如何识别架构设计复杂度

架构设计：识别复杂度

我在前面讲过，架构设计的本质目的是为了解决软件系统的复杂性，所以在我们设计架构时，首先就要分析系统的复杂性。只有正确分析出了系统的复杂性，后续的架构设计方案才不会偏离方向；否则，如果对系统的复杂性判断错误，即使后续的架构设计方案再完美再先进，都是南辕北辙，做的越好，错的越多、越离谱。

例如，如果一个系统的复杂度本来是业务逻辑太复杂，功能耦合严重，架构师却设计了一个TPS达到50000/秒的高性能架构，即使这个架构最终的性能再优秀也没有任何意义，因为架构没有解决正确的复杂性问题。

架构的复杂度主要来源于“高性能”“高可用”“可扩展”等几个方面，但架构师在具体判断复杂性的时候，不能生搬硬套，认为任何时候架构都必须同时满足这三方面的要求。实际上大部分场景下，复杂度只是其中的某一个，少数情况下包含其中两个，如果真的出现同时需要解决三个或者三个以上的复杂度，要么说明这个系统之前设计的有问题，要么可能就是架构师的判断出现了失误，即使真的认为要同时满足这三方面的要求，也必须要进行优先级排序。

例如，专栏前面提到过的“亿级用户平台”失败的案例，设计对标腾讯的QQ，按照腾讯QQ的用户量级和功能复杂度进行设计，高性能、高可用、可扩展、安全等技术一应俱全，一开始就设计出了40多个子系统，然后投入大量人力开发了将近1年时间才跌跌撞撞地正式上线。上线后发现之前的过度设计完全是多此一举，而且带来很多问题：

系统复杂无比，运维效率低下，每次业务版本升级都需要十几个子系统同步升级，操作步骤复杂，容易出错，出错后回滚还可能带来二次问题。
每次版本开发和升级都需要十几个子系统配合，开发效率低下。
子系统数量太多，关系复杂，小问题不断，而且出问题后定位困难。
开始设计的号称TPS 50000/秒的系统，实际TPS连500都不到。

由于业务没有发展，最初的设计人员陆续离开，后来接手的团队，无奈又花了2年时间将系统重构，合并很多子系统，将原来40多个子系统合并成不到20个子系统，整个系统才逐步稳定下来。

如果运气真的不好，接手了一个每个复杂度都存在问题的系统，那应该怎么办呢？答案是一个个来解决问题，不要幻想一次架构重构解决所有问题。例如这个“亿级用户平台”的案例，后来接手的团队其实面临几个主要的问题：系统稳定性不高，经常出各种莫名的小问题；系统子系统数量太多，系统关系复杂，开发效率低；不支持异地多活，机房级别的故障会导致业务整体不可用。如果同时要解决这些问题，就可能会面临这些困境：

要做的事情太多，反而感觉无从下手。
设计方案本身太复杂，落地时间遥遥无期。
同一个方案要解决不同的复杂性，有的设计点是互相矛盾的。例如，要提升系统可用性，就需要将数据及时存储到硬盘上，而硬盘刷盘反过来又会影响系统性能。

因此，正确的做法是 将主要的复杂度问题列出来，然后根据业务、技术、团队等综合情况进行排序，优先解决当前面临的最主要的复杂度问题。“亿级用户平台”这个案例，团队就优先选择将子系统的数量降下来，后来发现子系统数量降下来后，不但开发效率提升了，原来经常发生的小问题也基本消失了，于是团队再在这个基础上做了异地多活方案，也取得了非常好的效果。

对于按照复杂度优先级解决的方式，存在一个普遍的担忧：如果按照优先级来解决复杂度，可能会出现解决了优先级排在前面的复杂度后，解决后续复杂度的方案需要将已经落地的方案推倒重来。这个担忧理论上是可能的，但现实中几乎是不可能出现的，原因在于软件系统的可塑性和易变性。对于同一个复杂度问题，软件系统的方案可以有多个，总是可以挑出综合来看性价比最高的方案。

即使架构师决定要推倒重来，这个新的方案也必须能够同时解决已经被解决的复杂度问题，一般来说能够达到这种理想状态的方案基本都是依靠新技术的引入。例如，Hadoop能够将高可用、高性能、大容量三个大数据处理的复杂度问题同时解决。

