建设一个靠谱的火车票网上订购系统（续）
每到春运，买火车票就成为头痛的事情。今年铁道部开设了网上购票，本来是件惠民的好事儿，但是由于订票网站 http://www.12306.cn，没能快速地处理用户的查询和订单，引起网友的冷嘲热讽。
@王津 THU 在微博上替 12306 辩解了几句 [1]，立刻成为众矢之的。王津有点冤，首先 12306 系统的确有技术难度，初次亮相，出点洋相，在所难免。其次，王津似乎没有参与 12306 项目，大家骂错了人。
即便王津是项目负责人，大家开骂也不解决问题。今年骂完了，明年是不是接着骂？不如讨论一些有建设性的设计方案，但愿明年春运时，大家能够轻松买到车票。
有评论说，“你们这些建议都是 YY，铁道部不会听你的”。
你说了，铁道部不一定会听。但是你不说，它想听也听不到。为自己，为亲友，为老百姓，说总比不说好。
又有评论说，你们这些设计，“都是大路货，没技术含量”。
12306 网站不是研究项目，而是旨在解决实际问题。此类系统的设计原则，实效是首要目标，创新是次要目标。
@简悦云风 提了个建议，分时出票，均摊流量。“卖票这种事情，整个需求量（总出票数）摆在那里在。把峰值请求压下来在时间轴上（前后要卖几百小时呢）平摊，业务量就那么点。网站被峰值请求冲挂了，只能是因为简单的问题都没处理好”[2]。
这个办法的确没有什么技术含量，但是很明快很实用，所以是值得推崇的好办法好思路。
说实话，像 12306 这样受众广大的系统，能不创新，尽量别创新。因为创新是有风险的，在 12306 网站玩创新，你是不是把上亿着急回家过年的老百姓，当成实验小白鼠了？
创新主要是学界的活儿。学界强调另辟蹊径，即便新路不如老路好走，但是或许在某某情况下，新路的办法有一定优势。如果是这样，新路仍然有存在的价值。
务虚完毕，下面务实。
一。找到核心问题。
1 月 12 日，拙作 “建设一个靠谱的火车票网上订购系统” 发表后 [3]，收到不少同行的反馈。归纳一下，主要有两类评论，
1. “真正的瓶颈，一般会出在数据库上，怎么解决数据的问题，才是核心”。
2.“如果大量的黄牛阻塞队列或者被 DDOS 攻击的情况下，普通用户会等到崩溃”。
也就是说，支付与登录是 12306 系统的两大短板。
@FireCoder 著文分析 12306 的用户体验和系统瓶颈，印证了上述两个问题。
“最难的两关是登陆和支付，这也是用户体验最糟糕的两步。登陆是最难闯的一关，验证码验证码验证码…，每次尝试等待若干时间，然后总是一个系统繁忙。这是令人着急和上火的一步。支付则是悲催的一步，订单到手，接着在 45 分钟内超时自动取消” [4]。
官方新闻报导，也证实了这两个问题很突出。
“今年购买火车票最大亮点是，可以登录 www.12306.cn 中国铁路客户服务中心，在网上订票。最新统计显示，7 天内，12306 网站访问用户已占全球互联网用户的 0.902%，每天点击量高达 10 亿人次。12306 网站的带宽已经从最初的 400 兆扩充到了 1.5G，但是每天 10 亿次的点击量，仍然弥补不了网上登录和支付的短版。据了解，12306 网站正在进行后台调试，争取让订票和网上支付系统分开运行，互不交叉，避免拥堵，让整个订票支付流程更加顺畅” [5]。
二。单机与分布式。
有人问，12306 订票系统，为什么不用现成的 IBM z/TPF?
