREATE|os.O_APPEND, 0644)

defer fd.Close()

content := strings.Join([]string{msg, "\\r\\n"}, "3001")

buf := []byte(content)

fd.Write(buf)

}

我將請求的埠日誌資訊寫到了 ./stat.log 檔案當中，然後使用 AB 壓測工具做壓測：

ab -n 1000 -c 100 http://www.load_balance.com/buy/ticket

統計日誌中的結果，3001-3004 埠分別得到了 100、200、300、400 的請求量。

這和我在 Nginx 中配置的權重佔比很好的吻合在了一起，並且負載後的流量非常的均勻、隨機。

具體的實現大家可以參考 Nginx 的 Upsteam 模組實現原始碼，這裡推薦一篇文章《Nginx 中 Upstream 機制的負載均衡》。

4、秒殺搶購系統選型

回到我們最初提到的問題中來：火車票秒殺系統如何在高併發情況下提供正常、穩定的服務呢？

從上面的介紹我們知道使用者秒殺流量通過層層的負載均衡，均勻到了不同的伺服器上，即使如此，叢集中的單機所承受的 QPS 也是非常高的。如何將單機效能優化到極致呢？

要解決這個問題，我們就要想明白一件事：通常訂票系統要處理生成訂單、減扣庫存、使用者支付這三個基本的階段。

我們系統要做的事情是要保證火車票訂單不超賣、不少賣，每張售賣的車票都必須支付才有效，還要保證系統承受極高的併發。

這三個階段的先後順序該怎麼分配才更加合理呢？我們來分析一下。。。

4.1 下單減庫存

當用戶併發請求到達服務端時，首先建立訂單，然後扣除庫存，等待使用者支付。

這種順序是我們一般人首先會想到的解決方案，這種情況下也能保證訂單不會超賣，因為建立訂單之後就會減庫存，這是一個原子操作。

但是這樣也會產生一些問題：

1）在極限併發情況下，任何一個記憶體操作的細節都至關影響效能，尤其像建立訂單這種邏輯，一般都需要儲存到磁碟資料庫的，對資料庫的壓力是可想而知的；

2）如果使用者存在惡意下單的情況，只下單不支付這樣庫存就會變少，會少賣很多訂單，雖然服務端可以限制 IP 和使用者的購買訂單數量，這也不算是一個好方法。

4.2 支付減庫存

如果等待使用者支付了訂單在減庫存，第一感覺就是不會少賣。但是這是併發架構的大忌，因為在極限併發情況下，使用者可能會建立很多訂單。

當庫存減為零的時候很多使用者發現搶到的訂單支付不了了，這也就是所謂的“超賣”。也不能避免併發操作資料庫磁碟 IO。

4.3 預扣庫存

從上邊兩種方案的考慮，我們可以得出結論：只要建立訂單，就要頻繁操作資料庫 IO。

那麼有沒有一種不需要直接操作資料庫 IO 的方案呢，這就是預扣庫存。先扣除了庫存，保證不超賣，然後非同步生成使用者訂單，這樣響應給使用者的速度就會快很多；那麼怎麼保證不少賣呢？使用者拿到了訂單，不支付怎麼辦？

我們都知道現在訂單都有有效期，比如說使用者五分鐘內不支付，訂單就失效了，訂單一旦失效，就會加入新的庫存，這也是現在很多網上零售企業保證商品不少賣採用的方案。

訂單的生成是非同步的，一般都會放到 MQ、Kafka 這樣的即時消費佇列中處理，訂單量比較少的情況下，生成訂單非常快，使用者幾乎不用排隊。

5、扣庫存的藝術

從上面的分析可知，顯然預扣庫存的方案最合理。我們進一步分析扣庫存的細節，這裡還有很大的優化空間，庫存存在哪裡？怎樣保證高併發下，正確的扣庫存，還能快速的響應使用者請求？

