Skip to content

架构思维:约束、权衡与设计原则 ​

本篇要点:面对一次架构选择,你能说清“它在什么约束下成立、牺牲了什么、什么情况下必须改回来”,而不是只说出选了什么。 前置说明:这是《架构思维:约束、权衡与设计原则》,不要求前置。如果你手上有做过的一个完整项目,把那个项目当作本篇的练习对象。

一、为什么需要它 ​

2026 年 3 月,我跟了一次评审,对象是某连锁药房的会员积分系统。上一任留下的方案是:积分流水按会员 ID 分 16 个库、32 张表,中间挂了三个消息队列,另有一个自研的发号服务。

这套东西撑多大的量?日活会员 1.8 万,每天新增流水 26 万条,九年累计 4.1 亿行。运维它的是 6 个人,每周固定花在扩容、队列重放、发号服务时钟回拨排查上的时间,他们自己登记是 11 小时。

同一个月我看了另一个团队。单台 8 核 32G 的 MySQL,日活 40 万,跑了三年。他们的问题出在别处:某次给一张 4000 万行的表加索引,锁表 12 分钟,当天掉了 3 万单。

两个团队的差距不在技术能力。前一个团队里有两位 P7。差距在有没有把约束写下来,再据此挑方案。第一个团队面对的是“要撑住未来增长”这句话,没人追问增长是多少、什么时候到;第二个团队从没算过自己还剩多少余量,所以也不知道哪一天会撞墙。

架构(architecture)不是挑最时新的组件。它是在一组你无法选择的边界里,选出一个代价可接受、以后又改得动的结构。

二、核心概念 ​

2.1 质量属性:能被度量的才叫属性 ​

质量属性(quality attribute)指系统在功能之外表现出来的可测量特征,常见五类:性能、可用性、安全性、可维护性、成本。

它必须写成可验证的句子,包含三样东西:什么条件下、看哪个指标、阈值多少。“下单接口要快”不是质量属性;“开门抢课那 120 秒里,2000 QPS 下预约接口 P99 不超过 300ms”才是。

类比买车。你不会说“这车好”,你会说零百加速 7.2 秒、市区油耗 8.5 升、后备箱 480 升。三个数放在一起,你才知道它适合谁。

反例:一份评审材料列了 11 条质量属性,全是“高可用”“高性能”“易扩展”。会开完,没人知道这套系统到底达标没有,因为一条都测不了。

质量属性一句话定义怎么测抬高它的典型代价
性能(performance)单位时间能做多少事、单次做多久QPS、P95/P99 延迟机器钱、缓存带来的一致性问题
可用性(availability)一段时间里可正常服务的比例成功率、年度停机分钟冗余资源、切换演练的人力
安全(security)未授权者做不成事、授权者留得下痕越权用例通过率、审计覆盖率联调时间、接口多用例
可维护性(maintainability)改一行代码到上线要多久、要几个人变更前置时间、缺陷回归率拆分与规范的沟通成本
成本(cost)每笔业务分摊多少资源开销单订单基础设施成本与性能、可用性直接对冲

表 1-1 五类质量属性的度量方式与代价

2.2 约束:那部分不归你选 ​

约束(constraint)是不由设计者决定的边界,分四类:技术存量、团队能力、预算与时间、合规与安全。

顺序很重要。约束先于方案,先看边界再挑技术;反过来做,等于先买家具再量房间。

反例:一个 6 人团队、没人写过 Go,用 Go 写核心交易。问题不在 Go,在故障时没人看得懂 pprof,排障从 20 分钟变成 3 小时。这叫可维护性被团队能力这条约束压住了。

2.3 权衡:每个方案都要写下牺牲 ​

权衡(trade-off)指一个决策在多个质量属性之间做的交换。规范做法是收益一行、代价一行,同时写在文档里。

反例:加一层 Redis 缓存,接口 P99 从 480ms 降到 60ms。收益人人会写。代价是三样:多一个故障点(Redis 挂了得有降级路径)、多一段不一致窗口(最长一个 TTL,5 分钟)、多一份要同步的数据。只写收益的那份材料,半年后会以“缓存和库里对不上”的形式重新出现在你桌上。

图 1-1 一次架构决策的推进路径与回退口

如图 1-1 所示,回退箭头有两处。一处是演进信号出现时回到候选方案,另一处藏在最后一步——每个决策都带着自己的失效条件,条件一到就得重新走一遍。

2.4 简单优先与演进式设计 ​

演进式设计(evolutionary design)指不追求一次设计到位,而是让结构在小步修改中保持可调整。它有两个可执行的动作:留扩展点但不提前抽象;给每个决策写失效条件。

可逆性(reversibility)往往比正确性更值钱。选错了两周能改回来,比一次就选对更接近现实。

反例:为“以后可能做国际化”,先上多租户、多币种、多语言三件套。两年过去,租户数 1,币种 1,界面语言 1,而每个查询都多了一个租户条件。

三、动手实践 ​

三个动作,都能在一个下午做完:算一次可用性预算、把平均耗时换成 P99、写一页决策记录。

3.1 把几个 9 换算成停机时间 ​

先看 99.9% 和 99.99% 的差别到底是多少。下面脚本把年、月停机分钟算出来。

python
# availability.py
minutes_per_year = 365 * 24 * 60      # 525600
minutes_per_month = 30 * 24 * 60      # 43200
for nines, value in [("99%", 0.99), ("99.9%", 0.999),
                     ("99.95%", 0.9995), ("99.99%", 0.9999)]:
    print(f"{nines:>7}  年 {minutes_per_year*(1-value):7.1f} 分钟"
          f"  月 {minutes_per_month*(1-value):6.1f} 分钟")