@周洪波-TSP 老师回复，“z/TPF 目前仍然是集中式交易处理量最大的，不过如果每张票都要经过 TPF 做唯一性 TP 确认，z/TPF 也是远远不能达到中国铁路处理量要求，需要分布式处理和缓存（队列）技术来分散压力” [6]。
赞同周老师的观点。好汉难敌四虎，再彪悍的武士，也抵挡不住千军万马的围攻。对于中国春运这样的流量冲击，再牛的单机终归会有容量上限，所以单机基本不靠谱。
靠谱的办法，是分布式。分布式需要解决的问题，是如何切割。切割流程，切割数据。
三。横向切割流程。
拙文 [3] 讨论了把 12306 系统，按登录、查询、订票三类业务，切割成三种流程。其中查询业务，又可以再切割成三种，查询车次时间表、查询某车次余票、查询某用户订购了哪些车票。
为什么要不厌其烦地切割流程？因为不同流程的环节构成不同，不同流程用到的数据也不一样，有些是静态数据，例如车次时间表，有些是动态数据，例如余票和乘客订购的车次座位。分而治之，有利于优化效率，也有利于让系统更皮实，更容易维护。
静态数据，更新少，尽可能存放在缓存（Cache）里，读起来快，而且不给数据库添麻烦。例如车次路线和时间表查询，就应该这样处理。
只有动态数据，才必须存放在数据库中。动态数据在数据库中，存放的方式是表。例如，查询余票与订票，就必须这样处理。
四。切割数据。
在 12306 系统中，最关键的数据，是各个车次各个座位的订购状态。存放这些数据的数据格式，是订票表。
最简单的订票的表设计，或许是设置若干列（车次，日期，座位，路段 1,… 路段 N）。例如高铁 G19，从北京始发，途径济南和南京，终点是上海，共三个路段。乘客甲，订购某日 G19 某座位，从北京始发，途径济南，到南京下车。乘客乙也订购了同日同车次同座位，但是从南京上车，到上海下车。那么这张表中，就会有一行，（G19，X 日，Y 座位，乘客甲 ID，乘客甲 ID，乘客乙 ID）。
如果把全国所有日期的所有车次，全部集中在一个数据库实例的同一张表中，那么势必造成数据库的拥塞。所以，必须对表做切割。
@李思 Samuel 建议横向切，也就是按行切，“假定现在有 100 张北京到上海的车票可售，如果有 10 个卫星数据库，那么在未来 1 秒内，每个卫星数据库各有 10 张票可售。1 秒以后，各卫星数据库向中心数据库提交本地余票量，并由中心数据库重新分配”[7]。
这个办法的确可以达到减少中心数据库负载的目的。但是顾虑是卫星数据库，必须频繁地与中心数据库同步（李思建议每一秒同步一次）。同步不仅导致内网中的数据流量加大，另外，同步需要上锁。分布式锁机制相当复杂，也容易出故障。实际运行中，搞不好会出乱子。
我的办法是纵向切，根据不同车次，以及同一个车次的不同日期，切成若干表，放进多个数据库中去。这样，每张表只有（座位，经停站 1, … 经停站 N）几列。假如每趟火车的载客人数不超过 5000 人，那么每张表的行数也不会超过 5000 行。
同一个车次，不同日期，分别有一张表。这样做的好处是，可以方便地实现分时出票。假如提前十天出票，今天是 1 月 16 日，那么在 G19 车次的数据库中，存放着 1 月 16 日到 1 月 26 日的 10 张表，今晚打烊期间，数据库清除今天的表，并转移到备份数据库中，作为历史记录。同时增添 1 月 27 日的表。明天一早开门营业时，乘客就可以预定 1 月 27 日的车票了。
把不同车次的表，分别存放在不同的数据库中去，可以有效降低在每个数据库外面，用户排队等待的时间，同时也避免了同步和上锁的麻烦。
另外，假如每趟火车的座位不超过 5000 个，每趟火车沿线停靠的车站不超过 50 个，那么每个车次数据库外面，排队订票的队列长度，不必超过 50 x 5000 = 250,000。理由是，火车上每个座位，最多被 50 位乘客轮流坐，这种极端情况，出现在每位乘客只坐一站。
五。订票流程。
图一。订票流程的异步的事件驱动的服务协作模式。
Courtesy http://i879.photobucket.com/albums/ab351/kan_deng/12306-2.png
图一描述了订票的内部流程。例如有乘客想订两张联票，G11 从北京到南京，然后 D3068 从南京到合肥。他从查询页面看到这两趟列车有余票，于是他点击订票。
“订票拆解” 服务收到他的订票请求后，先通知 “下单调度” 服务，跟踪和处理该订单的后续工作，参见图中 1.1 和 1.2。然后 “订票拆解” 服务分别向 G11 和 D3068 两个车次的预订队列，插入请求，分别预订两个座位，参见 1.3。
G11 和 D3068 两个车次的订票请求，在各自的预订队列中排队等待。排队结束后，G11 和 D3068 的 “预订队列” 服务，分别查询各自的数据库，是否还剩余两个座位，参见 2.1。
G11 车次数据库收到指令后，查询订票表中，是否有两行（对应两个座位），从北京到南京途经的各个路段，对应的列的值，是否都是空。如果有，把这些值改写为订单中的乘客 ID。
如果预订成功，G11 车次 “预订队列” 服务，把订单号以及预订的座位号等等，发送给 “下单调度” 服务。如果没有余票，预订的座位号为空。参见 2.2。
“下单调度” 服务，会先后收到 G11 和 D3068 两个 “预订队列” 服务，发来的预订信息。只有 G11 和 D3068 都预订成功，“下单调度” 服务才会指挥网站前端，显示网银下单网页，参见 3.1 和 3.2。
弹出网银下单网页后，如果在 45 分钟内，“下单调度” 服务收到网银的回执，汇款到账，那么 “下单调度” 服务就通知用户，订票成功，以及座位号，参见 4.1。如果没有及时收到汇款，“下单调度” 服务就给车次数据库发指令，让它们把预订座位相应的数据，逐一清零，参见 4.2。
