1、前言

又到了金三银四的时候，大家都按耐不住内心的躁动，我在这里给大家分享下之前面试中遇到的一个知识点（MQ的应用场景），如有不足，欢迎大佬们指点指点。

消息中间件应用背景

提高系统性能首先考虑的是数据库的优化，但是数据库因为历史原因，横向扩展是一件非常复杂的工程，所有我们一般会尽量把流量都挡在数据库之前。不管是无限的横向扩展服务器，还是纵向阻隔到达数据库的流量，都是这个思路。阻隔直达数据库的流量，缓存组件和消息组件是两大杀器。

2、MQ简介

MQ：Message queue，消息队列，就是指保存消息的一个容器。

现在常用的MQ组件有activeMQ、rabbitMQ、rocketMQ，当然近年来火热的kafka，从某些场景来说，也是MQ，不过kafka的功能更加强大，虽然不同的MQ都有自己的特点和优势，但是，不管是哪种MQ，都有MQ本身自带的一些特点。

常用消息队列比较

3、MQ特点

先进先出

先进先出，是队列最明显的特点。消息队列的顺序在入队的时候就基本已经确定了，一般是不需人工干预的。而且，最重要的是，数据是只有一条数据在使用中。 这也是MQ在诸多场景被使用的原因。

发布订阅

发布订阅是一种很高效的处理方式，如果不发生阻塞，基本可以当做是同步操作。这种处理方式能非常有效的提升服务器利用率，这样的应用场景非常广泛。

持久化

持久化确保MQ的使用不只是一个部分场景的辅助工具，而是让MQ能像数据库一样存储核心的数据，保证MQ的可靠性。

分布式

在现在大流量、大数据的使用场景下，只支持单体应用的服务器软件基本是无法使用的，支持分布式的部署，才能被广泛使用。而且，MQ的定位就是一个高性能的中间件。

4、应用场景

消息队列中间件是分布式系统中重要的组件，主要解决应用解耦，异步消息，流量削锋、海量日志数据同步、分布式事务等问题，实现高性能，高可用，可伸缩和最终一致性架构。

4.1 应用解耦

场景说明：用户下单后，订单系统需要通知库存系统。传统的做法是，订单系统调用库存系统的接口。

传统模式的缺点：假如库存系统无法访问，则订单减库存将失败，从而导致订单失败，订单系统与库存系统耦合度高，容易出现雪崩事故。

引入应用消息队列后的方案：

订单系统：用户下单后，订单系统完成持久化处理，将消息写入消息队列，返回用户订单下单成功。
库存系统：订阅下单的消息，采用pull/push的方式，获取下单信息，库存系统根据下单信息，进行库存操作。
解决问题关键步骤：在下单时库存系统不能正常使用，也不影响正常下单，因为下单后，订单系统写入消息队列就不再关心其他的后续操作了，只要达成最终一致性即可。实现订单系统与库存系统的应用解耦。

4.2 异步消息

场景说明：用户注册后，需要发注册邮件和注册短信。传统的做法有两种：串行的方式、并行方式。

1. 串行方式：将注册信息写入数据库成功后，发送注册邮件，再发送注册短信。以上三个任务全部完成后，返回给客户端。

   

2. 并行方式：将注册信息写入数据库成功后，发送注册邮件的同时，发送注册短信。以上三个任务完成后，返回给客户端。与串行的差别是，并行的方式可以提高处理的时间。

   

   问题分析：

   假设三个业务节点每个使用50毫秒钟，不考虑网络等其他开销，则串行方式的时间是150毫秒，并行的时间可能是100毫秒。
   因为CPU在单位时间内处理的请求数是一定的，假设CPU1秒内吞吐量是100次。则串行方式1秒内CPU可处理的请求量是7次（1000/150）。并行方式处理的请求量是10次（1000/100）
   如以上案例描述，传统的方式系统的性能（并发量，吞吐量，响应时间）会有瓶颈。

   将发送注册邮件和注册短信的步骤通过消息队列解耦：

   

   由以上架构可知，用户的响应时间相当于是注册信息写入数据库的时间，也就是50毫秒。注册邮件，发送短信写入消息队列后，直接返回，因此写入消息队列的速度很快，基本可以忽略，因此用户的响应时间可能是50毫秒。因此架构改变后，系统的吞吐量提高到每秒20 QPS。比串行提高了3倍，比并行提高了两倍。

