Skip to content

系统设计方法:四步走通一次设计 ​

本篇要点:拿到一个从没做过的业务题,你能在一个半小时内产出一份带数字、能被追问的设计方案。 前置文章:《架构思维:约束、权衡与设计原则》讲了怎么判断一个架构决策的好坏,这一章给的是产生决策的固定顺序。

一、为什么需要它 ​

一位读者把他的设计方案发给我看。二十七页,十一张架构图,中间件清单里写着 Redis 集群、Kafka、Elasticsearch、分库分表中间件、服务网格。

我翻到第五页问了一句:这套系统一天多少写请求?

他算了四分钟,答案是三万次。平均下来每秒 0.35 次。

这份方案之所以长成这样,不是因为他不了解技术,恰恰是因为太了解了。他手上有一整套熟悉的东西,于是从“我会什么”出发倒推需求。评审会上被追问“这个量为什么需要 Kafka”时,答不出来,方案就卡在那里。

据我参与过的评审,这类材料有个共同特征:中间件清单写了两页,请求量一个数字都没有。反过来,带着一页数字进评审的方案,通常二十分钟就能过,因为大部分争议在会前就被数字解决了。

顺序错了。先定组件再找理由,通常只能找到“以后可能会用到”。把顺序换成需求、容量、组件、故障,同一个题目会得出完全不同的答案,而且每一步都能被追问。

二、核心概念 ​

2.1 需求澄清:把“要快”逼成一句话 ​

需求澄清(requirement clarification)指在设计前把模糊诉求拆成可判定的条目。功能需求写系统做什么,非功能需求(non-functional requirement,NFR)写做到什么程度。

关键动作是问三个数:峰值多少、什么时候到、可以慢到什么程度。前两个决定容量,第三个决定能不能用降级换稳定。

类比装修。设计师不会问你“想要什么风格”,会问你几个人住、做不做饭、预算多少、五年内要不要孩子。四个问题问完,风格自己就出来了。

反例:需求写“抢课要流畅”。流畅是感受,不是指标。改成“开放瞬间 60 秒内,课程列表接口 P95 不超过 200ms”,才有后面所有讨论的基础。

2.2 容量估算:用来排除方案,不是用来选方案 ​

容量估算(capacity estimation)指用业务数量级推出请求量、存储量与带宽量级,判断哪一环先撞墙。

它的价值常被误解。算出来的数字不精确也没关系,误差一倍两倍都能接受。它真正的作用是把一整类方案直接排除掉:一天三万次写请求的系统,谈分库分表没有意义,谈缓存预热才有。

2.3 组件选型:只写能说清代价的那一行 ​

组件选型(component selection)是按约束从候选里挑,并写下放弃的理由。判断标准只有一条:这个组件解决的是估算里排名第一的瓶颈吗?

反例:给一个日活两千的后台管理系统上消息队列,理由“解耦”。多出来的运维成本、消息重复和顺序问题,全都要人扛,而并发压力本来就不存在。

2.4 故障与演进:先找单点,再写失效条件 ​

故障域(failure domain)指一处故障能波及的范围,《高可用:冗余、故障域与多活容灾》 2.3 节会讲它的划分方法,这一章先用它来找单点。设计时要标出所有单点,再给每个单点写一个降级(degradation)动作——降级指的是让非核心能力先让路,保住主链路。

演进信号是提前定好的数字。比如“单表超过 5000 万行且写入 P99 超过 50ms,启动分表”,写进文档,到点触发,而不是等谁想起这件事。

单点清单要具体到“谁挂了、用户看到什么”。Redis 挂了,课程列表回源 MySQL,接口从 200ms 变成 2 秒并触发限流,但预约仍可完成;MySQL 主库挂了,预约整体不可用,只能靠入口挂维护页。写清单的价值在于,故障当下没人还有余裕推演,只能照单执行。

图 2-1 四步设计法的输入、产出与唯一的回退口

如图 2-1 所示,四步是串联的,只有一个回退口:演进信号触发时回到估算,而不是回到需求。需求只有在业务本身变了才改。

三、动手实践 ​

题目来自一家连锁健身品牌,2026 年 5 月找过来。他们有 120 家门店,38 万付费会员。每天 20:00 一次性放出次日全部团课,每店每天 12 节,每节 20 个名额。老系统在放课瞬间会白屏,客服电话打爆。

3.1 第一步:把需求问成四行 ​

追问之后得到四行,其余全部砍掉:

  • 38 万会员里,历史峰值同时在线 12%,约 4.5 万人。
  • 放课后 60 秒是绝对高峰,之后十分钟内衰减到峰值的 15%。
  • 预约成功后不能超卖,同一会员不能重复占位。
  • 允许排队等待,但超过 8 秒要有明确提示,不能白屏。

3.2 第二步:把量算出来 ​

python
# capacity.py —— 连锁健身抢课容量估算
members, online_ratio = 380_000, 0.12
peak_window_s = 60          # 放课后 60 秒
stores, classes_per_store = 120, 12
seats = 20

online = members * online_ratio
# 读:每人峰值窗口内刷新 3 次课程列表
qps_read = online * 3 / peak_window_s
# 写:全部名额在峰值窗口内被抢完
qps_write = stores * classes_per_store * seats / peak_window_s
rows_per_day = stores * classes_per_store * seats
print(f"同时在线 {online:,.0f}")
print(f"课程列表 QPS 峰值 ≈ {qps_read:,.0f}")
print(f"预约写入 QPS 峰值 ≈ {qps_write:,.0f}")
print(f"读放大倍数 ≈ {qps_read/qps_write:,.0f} 倍")
print(f"预约流水 {rows_per_day:,} 条/天,5 年 {rows_per_day*365*5/1e4:,.0f} 万行")
print(f"课程表 {stores*classes_per_store:,} 行/天,5 年 {stores*classes_per_store*365*5/1e4:,.0f} 万行")