在單機低併發情況下，我們實現扣庫存通常是這樣的：

為了保證扣庫存和生成訂單的原子性，需要採用事務處理，然後取庫存判斷、減庫存，最後提交事務，整個流程有很多 IO，對資料庫的操作又是阻塞的。

這種方式根本不適合高併發的秒殺系統。接下來我們對單機扣庫存的方案做優化：本地扣庫存。

我們把一定的庫存量分配到本地機器，直接在記憶體中減庫存，然後按照之前的邏輯非同步建立訂單。

改進過之後的單機系統是這樣的：

這樣就避免了對資料庫頻繁的 IO 操作，只在記憶體中做運算，極大的提高了單機抗併發的能力。

但是百萬的使用者請求量單機是無論如何也抗不住的，雖然 Nginx 處理網路請求使用 Epoll 模型，c10k 的問題在業界早已得到了解決。

但是 Linux 系統下，一切資源皆檔案，網路請求也是這樣，大量的檔案描述符會使作業系統瞬間失去響應。

上面我們提到了 Nginx 的加權均衡策略，我們不妨假設將 100W 的使用者請求量平均均衡到 100 臺伺服器上，這樣單機所承受的併發量就小了很多。

然後我們每臺機器本地庫存 100 張火車票，100 臺伺服器上的總庫存還是 1 萬，這樣保證了庫存訂單不超賣。

下面是我們描述的叢集架構：

問題接踵而至，在高併發情況下，現在我們還無法保證系統的高可用，假如這 100 臺伺服器上有兩三臺機器因為扛不住併發的流量或者其他的原因宕機了。那麼這些伺服器上的訂單就賣不出去了，這就造成了訂單的少賣。

要解決這個問題，我們需要對總訂單量做統一的管理，這就是接下來的容錯方案。伺服器不僅要在本地減庫存，另外要遠端統一減庫存。

有了遠端統一減庫存的操作，我們就可以根據機器負載情況，為每臺機器分配一些多餘的“Buffer 庫存”用來防止機器中有機器宕機的情況。

我們結合下面架構圖具體分析一下：

我們採用 Redis 儲存統一庫存，因為 Redis 的效能非常高，號稱單機 QPS 能抗 10W 的併發。

在本地減庫存以後，如果本地有訂單，我們再去請求 Redis 遠端減庫存，本地減庫存和遠端減庫存都成功了，才返回給使用者搶票成功的提示，這樣也能有效的保證訂單不會超賣。

當機器中有機器宕機時，因為每個機器上有預留的 Buffer 餘票，所以宕機機器上的餘票依然能夠在其他機器上得到彌補，保證了不少賣。

Buffer 餘票設定多少合適呢，理論上 Buffer 設定的越多，系統容忍宕機的機器數量就越多，但是 Buffer 設定的太大也會對 Redis 造成一定的影響。

雖然 Redis 記憶體資料庫抗併發能力非常高，請求依然會走一次網路 IO，其實搶票過程中對 Redis 的請求次數是本地庫存和 Buffer 庫存的總量。

因為當本地庫存不足時，系統直接返回使用者“已售罄”的資訊提示，就不會再走統一扣庫存的邏輯。

這在一定程度上也避免了巨大的網路請求量把 Redis 壓跨，所以 Buffer 值設定多少，需要架構師對系統的負載能力做認真的考量。

6、動手寫程式碼

Go 語言原生為併發設計，我採用 Go 語言給大家演示一下單機搶票的具體流程。

6.1 初始化工作

Go 包中的 Init 函式先於 Main 函式執行，在這個階段主要做一些準備性工作。

我們系統需要做的準備工作有：初始化本地庫存、初始化遠端 Redis 儲存統一庫存的 Hash 鍵值、初始化 Redis 連線池。

另外還需要初始化一個大小為 1 的 Int 型別 Chan，目的是實現分散式鎖的功能。

也可以直接使用讀寫鎖或者使用 Redis 等其他的方式避免資源競爭，但使用 Channel 更加高效，這就是 Go 語言的哲學：不要通過共享記憶體來通訊，而要通過通訊來共享記憶體。

Redis 庫使用的是 Redigo，下面是程式碼實現：

...

//localSpike包結構體定義

packagelocalSpike

typeLocalSpike struct{

LocalInStock int64

LocalSalesVolume int64

}

...

//remoteSpike對hash結構的定義和redis連線池

packageremoteSpike

//遠端訂單儲存健值

typeRemoteSpikeKeys struct{

SpikeOrderHashKey string//redis中秒殺訂單hash結構key

TotalInventoryKey string//hash結構中總訂單庫存key

QuantityOfOrderKey string//hash結構中已有訂單數量key

}

//初始化redis連線池

funcNewPool() *redis.Pool {

return&redis.Pool{

MaxIdle: 10000,

MaxActive: 12000, // max number of connections

Dial: func() (redis.Conn, error) {

c, err := redis.Dial("tcp", ":6379")

iferr != nil{

panic(err.Error())

}

returnc, err

},

}

}

...

