基于Actor模型的CQRS/ES解决方案分享

 郑承良 分布式实验室 

2017年加密货币比较流行，我曾有幸在加密货币交易所参与开发工作，为了应对交易系统高性能、高并发、高可用的要求，我们使用基于Actor模型的Orleans技术，采用CQRS/ES架构结合Service Fabric开展了富有挑战性的工作。本文将从不同视角为大家介绍Actor模型、CQRS/ES架构以及Service Fabric在高并发场景中的考量和应用。
话题由三部分组成：

• Actor模型&Orleans：在编程的层面，从细粒度-由下向上的角度介绍Actor模型；

• CQRS/ES：在框架的层面，从粗粒度-由上向下的角度介绍Actor模型，说明Orleans技术在架构方面的价值；

• Service Fabric：从架构部署的角度将上述方案落地上线。

群里的小伙伴技术栈可能多是Java和Go体系，分享的话题主要是C#技术栈，没有语言纷争，彼此相互学习。比如：Scala中，Actor模型框架有akka，CQRS/ES模式与编程语言无关，Service Fabric与Kubernetes是同类平台，可以相互替代，我自己也在学习Kubernetes。
Actor模型&Orleans（细粒度）

共享内存模型
多核处理器出现后，大家常用的并发编程模型是共享内存模型。 

这种编程模型的使用带来了许多痛点，比如：

• 编程：多线程、锁、并发集合、异步、设计模式（队列、约定顺序、权重）、编译

• 无力：单系统的无力性：①地理分布型、②容错型

• 性能：锁，性能会降低

• 测试：

  • 从坑里爬出来不难，难的是我们不知道自己是不是在坑里（开发调试的时候没有热点可能是正常的）

  • 遇到bug难以重现。有些问题特别是系统规模大了，可能运行几个月才能重现问题

• 维护：

  • 我们要保证所有对象的同步都是正确的、顺序的获取多个锁。

  • 12个月后换了另外10个程序员仍然按照这个规则维护代码。

简单总结：

• 并发问题确实存在

• 共享内存模型正确使用掌握的知识量多

• 加锁效率就低

• 存在许多不确定性

Actor模型

Actor模型是一个概念模型，用于处理并发计算。Actor由3部分组成：状态（State）+行为（Behavior）+邮箱（Mailbox），State是指Actor对象的变量信息，存在于Actor之中，Actor之间不共享内存数据，Actor只会在接收到消息后，调用自己的方法改变自己的state，从而避免并发条件下的死锁等问题；Behavior是指Actor的计算行为逻辑；邮箱建立Actor之间的联系，一个Actor发送消息后，接收消息的Actor将消息放入邮箱中等待处理，邮箱内部通过队列实现，消息传递通过异步方式进行。 

Actor是分布式存在的内存状态及单线程计算单元，一个ID对应的Actor只会在集群种存在一个（有状态的 Actor在集群中一个ID只会存在一个实例，无状态的可配置为根据流量存在多个），使用者只需要通过ID就能随时访问不需要关注该Actor在集群的什么位置。单线程计算单元保证了消息的顺序到达,不存在Actor内部状态竞用问题。
举个例子：
多个玩家合作在打Boss，每个玩家都是一个单独的线程，但是Boss的血量需要在多个玩家之间同步。同时这个Boss在多个服务器中都存在，因此每个服务器都有多个玩家会同时打这个服务器里面的Boss。
如果多线程并发请求，默认情况下它只会并发处理。这种情况下可能造成数据冲突。但是Actor是单线程模型，意味着即使多线程来通过Actor ID调用同一个Actor，任何函数调用都是只允许一个线程进行操作。并且同时只能有一个线程在使用一个Actor实例。
Actor模型：Orleans
Actor模型这么好，怎么实现？
可以通过特定的Actor工具或直接使用编程语言实现Actor模型，Erlang语言含有Actor元素，Scala可以通过Akka框架实现Actor编程。C#语言中有两类比较流行，Akka.NET框架和Orleans框架。这次分享内容使用了Orleans框架。
特点：
Erlang和Akka的Actor平台仍然使开发人员负担许多分布式系统的复杂性：关键的挑战是开发管理Actor生命周期的代码，处理分布式竞争、处理故障和恢复Actor以及分布式资源管理等等都很复杂。Orleans简化了许多复杂性。
优点：