六。纵向切割流程。
前文中谈到流程切割，主要是按照业务类型切割，是横向切割。对于某一个业务流程，例如订票流程，还可以根据不同环节，做纵向切割。
图一描述了几个服务，分别是 “订票拆解”、“下单调度”、“预订队列”、和 “网银下单”。之所以是 “服务”，而不是模块，是因为这些业务逻辑，各自运行在相互独立的线程上，甚至不同机器上。
在没有任务时，这些服务的线程处于等待状态。一旦接收到任务，线程被激活。所以，订票系统是异步的（Asynchronous）事件驱动的（Event-driven）的系统架构 [8]。这种系统架构，在当下被称作，面向服务的系统架构（Service-Oriented Architecture，SOA）。
之所以采用面向服务的系统架构，最主要的动机是方便扩展吞吐量。
例如在图一中，“下单调度” 是一个枢纽，如果流量压力太大，单个机器承受不住怎么办？采用了上述设计，只要加机器就行了，方便，有效，皮实。
七。登录流程。
除了支付是短板以外，登录也是突出问题，尤其是大量用户不断刷屏，导致登录请求虚高。
应对登录洪峰的办法，说来简单，可以放置一大排 Web Servers。每个 Web Server 只做非常简单的工作，读用户请求的前几个 Bytes，根据请求的业务类型，迅速把用户请求扔给下家，例如查询队列。
Web Server 不甄别用户是否在刷屏，它来者不拒，把用户请求（也许是刷屏的重复请求），扔给业务排队队列。队列先查询用户 ID 是否已经出现在队列中，如果是，那么就是刷屏，不予理睬。只有当用户 ID 是新鲜的，队列才把用户请求，插入队尾。
这个办法不难，但是经受住了实践考验。
例如 2009 年 1 月 20 日，奥巴马就任美国总统，并发表演说。奥巴马就职典礼期间，Twitter 网站每秒钟收到 350 条新短信，这个流量洪峰维持了大约 5 分钟。根据统计，平均每个 Twitter 用户被其他 120 人关注，也就是说，每秒 350 条短信，平均每条都要发送 120 次。这意味着，在这持续 5 分钟的洪峰时刻，Twitter 网站每秒钟需要发送 350 x 120 = 42,000 条短信。
Twitter 应对洪峰流量的办法，与我们的设计相似，参见拙作 “解剖 Twitter，4”[9]。
有观点质疑，“Twitter 业务没有交易, 2 Phase Commit, Rollback 等概念”，所以 Twitter 的做法，未必能沿用到 12306 网站中来 [6]。
这个问题问得好，但是交易、二次确认、回放等等环节，都出现在 12306 系统的后续业务流程中，尤其是订票流程中，而登录发生在前端。
我们设计的出发点，是前端迅速接纳，但是后端推迟服务，一言以蔽之，通过增加前端 Web Servers 机器数量来蓄洪。
又有观点质疑，通过蓄洪的办法，Twitter 每秒能处理 42,000 条短信，但是 12306 面对的洪峰流量远远高过这个数量。增加更多前端 Web Servers 机器，是否能如愿地抵抗更大的洪峰呢？
每逢 “超级碗 SuperBowl” 橄榄球赛，Twitter 的流量就大涨。根据统计，在 SuperBowl 比赛时段内，每分钟 Twitter 的流量，与当日平均流量相比，平均高出 40%。在比赛最激烈时，更高达 150% 以上。
面对排山倒海的洪峰流量，Twitter 还是以不变应万变，通过增加服务器的办法来蓄洪抗洪。更确切地说，Twitter 临时借用第三方的服务器来蓄洪，而且根据实时流量，动态地调整借用服务器的数量 [10]。
值得注意的是，Twitter 把借来的服务器，主要用于前端，增加 Apache Web Servers 的数量。而不是扩充后端，以便加快推送等等业务的处理速度。
这一细节，进一步证实 Twitter 的抗洪措施，与我们的相似。强化蓄洪能力，而不必过份担心泄洪能力。
Reference，
[1] “海量事务高速处理系统” 是一种非常特别的系统，恳请大家不臆测不轻视类似 12306 系统的难度。
http://weibo.com/2484714107/y0i3b53dd
[2] @简悦云风 的微博
http://weibo.com/deepcold
[3] 建设一个靠谱的火车票网上订购系统
http://blog.sina.com.cn/s/blog_46d0a3930100yc6x.html
[4] 12306 的问题
http://blog.csdn.net/firecoder/article/details/7197959
[5] 铁道部订票网站或分开运行订票与支付系统
http://news.qq.com/a/20120116/000024.htm
[6] @周洪波-TSP 的微博
http://weibo.com/iotcloud
[7] @李思 Samuel 的微博
http://weibo.com/u/1400321871
[8] SEDA: An Architecture for Well-Conditioned,Scalable Internet Services
http://www.eecs.harvard.edu/~mdw/papers/seda-sosp01.pdf
[9] 解剖 Twitter，4 抗洪需要隔离
http://blog.sina.com.cn/s/blog_46d0a3930100fd5c.html
[10] 解剖 Twitter，6 流量洪峰与云计算
http://blog.sina.com.cn/s/blog_46d0a3930100fgin.html
