假如我是核酸系统架构师...
点击关注公众号，Java干货及时送达👇
前段时间，成都核酸检测系统“崩溃”事件，将东软推至风口浪尖，同时也在技术圈内引发了广泛的讨论。
开发一个不崩溃的核酸系统到底难不难 ？
这篇文章，作者想象自己是核酸系统架构师，谈谈自己对核酸系统的理解。
1 明确系统边界
作为架构师，首先需要明确系统边界。
核酸检测核心流程：
医护人员打开核酸系统的手机端应用，录入试管编码 ; 医护人员扫描居民的健康码； 医护人员采集咽拭子标本 ； 检测结束之后，医护人员将检测标本送至检测中心； 检测中心将检测结果提交到核酸系统，然后核酸系统会将核酸结果同步到健康码系统。
成都核酸系统崩溃时，流程阻塞在步骤一和二。
本文里我们提到的核酸系统，也就是指医护人员使用的系统。而核酸检测系统会将检测结果同步到健康码系统 , 健康码系统面向的是大众居民 , 是高频场景。
对于成都市居民来讲，与他们关系最为密切的就是两套系统。
核酸系统：核酸医护人员使用 , 东软负责开发和维护； 天府健康通：广大市民使用，腾讯研发和维护。
2 崩溃疑云
核酸系统软件是属于政府购买 (TO G)，市民使用 (TO C) 。
核酸系统是一个多方协作的系统，它不仅直接和政府有关系，还涉及到多个厂商，一个系统工程背后，除了系统集成商之外，包括多个分包商。比如西安的一码通，曾集结了电信、东软、美林和安恒等公司。
正因为这套系统涉及面之广，当成都核酸系统崩溃时，我们需要冷静下来，缕清条理。
我们先从基础设施层的维度来分析，很多互联网公司会将自己的服务部署在阿里云或者腾讯云，部署方便，也可以动态扩容。
那么核酸系统部署在哪里呢？假如核酸系统是以 SAAS 形态部署（东软自建机房，或者东软采用阿里云/腾讯云服务），那么成都核酸崩溃事件，东软必然脱不了干系 。但东软随后硬气的发了公告：
系统上线后，发现有响应延迟、卡顿等现象，东软集团第一时间组织专家组和坚守现场的公司技术人员，与成都市相关部门一起，排查事故原因，强化安全防护，保证系统运行。据技术专家研判，目前出现的系统响应延迟、卡顿等现象与核酸检测系统软件无关。9月3日零点左右，在进行网络调整之后，系统运行平稳顺畅，效率得到极大提升，当日共完成1200万样本采集量。
假如核酸系统没有问题，会不会是网络问题呢？
成都核酸系统奔溃时，医护人员以为是信号问题，纷纷举起手中的手机，捕捉信号，而排队的市民却可以刷抖音，头条。
9月3日下午4点32分，四川省通信管理局发文称，“全市通信网络运行平稳，各核酸检测点移动网络覆盖良好，没有出现网络拥塞和故障。”
我们基本可以做出判断：成都核酸系统部署在政务云，也就是政府部门提供基础设施 ，应用开发商将软件部署在政务云机房里 。
核算系统崩溃的可能原因：
政务云机房问题
网络问题（负载均衡，带宽，防火墙）, 或者机房服务器出现故障；
核酸系统软件问题
核酸检测软件确实承载能力有限，软件崩溃了。
3 应用层设计
核酸系统是属于高并发应用吗？这里我们做个估算：
人口估算法：
据统计成都市人口2千万多人，假设集中在6小时内做核酸，平均每小时支持的并发人数是3531666。每秒支持的并发约为1000。基于检测人员的集中度不均衡的因素，假设高峰期是平均并发的2-3倍。则每秒并发“核酸登记”2000-3000左右。
检测点估算法：
今年5月份，上海抗疫期间一共有 15000 + 核酸检测点 ，我们假设成都有和上海一样多的核酸检测点。市民在排队核酸检测时，核酸医护人员扫居民健康码的时间间隔在10秒到15秒之间，每个核酸检测点并行两排检测通道，那么每秒并发“核酸登记”也是在 2000-3000 左右。
通过两种估算方法，我们发现：核酸系统的请求并发度并不高。
虽然并发度不高，但每天的业务数据条数量级较高 ，按照东软的公告，每天可以完成1200万核酸样本采集。
假设核酸检测记录一天1000万条数据，一周就有7000万条，1个月就能达到3亿条数据。那么势必要使用分库分表。
医护人员扫市民的健康码 ，核酸登记的请求发送到 api 网关 , api 网关将请求转发到核酸系统； 缓存存储检测点，检测批次等基础信息，核酸系统通过缓存判断业务请求是否合法，若合法，则组装真正的入库的数据； 核酸系统调用分库分表中间件将数据插入到数据库 。
看起来，核酸系统的架构设计还是比较简单清晰的，核心点在于用分库分表硬挡高流量访问。
但现在这种模式就完美了吗 ?
