粉丝与关注，社交好友，都是典型的“多对多关系”的业务，这类业务的核心服务是好友中心，当关系链达到百亿以后，好友中心架构设计要考虑哪些因素，是本文将要分享的内容。
所谓的“多对多”，来自数据库设计中的“实体-关系”ER模型，用来描述实体之间的关联关系，一个学生能够选修多个课程，一个课程能够被多个学生选修，这里学生与课程时间的关系，就是多对多关系。
弱好友关系的创建，不须要双方彼此赞成
：用户A关注用户B，不须要用户B赞成，此时用户A与用户B为弱好友关系，对A而言，他多“关注”了一我的，对B而言，他多了一个“粉丝”。
强好友关系的创建，须要好友关系双方彼此赞成
：用户A请求添加用户B为好友，用户B赞成，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。
好友中心是一个典型的多对多业务
，一个用户能够添加多个好友，也能够被多个好友添加。
（1）friend-service：好友中心服务，对调用者提供友好的RPC接口；
服务的接口，不外乎：关注，取关，增长好友，删除好友，赞成好友申请，不一样意好友申请。其核心，在于元数据的设计。
经过弱好友关系业务分析，很容易了解到，其核心元数据为：
（1）guanzhu(uid, guanzhu_uid);
（2）fensi(uid, fensi_uid);
（1）guanzhu表，用户记录uid全部关注用户guanzhu_uid；
（2）fensi表，用来记录uid全部粉丝用户fensi_uid；
须要强调的是，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，因而：
（1）guanzhu表要插入{1, 2}这一条记录，1关注了2；
（2）fensi表要插入{2, 1}这一条记录，2粉了1；
select * from guanzhu where uid=1;
select * from fensi where uid=2;
经过强好友关系业务分析，很容易了解到，其核心元数据为：
uid=1的用户添加了uid=2的用户，双方都赞成加彼此为好友，强好友关系，在数据库中应该插入记录{1, 2}仍是记录{2,1}呢？
均可以，为了不歧义，能够人为约定，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，那边数据库中多是这样的三条记录：
假设要查询uid=2的全部好友，只需在uid1和uid2上创建索引，而后：
select * from friend where uid1=2
select * from friend where uid2=2
select * from friend uid1=2 or uid2=2
使用一个表记录全部关系链，若是数据量大了，数据库进行分库之后，不久没法同时知足uid1和uid2上的查询了么，此时要怎么办呢？
此时，可使用相似于弱关系实现的方案，用数据冗余的方式，即便分库后，依然可以知足两种查询需求。
（1）guanzhu(uid, guanzhu_uid);
（2）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，因而：
（1）guanzhu表要插入{1, 2}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，因而：
（1）guanzhu表要插入{2, 1}这一条记录；
强调一下：数据冗余，是多对多关系，知足不一样维度的查询需求，在数据量大时，数据水平切分的经常使用实践。
第一类
：friend(uid1, uid2)表；
第二类
：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，看似无差别，
但数据量大时，只有后者，才能知足两类查询需求
：
（1）friend表，数据量大时，若是使用uid1来分库，那么uid2上的查询就须要遍历多库；
（2）正表T1与反表T2经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，均只须要进行一次查询，就能找到对应的关注与粉丝，而不须要多个库扫描；
问题转化为，T1和T2正反表，如何进行数据冗余呢？
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：
（2）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；
若是系统对处理时间比较敏感，引出经常使用的第二种方案。
数据的双写并再也不由好友中心服务来完成，服务层
异步发出一个消息，经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：
（3）服务向消息总线发送一个异步消息（发出便可，不用等返回，一般很快就能完成）；
（1）系统的复杂性增长了，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）；
（2）由于返回业务线数据插入成功时，数据还不必定插入到T2中，所以数据有一个不一致时间窗口（这个窗口很短，最终是一致的）；
若是想解除“数据冗余”对系统的耦合，引出经常使用的第三种方案。
数据的
双写再也不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：
（1）返回业务线数据插入成功时，数据还不必定插入到T2中，所以数据有一个不一致时间窗口（这个窗口很短，最终是一致的）；
（2）数据的一致性依赖于线下服务或者任务的可靠性；
数据冗余当然可以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？
能够看到，无论哪一种方案，
由于两步操做不能保证原子性，总有出现数据不一致的可能
，高吞吐分布式事务是业内还没有解决的难题，此时的架构优化方向，并非彻底保证数据的一致，而是尽早的发现不一致，并修复不一致。
须要强调的是，
最终一致性
，是高吞吐互联网业务一致性的经常使用实践
。
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，若是发现数据不一致，就进行补偿修复。
（1）扫描效率低，会扫描大量的“已经可以保证一致”的数据；
（2）因为扫描的数据量大，扫描一轮的时间比较长，即数据若是不一致，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，而不是每次扫描所有数据，以提升效率的优化方法呢？
每次只扫描增量的日志数据
，就可以极大提升效率，缩短数据不一致的时间窗口，如上图1-4流程所示：
固然，咱们仍是须要一个离线的扫描工具，不停的比对日志log1和日志log2，若是发现数据不一致，就进行补偿修复。
（1）线上服务略有修改（代价不高，多写了2条日志）；
（2）虽然比方法一更实时，但时效性仍是不高，不一致窗口取决于扫描的周期；
此次不是写日志了，而是向消息总线发送消息，如上图1-4流程所示：
此次不是须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。
假设正常状况下，msg1和msg2的接收时间应该在3s之内，若是检测服务在收到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。
however，技术方案自己就是一个投入产出比的折衷，能够根据业务对一致性的需求程度决定使用哪种方法。
（1）好友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；
（4）数据冗余会带来一致性问题，高吞吐互联网业务，要想彻底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：
新尝试，视频讲架构数据库
本文分享自微信公众号 - 架构师之路（road5858）。
若有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一块儿分享。微信