funcinit() {

localSpike = localSpike2.LocalSpike{

LocalInStock: 150,

LocalSalesVolume: 0,

}

remoteSpike = remoteSpike2.RemoteSpikeKeys{

SpikeOrderHashKey: "ticket_hash_key",

TotalInventoryKey: "ticket_total_nums",

QuantityOfOrderKey: "ticket_sold_nums",

}

redisPool = remoteSpike2.NewPool()

done = make(chanint, 1)

done <- 1

}

6.2 本地扣庫存和統一扣庫存

本地扣庫存邏輯非常簡單，使用者請求過來，新增銷量，然後對比銷量是否大於本地庫存，返回 Bool 值：

package localSpike

//本地扣庫存,返回bool值

func(spike *LocalSpike) LocalDeductionStock() bool{

spike.LocalSalesVolume = spike.LocalSalesVolume + 1

returnspike.LocalSalesVolume < spike.LocalInStock

}

注意這裡對共享資料 LocalSalesVolume 的操作是要使用鎖來實現的，但是因為本地扣庫存和統一扣庫存是一個原子性操作，所以在最上層使用 Channel 來實現，這塊後邊會講。

統一扣庫存操作 Redis，因為 Redis 是單執行緒的，而我們要實現從中取資料，寫資料並計算一些列步驟，我們要配合 Lua 指令碼打包命令，保證操作的原子性：

package remoteSpike

......

constLuaScript = `

local ticket_key = KEYS[1]

local ticket_total_key = ARGV[1]

local ticket_sold_key = ARGV[2]

local ticket_total_nums = tonumber(redis.call('HGET', ticket_key, ticket_total_key))

local ticket_sold_nums = tonumber(redis.call('HGET', ticket_key, ticket_sold_key))

-- 檢視是否還有餘票,增加訂單數量,返回結果值

if(ticket_total_nums >= ticket_sold_nums) then

return redis.call('HINCRBY', ticket_key, ticket_sold_key, 1)

end

return 0

`

//遠端統一扣庫存

func(RemoteSpikeKeys *RemoteSpikeKeys) RemoteDeductionStock(conn redis.Conn) bool{

lua := redis.NewScript(1, LuaScript)

result, err := redis.Int(lua.Do(conn, RemoteSpikeKeys.SpikeOrderHashKey, RemoteSpikeKeys.TotalInventoryKey, RemoteSpikeKeys.QuantityOfOrderKey))

iferr != nil{

returnfalse

}

returnresult != 0

}

我們使用 Hash 結構儲存總庫存和總銷量的資訊，使用者請求過來時，判斷總銷量是否大於庫存，然後返回相關的 Bool 值。

在啟動服務之前，我們需要初始化 Redis 的初始庫存資訊：

1hmset ticket_hash_key "ticket_total_nums"10000 "ticket_sold_nums"0

6.3 響應使用者資訊

我們開啟一個 HTTP 服務，監聽在一個埠上：

package main

...

funcmain() {

http.HandleFunc("/buy/ticket", handleReq)

http.ListenAndServe(":3005", nil)

}

上面我們做完了所有的初始化工作，接下來 handleReq 的邏輯非常清晰，判斷是否搶票成功，返回給使用者資訊就可以了。

package main

//處理請求函式,根據請求將響應結果資訊寫入日誌

funchandleReq(w http.ResponseWriter, r *http.Request) {

redisConn := redisPool.Get()

LogMsg := ""

<-done

//全域性讀寫鎖

iflocalSpike.LocalDeductionStock() && remoteSpike.RemoteDeductionStock(redisConn) {

util.RespJson(w, 1, "搶票成功", nil)

LogMsg = LogMsg + "result:1,localSales:"+ strconv.FormatInt(localSpike.LocalSalesVolume, 10)

} else{

util.RespJson(w, -1, "已售罄", nil)

LogMsg = LogMsg + "result:0,localSales:"+ strconv.FormatInt(localSpike.LocalSalesVolume, 10)

}

done <- 1

//將搶票狀態寫入到log中

writeLog(LogMsg, "./stat.log")

}

funcwriteLog(msg string, logPath string) {

fd, _ := os.OpenFile(logPath, os.O_RDWR|os.O_CREATE|os.O_APPEND, 0644)

deferfd.Close()

content := strings.Join([]string{msg, "\\r\\n"}, "")

buf := []byte(content)

fd.Write(buf)

}

前邊提到我們扣庫存時要考慮競態條件，我們這裡是使用 Channel 避免併發的讀寫，保證了請求的高效順序執行。我們將介面的返回資訊寫入到了 ./stat.log 檔案方便做壓測統計。