运行结果:

text
    99%  年  5256.0 分钟  月  432.0 分钟
  99.9%  年   525.6 分钟  月   43.2 分钟
 99.95%  年   262.8 分钟  月   21.6 分钟
 99.99%  年    52.6 分钟  月    4.3 分钟

从 99.9% 提到 99.99%,允许的停机时间从 525 分钟压到 52 分钟,差十倍。多出来的钱主要不花在机器上,花在“能自动切换、能定期演练、能量化验证”这三件事上。所以预算紧的时候,先把目标定在 99.9%,把这句话写进文档,比喊“我们要高可用”有用得多。

3.2 用 P99 替换平均耗时 ​

第二个动作,把“平均响应时间”换掉。先用一组均匀分布的耗时做对照,再看真实服务的形状。

bash
seq 1 1000 | awk '{printf "%.3f\n", $1/1000}' > rt.txt
sort -n rt.txt | awk '{a[NR]=$1; s+=$1}
END{printf "样本 %d\nP50 %.3f s\nP95 %.3f s\nP99 %.3f s\n平均 %.3f s\n",
NR, a[int(NR*0.50)], a[int(NR*0.95)], a[int(NR*0.99)], s/NR}'

运行结果:

text
样本 1000
P50 0.500 s
P95 0.950 s
P99 0.990 s
平均 0.501 s

均匀分布下平均和 P50 几乎重合,说明不了太多——真实请求耗时不长这样,它是长尾的。换一组对数正态分布(延迟数据的常用近似形状,少量请求极慢),同样 1 万个样本:

python
# latency.py —— 长尾分布下的分位数
import random
random.seed(20261116)
rt = sorted(random.lognormvariate(mu=-0.9, sigma=0.85) for _ in range(10000))
n = len(rt)
q = lambda p: rt[min(n - 1, int(n * p))]

print(f"样本 {n}")
for label, p in [("P50", .50), ("P95", .95), ("P99", .99)]:
    print(f"{label} {q(p):.3f} s")
print(f"平均 {sum(rt)/n:.3f} s")
print(f"P99 / P50 = {q(.99)/q(.50):.1f} 倍")
print(f"超 1s 的请求占比 {sum(1 for x in rt if x > 1)/n:.2%}")

运行结果:

text
样本 10000
P50 0.409 s
P95 1.680 s
P99 3.151 s
平均 0.590 s
P99 / P50 = 7.7 倍
超 1s 的请求占比 14.58%

同一批请求,平均 0.59 秒看着还能接受,P99 是 3.15 秒,7.7 倍的差距。这就是为什么容量规划要看尾延迟:2000 QPS 下,1% 的慢请求等于每秒 20 个用户在骂人,而平均值会把这个现象抹平。注意上面那组均匀分布的数据里 P99 只有 0.99 秒——用错分布形状做估算,会把一个三等一的系统算成能用。

3.3 写一页决策记录 ​

架构决策记录(Architecture Decision Record,ADR)的用处是把口头共识变成可追责的文本。五段就够,一段一句话。

段落必须回答的问题常见的敷衍写法
背景什么约束把我们逼到了这一步“为了提升系统性能”
决策具体选了什么,给到版本和配置“引入缓存”
替代方案另外两个是什么,为什么没选空缺
后果换来了什么,放弃了什么只写好处
失效条件什么信号出现时这个决策必须重审空缺

表 1-2 ADR 的五段结构与对照

第五段是最容易被跳过的一段,也是六个月后唯一有人翻的一段。

四、常见误解 ​

很多人以为架构就是画部署图、选中间件。实际的产出里,一大半是“哪些事我们这次不做”。上面那个药房系统,如果当初有人写一句“日流水 26 万条,单体加读写分离够用到 2029 年”,16 个库就不会落地。

很多人以为高可用等于多副本。实际上可用性由最弱的一环和切换耗时共同决定。一个三副本的 MySQL 集群,主库故障后只能人工切,平均 25 分钟,一年触发两次就是 50 分钟停机,可用性被压在 99.99% 以下,副本数再多也救不回来。

很多人以为架构一次定终身。实际上每个决策都该带失效条件,到点重审。没写失效条件的决策,往往是在它已经过期两年之后,才被一次故障提醒。

五、小结 ​

这是《架构思维:约束、权衡与设计原则》,没有前置文章可回指。下面五条是整个类目的判断标准,后面每一章都会用到其中至少一条。

  • 质量属性要写成“条件 + 指标 + 阈值”,测不了的属性等于没提。
  • 约束分技术存量、团队能力、预算时间、合规四类,先列约束再挑方案。
  • 权衡要写两行:收益一行,代价一行。只写收益的方案,会在半年后以故障形式回访。
  • 99.9% 和 99.99% 的停机预算差十倍,先把目标档位选定,再谈冗余。
  • 每个决策配一个失效条件,这是演进式设计最小的落地动作。

六、相关文章 ​

这一章给的是判断标准,还差一套可执行的顺序。相关文章把它变成固定的四步——需求澄清、容量估算、组件选型、故障与演进,并用一个连锁健身品牌“每晚八点抢课”的完整题目从头走到尾,看这四条标准怎么落在一张能评审的表上。

继续阅读:[《系统设计方法:四步走通一次设计》 系统设计方法:四步走通一次设计](/guide/architecture/system-design-method.html)