识别复杂度对架构师来说是一项挑战，因为原始的需求中并没有哪个地方会明确地说明复杂度在哪里，需要架构师在理解需求的基础上进行分析。有经验的架构师可能一看需求就知道复杂度大概在哪里；如果经验不足，那只能采取“排查法”，从不同的角度逐一进行分析。

实战

假设一个创业公司，名为“微讯微博”。该公司业务快速发展，系统数量不断增加，但系统间协作效率很低。例如，当用户发一条微博时，微博子系统需要通知审核、统计、广告和消息子系统进行相应操作。这意味着一条微博需要通知十几个不同的子系统，且这些通知都是通过接口调用完成的。每当引入一个新系统，微博子系统都必须设计接口、进行测试，并经常会和其他子系统的技术人员产生分歧，导致问题定位麻烦，微博子系统的开发人员备感压力。

另外，当用户等级达到VIP后，等级子系统需要通知福利、客服和商品子系统，以进行相应的操作。等级子系统的开发人员同样面临困扰。

新来的架构师结合自己的经验梳理这些问题后，敏锐地发现这些问题的根源在于架构上各业务子系统强耦合，而引入消息队列系统可以解决这个问题。经过分析、讨论、会议、汇报和审批等一系列操作，消息队列系统最终得以立项。

其他背景信息包括：

中间件团队规模不大，大约6人左右。
中间件团队熟悉Java语言，但有一位新同事擅长C/C++。
开发平台为Linux，数据库为MySQL。
目前整个业务系统是单机房部署，没有双机房。

为针对“微讯微博”的消息队列系统，采用“排查法”来分析复杂度。具体分析过程如下：

这个消息队列是否需要高性能？

假设微讯微博系统用户每天发送1000万条微博，那么微博子系统一天会产生1000万条消息。如果平均每条消息被10个子系统读取，那么其他子系统读取的消息大约为1亿次。

尽管这些数据看起来十分庞大，但对于架构师来说，关注的并非一天的数据，而是1秒钟的数据（即TPS和QPS）。按秒来计算，每天内平均每秒写入消息数为115条，每秒读取的消息数为1150条。考虑到读写操作并不完全平均，因此设计目标应以峰值为基础。峰值通常取平均值的3倍。因此，消息队列系统的TPS为345，QPS为3450。尽管这个数据量级相对较高，但新来的架构师发现，“微讯微博”系统中存在强耦合的业务子系统，导致系统间协作效率低下。例如，用户发一条微博后，微博子系统需要通知审核、统计、广告、消息等多个子系统进行处理，而每通知一个新系统都需要进行接口设计和测试，问题定位也非常麻烦。同样的情况也出现在等级子系统中。针对这些问题，架构师提出了引入消息队列系统的建议，并经过一系列操作，该系统终于立项。其他相关背景信息包括中间件团队规模不大、熟悉Java语言但有一名新同事很擅长C/C++、开发平台是Linux且数据库为MySQL，业务系统当前是单机房部署，没有双机房。

针对“微讯微博”的消息队列系统，架构师采用了“排查法”来分析复杂度。首先，他通过计算每天微博产生的消息数量，估算出消息队列需要的TPS和QPS。虽然当前业务规模下，系统对性能的要求不是很高，但为了预留一定的容量以应对未来的业务增长，设计目标被设定为峰值的4倍。因此，系统需要具备高性能读取的能力。另外，考虑到消息丢失可能导致的严重后果，消息队列系统也需要具备高可用性，包括消息写入、存储和读取。不过，由于消息队列的功能较为明确，不需要进行过多的扩展，因此可扩展性并不是复杂度的关键。

在实际应用中，不同的公司或团队可能需要考虑其他方面的复杂度，例如安全性、成本等。针对“微讯微博”的消息队列系统，综合分析其复杂性主要体现在高性能消息读取、高可用消息写入、高可用消息存储和高可用消息读取等方面。

针对这些复杂度，我将在后面文章为你分析

小结

今天我聊了架构设计的第一个步骤“识别复杂度”，并且通过一个模拟的场景讲述了“排查法”的具体分析方式，欢迎给我留下宝贵意见

如果本文对你有帮助的话，欢迎点赞分享，这对我继续分享&创作优质文章非常重要。感谢

本文由 mdnice 多平台发布