6.4 單機服務壓測

開啟服務，我們使用 AB 壓測工具進行測試：

ab -n 10000 -c 100 http://127.0.0.1:3005/buy/ticket

下面是我本地低配 Mac 的壓測資訊：

This is ApacheBench, Version 2.3 <$Revision: 1826891 $>

Copyright 1996 Adam Twiss, Zeus Technology Ltd, [url=http://www.zeustech.net/]http://www.zeustech.net/[/url]

Licensed to The Apache Software Foundation, [url=http://www.apache.org/]http://www.apache.org/[/url]

Benchmarking 127.0.0.1 (be patient)

Completed 1000 requests

Completed 2000 requests

Completed 3000 requests

Completed 4000 requests

Completed 5000 requests

Completed 6000 requests

Completed 7000 requests

Completed 8000 requests

Completed 9000 requests

Completed 10000 requests

Finished 10000 requests

Server Software:

Server Hostname: 127.0.0.1

Server Port: 3005

Document Path: /buy/ticket

Document Length: 29 bytes

Concurrency Level: 100

Time taken fortests: 2.339 seconds

Complete requests: 10000

Failed requests: 0

Total transferred: 1370000 bytes

HTML transferred: 290000 bytes

Requests per second: 4275.96 [#/sec] (mean)

Time per request: 23.387 [ms] (mean)

Time per request: 0.234 [ms] (mean, across all concurrent requests)

Transfer rate: 572.08 [Kbytes/sec] received

Connection Times (ms)

min mean[+/-sd] median max

Connect: 0 8 14.7 6 223

Processing: 2 15 17.6 11 232

Waiting: 1 11 13.5 8 225

Total: 7 23 22.8 18 239

Percentage of the requests served within a certain time(ms)

50% 18

66% 24

75% 26

80% 28

90% 33

95% 39

98% 45

99% 54

100% 239 (longest request)

根據指標顯示，我單機每秒就能處理 4000+ 的請求，正常伺服器都是多核配置，處理 1W+ 的請求根本沒有問題。

而且檢視日誌發現整個服務過程中，請求都很正常，流量均勻，Redis 也很正常：

//stat.log

...

result:1,localSales:145

result:1,localSales:146

result:1,localSales:147

result:1,localSales:148

result:1,localSales:149

result:1,localSales:150

result:0,localSales:151

result:0,localSales:152

result:0,localSales:153

result:0,localSales:154

result:0,localSales:156

...

7、本文小結

總體來說，秒殺系統是非常複雜的。我們這裡只是簡單介紹模擬了一下單機如何優化到高效能，叢集如何避免單點故障，保證訂單不超賣、不少賣的一些策略，完整的訂單系統還有訂單進度的檢視，每臺伺服器上都有一個任務，定時的從總庫存同步餘票和庫存資訊展示給使用者，還有使用者在訂單有效期內不支付，釋放訂單，補充到庫存等等。

我們實現了高併發搶票的核心邏輯，可以說系統設計的非常的巧妙，巧妙的避開了對 DB 資料庫 IO 的操作。

對 Redis 網路 IO 的高併發請求，幾乎所有的計算都是在記憶體中完成的，而且有效的保證了不超賣、不少賣，還能夠容忍部分機器的宕機。

我覺得其中有兩點特別值得學習總結的。

① 負載均衡，分而治之：

通過負載均衡，將不同的流量劃分到不同的機器上，每臺機器處理好自己的請求，將自己的效能發揮到極致。

這樣系統的整體也就能承受極高的併發了，就像工作的一個團隊，每個人都將自己的價值發揮到了極致，團隊成長自然是很大的。

② 合理的使用併發和非同步：

自 Epoll 網路架構模型解決了 c10k 問題以來，非同步越來越被服務端開發人員所接受，能夠用非同步來做的工作，就用非同步來做，在功能拆解上能達到意想不到的效果。

這點在 Nginx、Node.JS、Redis 上都能體現，他們處理網路請求使用的 Epoll 模型，用實踐告訴了我們單執行緒依然可以發揮強大的威力。

伺服器已經進入了多核時代，Go 語言這種天生為併發而生的語言，完美的發揮了伺服器多核優勢，很多可以併發處理的任務都可以使用併發來解決，比如 Go 處理 HTTP 請求時每個請求都會在一個 Goroutine 中執行。