• 降低开发、测试、维护的难度

• 特殊场景下锁依旧会用到，但频率大大降低，业务代码里甚至不会用到锁

• 关注并发时，只需要关注多个actor之间的消息流

• 方便测试

• 容错

• 分布式内存

缺点：

• 也会出现死锁（调用顺序原因）

• 多个actor不共享状态，通过消息传递，每次调用都是一次网络请求，不太适合实施细粒度的并行

• 编程思维需要转变

第一小节总结：上面内容由下往上，从代码层面细粒度层面表达了采用Actor模型的好处或原因。
CQRS/ES（架构层面）

从1000万用户并发修改用户资料的假设场景开始

1. 每次修改操作耗时200ms，每秒5个操作

2. MySQL连接数在5K，分10个库

3. 5 *5k *10=25万TPS

4. 1000万/25万=40s

 

在秒杀场景中，由于对乐观锁/悲观锁的使用，推测系统响应时间更复杂。
使用Actor解决高并发的性能问题 
1000万用户，一个用户一个Actor，1000万个内存对象。 

200万件SKU，一件SKU一个Actor，200万个内存对象。

• 平均一个SKU承担1000万/200万=5个请求

• 1000万对数据库的读写压力变成了200万

• 1000万的读写是同步的，200万的数据库压力是异步的

• 异步落盘时可以采用批量操作

总结：
由于1000万+用户的请求根据购物意愿分散到200万个商品SKU上：每个内存领域对象都强制串行执行用户请求，避免了竞争争抢；内存领域对象上扣库存操作处理时间极快，基本没可能出现请求阻塞情况。
从架构层面彻底解决高并发争抢的性能问题。理论模型，TPS>100万+……
EventSourcing：内存对象高可用保障
Actor是分布式存在的内存状态及单线程计算单元，采用EventSourcing只记录状态变化引发的事件，事件落盘时只有Add操作，上述设计中很依赖Actor中State，事件溯源提高性能的同时，可以用来保证内存数据的高可用。 

CQRS
上面1000万并发场景的内容来自网友分享的PPT，与我们实际项目思路一致，就拿来与大家分享这个过程，下图是我们交易所项目中的架构图： 

开源版本架构图： 
开源项目GitHub：https://github.com/RayTale/Ray
第二小节总结：由上往下，架构层面粗粒度层面表达了采用Actor模型的好处或原因。
Service Fabric

系统开发完成后Actor要组成集群，系统在集群中部署，实现高性能、高可用、可伸缩的要求。部署阶段可以选择Service Fabric或者Kubernetes，目的是降低分布式系统部署、管理的难度，同时满足弹性伸缩。
交易所项目可以采用Service Fabric部署，也可以采用Kubernetes，当时Kubernetes还没这么流行，我们采用了Service Fabric，Service Fabric 是一款微软开源的分布式系统平台，可方便用户轻松打包、部署和管理可缩放的可靠微服务和容器。开发人员和管理员不需解决复杂的基础结构问题，只需专注于实现苛刻的任务关键型工作负荷，即那些可缩放、可靠且易于管理的工作负荷。支持Windows与Linux部署，Windows上的部署文档齐全，但在Linux上官方资料没有。现在推荐Kubernetes。
第三小节总结：

• 借助Service Fabric或Kubernetes实现低成本运维、构建集群的目的。

• 建立分布式系统的两种最佳实践：

  • 进程级别：容器+运维工具（Kubernetes/Service Fabric）

  • 线程级别：Actor+运维工具（Kubernetes/Service Fabric）

参考：ES/CQRS部分内容参考：《领域模型 + 内存计算 + 微服务的协奏曲：乾坤（演讲稿）》2017年互联网应用架构实战峰会。