运行结果:

text
同时在线 45,600
课程列表 QPS 峰值 ≈ 2,280
预约写入 QPS 峰值 ≈ 480
读放大倍数 ≈ 5 倍
预约流水 28,800 条/天,5 年 5,256 万行
课程表 1,440 行/天,5 年 263 万行

三个结论立刻出来。读请求是写请求的 5 倍,瓶颈在读。写入峰值 480 QPS,任何一台 8 核机器加一个普通 MySQL 都能扛。五年流水 5256 万行,正好卡在单表开始吃力的位置,但也只是“开始吃力”。

于是分库分表可以直接排除。需要的是三件事:把课程列表挡在缓存里、把放课瞬间的流量限住、把扣名额做成原子的。

3.3 第三步:选型,每行写清放弃了什么 ​

环节选择放弃了什么为什么这样够
课程列表读Redis 缓存,TTL 60s,放课前 5 分钟预热最长 60 秒的余位显示偏差读 2280 QPS 全打到 MySQL 会打穿连接池
放课瞬间限流网关按会员维度令牌桶,20 r/s少数人会被拒,需要提示语480 QPS 的写入压力下,读请求才是雪崩源
名额扣减单条带条件的 UPDATE,不做“先查后改”高并发下会有一部分请求直接失败避免超卖,失败可重试,比超卖好收拾
排队等待前端轮询 + 服务端返回排队位置多一次状态接口8 秒内要有反馈,白屏是这次事故的主因
存储单库 MySQL,按门店 ID 建索引以后可能要拆5256 万行还没到必须拆的量

表 2-1 抢课方案的选型表,每行都带代价

表里第三行的做法值得多说一句。很多人的第一反应是“先查余位,再扣减”,两行代码读起来很顺。但在 480 QPS 下,两个请求完全可能同时读到 taken=19,各自算出“还有位置”,然后一起加一,结果卖出 21 个名额。加了行锁也一样,因为两次查询在两次事务里,中间那段空档没有任何东西挡住第二个请求。超卖 1 个名额,线下就要多劝走一位会员,比直接返回“已满”难处理得多。

3.4 第四步:扣名额写成一条语句 ​

防超卖(oversell)的关键是让判断和修改发生在同一条语句里。

sql
UPDATE class_seat
   SET taken = taken + 1, version = version + 1
 WHERE class_id = 88213
   AND taken < capacity;   -- 余位判断与扣减在同一条语句里

运行结果(MySQL 8.4,class_id=88213 当天 capacity=20、已被抢 20 个):

text
Query OK, 0 rows affected (0.004 sec)
Rows matched: 0  Changed: 0  Warnings: 0

Rows matched: 0 就是没抢到。应用层拿到 0 直接返回“已满”,不需要再查一次。这条路径在任何并发下都不会超卖,因为 InnoDB 的行锁保证了同一条记录上的 taken < capacity 判断与写入是串行的。代价是热点行会有锁等待,20 个名额、480 QPS 的量级完全撑得住;如果单节课要放两万个名额,就得换成预扣加令牌分片。

四、常见误解 ​

很多人以为设计要先画架构图。实际上图是最后一步的产物,画图之前那四行需求和一页估算才是评审真正会追问的东西。

很多人以为容量估算要算准。实际上误差三五倍都无所谓,因为结论通常是“差三个数量级”。算不准还硬算到小数点后两位,是在浪费时间。

很多人以为组件越多越显得专业。实际上每多一个组件,就多一个故障域、多一份值班知识、多一条告警。方案里删掉一个中间件,通常比加上一个更难,也更值钱。

五、小结 ​

《架构思维:约束、权衡与设计原则》给了判断一个决策好坏的三条标准,这一章把它们排成了固定的四步,让好决策变成可重复的产出。

  • 四步顺序固定:需求澄清、容量估算、组件选型、故障与演进。顺序一乱,方案就会从“我会什么”倒推。
  • 需求澄清要落到三个数:峰值多少、何时到、能慢到什么程度。
  • 容量估算的产出是排除方案,不是精确预测。抢课这道题算完,分库分表当场出局。
  • 选型表每一行都要有“放弃了什么”这一列,没有这一列的表不能进评审。
  • 故障与演进要落到单点清单和带数字的失效条件上。

六、相关文章 ​

这一章的估算里藏着一个假设:缓存能挡住 2280 QPS。假设成立与否,取决于缓存怎么用。相关文章把这个假设拆开,讲清穿透与雪崩怎么发生、异步化能削掉多少峰、读写分离与分库分表到哪一步才该上,以及怎么用压测把纸面数字换成实测曲线。

继续阅读:[《高并发:缓存、异步与容量测算》 高并发:缓存、异步与容量测算](/guide/architecture/high-concurrency-capacity-model.html)