總之，怎樣合理的壓榨 CPU，讓其發揮出應有的價值，是我們一直需要探索學習的方向。

附錄：更多高併發架構設計方面的文章

[1] 通用架構設計相關文章：

《騰訊資深架構師乾貨總結：一文讀懂大型分散式系統設計的方方面面》

《快速理解高效能HTTP服務端的負載均衡技術原理》

《子彈簡訊光鮮的背後：網易雲信首席架構師分享億級IM平臺的技術實踐》

《知乎技術分享：從單機到2000萬QPS併發的Redis高效能快取實踐之路》

《新手入門：零基礎理解大型分散式架構的演進歷史、技術原理、最佳實踐》

《阿里技術分享：深度揭祕阿里資料庫技術方案的10年變遷史》

《阿里技術分享：阿里自研金融級資料庫OceanBase的艱辛成長之路》

《達達O2O後臺架構演進實踐：從0到4000高併發請求背後的努力》

《優秀後端架構師必會知識：史上最全MySQL大表優化方案總結》

《小米技術分享：解密小米搶購系統千萬高併發架構的演進和實踐》

《一篇讀懂分散式架構下的負載均衡技術：分類、原理、演算法、常見方案等》

《通俗易懂：如何設計能支撐百萬併發的資料庫架構？》

《多維度對比5款主流分散式MQ訊息佇列，媽媽再也不擔心我的技術選型了》

《從新手到架構師，一篇就夠：從100到1000萬高併發的架構演進之路》

《美團技術分享：深度解密美團的分散式ID生成演算法》

《12306搶票帶來的啟示：看我如何用Go實現百萬QPS的秒殺系統(含原始碼)》

>> 更多同類文章 ……

[2] 有關IM架構設計的文章：

《淺談IM系統的架構設計》

《簡述移動端IM開發的那些坑：架構設計、通訊協議和客戶端》

《一套海量線上使用者的移動端IM架構設計實踐分享(含詳細圖文)》

《從零到卓越：京東客服即時通訊系統的技術架構演進歷程》

《蘑菇街即時通訊/IM伺服器開發之架構選擇》

《騰訊QQ1.4億線上使用者的技術挑戰和架構演進之路PPT》

《17年的實踐：騰訊海量產品的技術方法論》

《移動端IM中大規模群訊息的推送如何保證效率、實時性？》

《現代IM系統中聊天訊息的同步和儲存方案探討》

《IM開發基礎知識補課(二)：如何設計大量圖片檔案的服務端儲存架構？》

《IM開發基礎知識補課(三)：快速理解服務端資料庫讀寫分離原理及實踐建議》

《IM開發基礎知識補課(四)：正確理解HTTP短連線中的Cookie、Session和Token》

《WhatsApp技術實踐分享：32人工程團隊創造的技術神話》

《王者榮耀2億使用者量的背後：產品定位、技術架構、網路方案等》

《IM系統的MQ訊息中介軟體選型：Kafka還是RabbitMQ？》

《騰訊資深架構師乾貨總結：一文讀懂大型分散式系統設計的方方面面》

《以微博類應用場景為例，總結海量社交系統的架構設計步驟》

《快速理解高效能HTTP服務端的負載均衡技術原理》

《子彈簡訊光鮮的背後：網易雲信首席架構師分享億級IM平臺的技術實踐》

《知乎技術分享：從單機到2000萬QPS併發的Redis高效能快取實踐之路》

《IM開發基礎知識補課(五)：通俗易懂，正確理解並用好MQ訊息佇列》

《新手入門：零基礎理解大型分散式架構的演進歷史、技術原理、最佳實踐》

《一套高可用、易伸縮、高併發的IM群聊、單聊架構方案設計實踐》

《阿里技術分享：深度揭祕阿里資料庫技術方案的10年變遷史》

《阿里技術分享：阿里自研金融級資料庫OceanBase的艱辛成長之路》

《社交軟體紅包技術解密(一)：全面解密QQ紅包技術方案——架構、技術實現等》

《社交軟體紅包技術解密(七)：支付寶紅包的海量高併發技術實踐》

《社交軟體紅包技術解密(八)：全面解密微博紅包技術方案》

《社交軟體紅包技術解密(九)：談談手Q紅包的功能邏輯、容災、運維、架構等》

《即時通訊新手入門：一文讀懂什麼是Nginx？它能否實現IM的負載均衡？》

《即時通訊新手入門：快速理解RPC技術——基本概念、原理和用途》

《多維度對比5款主流分散式MQ訊息佇列，媽媽再也不擔心我的技術選型了》

《從游擊隊到正規軍：馬蜂窩旅遊網的IM系統架構演進之路》

《IM開發基礎知識補課(六)：資料庫用NoSQL還是SQL？讀這篇就夠了！》

>> 更多同類文章 ……

（本文同步釋出於：http://www.52im.net/thread-2771-1-1.html）