4.3 流量削锋

流量削锋也是消息队列中的常用场景，一般在秒杀或团抢活动中使用广泛。

场景说明：秒杀活动，一般会因为流量过大，导致流量暴增，应用或者数据库挂掉。为解决这个问题，一般需要在应用前端加入消息队列。

架构如下：

加入消息队列的好处：

1. 可以控制活动的人数
2. 可以缓解短时间内高流量压垮应用

用户的请求，服务器接收后，首先写入消息队列。假如消息队列长度超过最大数量，则直接抛弃用户请求或跳转到错误页面。
秒杀业务根据消息队列中的请求信息，再做后续处理。

4.4 海量日志数据同步

场景说明：在微服务体系下，项目往往是集群部署，那么就需要一个统一日志平台来查询各个实例的日志，但集群中的日志信息往往都是海量数据，单一的日志采集工具不能满足业务的需要，因此需要将消息队列用在日志处理中，比如Kafka的应用，解决大量日志传输的问题。

架构简化如下：

架构说明：

1. 日志采集客户端，负责日志数据采集，定时写受写入Kafka队列
2. Kafka消息队列，负责日志数据的接收，存储和转发
3. 日志处理应用：订阅并消费kafka队列中的日志数据

4.5 分布式事物

分布式事务又分为强一致，弱一致，和最终一致性

1. 强一致：

   当更新操作完成之后，任何多个后续进程或者线程的访问都会返回最新的更新过的值。这种是对用户最友好的，就是用户上一次写什么，下一次就保证能读到什么。根据 CAP 理论，这种实现需要牺牲可用性。

2. 弱一致：

   系统并不保证续进程或者线程的访问都会返回最新的更新过的值。系统在数据写入成功之后，不承诺立即可以读到最新写入的值，也不会具体的承诺多久之后可以读到。

3. 最终一致：

   弱一致性的特定形式。系统保证在没有后续更新的前提下，系统最终返回上一次更新操作的值。在没有故障发生的前提下，不一致窗口的时间主要受通信延迟，系统负载和复制副本的个数影响。DNS 是一个典型的最终一致性系统。

在分布式系统中，同时满足“CAP定律”中的一致性、可用性和分区容错性三者是几乎不可能的。在互联网领域的绝大多数的场景，都需要牺牲强一致性来换取系统的高可用性，系统往往只需要保证“最终一致性”，只要这个最终时间是在用户可以接受的范围内即可，这时候我们只需要用短暂的数据不一致就可以达到我们想要效果。

场景说明：比如有订单，库存两个数据，一个下单过程简化为，加一个订单，减一个库存。 而订单和库存是独立的服务，那怎么保证数据一致性。

远程调用最郁闷的地方就是，结果有3种，成功、失败和超时。 超时的话，成功失败都有可能。一般的解决方案，大多数的做法是借助mq来做最终一致。

实现最终一致：

通过上面的架构可能会想到这些问题：

本地先执行事务，执行成功了就发个消息过去，消费端拿到消息执行自己的事务。
比如a，b两个服务，服务a异步调用服务b，如果服务b失败了，或者成功，或者超时，那么怎么用mq让他们最终一致呢？

参照于本地事务的概念可将该场景分为三种情况解决：

1. 第一种情况：假设a，b都正常执行，那整个业务正常结束；
2. 第二种情况：假设b超时,那么需要MQ给b重发消息（b服务要做幂等），如果出现重发失败的话，需要看情况，是中断服务，还是继续重发，甚至人为干预；
3. 第三种情况：假设a,b之中的一个失败了，失败的服务利用MQ给其他的服务发送消息，其他的服务接收消息，查询本地事务记录日志，如果本地也失败，删除收到的消息(表示消息消费成功)，如果本地成功的话，则需要调用补偿接口进行补偿(需要每个服务都提供业务补偿接口)。

需要特别注意：

MQ这里有个坑，通常只适用于只允许第一个操作失败的场景，也就是第一个成功之后必须保证后面的操作在业务上没障碍，不然后面失败了前面不好回滚，只允许系统异常的失败，不允许业务上的失败，通常业务上失败一次后面基本上也不太可能成功了，要是因为网络或宕机引起的失败可以通过重试解决，如果业务异常，那就只能发消息给服务a让他们做补偿了吧？通常是通过第三方进行补偿，各个服务需要提供补偿接口，设计范式里通常不允许消费下游业务失败。

5、总结

MQ在分布式系统开发的场景下使用的越来越多，处理的业务能力也越来越强，所以掌握MQ的使用场景是很要必要的。通过掌握MQ，即可解决大多数业务场景，也可在面试中加分，提高自己的核心竞争力。

最后，外出打工不易，希望各位兄弟找到自己心仪的工作，虎年发发发！

也希望兄弟们能关注、点赞、收藏、评论支持一波，非常感谢大家！