我们举湖北鄂通码举例，核酸登记后，健康码在 10~20 分钟状态会修改成绿色并标识成：核酸已检测，也就是核酸已检测的状态会异步同步到健康码服务。
我们不由得想到了消息队列 MQ ，MQ 最大的优势在于：异步和解耦，MQ 模式还有一个优点：当流量激增时，消息队列还可以起到消峰的作用。
MQ 方案里，核心流程如下：
医护人员扫市民的健康码 ，核酸登记的请求发送到 api 网关 ，api 网关将请求转发到核酸系统； 缓存存储检测点，检测批次等基础信息，核酸系统通过缓存判断业务请求是否合法，若合法，则组装真正的入库的数据； 核酸系统将检测记录发送到消息队列，返回给前端响应成功； 消费者接收消息后调用分库分表中间件将数据插入到数据库 ； 消费者接收消息后同步状态到健康码服务。
在架构设计中，并不是引入了组件就完事了，更需要考虑如何精准的使用组件。
比如，使用消息队列 kafka ，如何保证不丢消息，如何保证高可用。使用了分库分表中间件，是不是需要考虑数据异构，以及冷热分离等。
4 监控平台
我们经常讲：研发人员有两只眼睛，一只是监控平台，另一只是日志平台。
在对性能和高可用讲究的场景里，监控平台的重要性再怎么强调也不过分。
▍一、基础运维监控
基础运维监控负责监控服务器的 CPU、网络、磁盘、负载、网络流量、TCP 连接等指标，并且通过设定报警阈值实时通知指定负责人。
我们在基础设施层这一节里提到：
核酸系统崩溃时，成都政务云不能提供畅通的核酸检测服务 , 可能原因之一是政务云机房问题。
当政务云机房出现问题时，基础运维监控可以帮助运维人员更快的发现问题，并制定解决策略。
▍二、应用系统监控
应用系统监控是研发人员接触最多的一种监控类型，系统出现瓶颈的时候，应用系统监控会有最直观的体现。
笔者一般会关注性能监控，方法可用性监控，方法调用次数监控，JVM 监控这四大类。
性能监控
性能监控不同时间段性能分布，实时统计 TP99、TP999 、AVG 、MAX 等维度指标，这也是性能调优的重点关注对象。
方法调用次数监控
方法调用次数监控可以按照机器，时间段分析接口或者方法的调用次数，当大流量来袭时，可以清晰的看到请求的波动。
方法可用性监控
方法可用性监控是指：当接口被调用或者方法被执行，可能返回异常或者方法执行抛异常，分析该方法是否调用正常，当系统出现严重问题时，方法可用率是一个重要的参考指标。
JVM 监控
JVM 监控是 JAVA 工程师特别关注的监控类型，我们会重点关注：堆内存，GC 频率 ，线程数等等。
▍三、业务监控
业务监控功能是从业务角度出发，各个应用系统需要从业务层面进行哪些监控，以及提供怎样的业务层面的监控功能支持业务相关的应用系统。
具体就是对业务数据，业务功能进行监控，实时收集业务流程的数据，并根据设置的策略对业务流程中不符合预期的部分进行预警和报警，并对收集到业务监控数据进行集中统一的存储和各种方式进行展示。
比如订单系统中有一个定时结算的服务，每两分钟执行一次。我们可以在定时任务 JOB 中添加埋点，并配置业务监控，假如十分钟该定时任务没有执行，则发送邮件，短信给相关负责人。
5 多方协作
很多同学都指责东软失职：“核酸系统在仓促上线之后，到底有没有进行完备的性能测试 ”。
确实，性能测试非常重要 ，通过压测可以知道系统的极限值是多大，当系统承受不住访问时，就会暴露出瓶颈，如服务器 CPU、数据库、内存、响应速度等，从而促使研发团队进行再优化。
这里我们先按捺指责的冲动，核酸系统是一个多方协作的系统，它不仅直接和政府有关系，还涉及到多个厂商，一个系统工程背后，除了系统集成商之外，包括多个分包商。
《核酸检测系统崩溃，东软该不该背锅？》这篇文章提到：
原则上，监督管理部门要把所有厂商叫在一块协同作战。但没有顶层统筹的强压之下，厂商之间的沟通和协调很难达成。大多数情况之下的压测，各个厂商有点“各自为政”的意思。一般，软件厂商会自己测试自己，鲜少几家联合起来测验。“不同厂商坐在一起的时候，大家都觉得自己没有问题，都会觉得是别人的问题。理由也会一致，我们的系统在别的地方跑过，没出岔子"。甚至应对这一局面，各家的心思都极为微妙。“每个厂家在系统上的投入都是一笔不菲的开支，在应急状态之下，如果上面领导没表态，也没明确是公益性质还是有偿的付出，厂家相应选择也是谨慎的。” 因此大多数情况之下的压测，各个厂商有点“各自为政”的意思。一般，软件厂商会自己测试自己，鲜少几家联合起来压测。
这篇文章的一个观点，“这是技术层面之外，一个城市应急预案的管理能力问题。” 我深以为然。
6 总结
假如我是核酸系统的架构师。。。。
我会使用消息队列 + 分库分表来最大程度提升系统的吞吐量。
我会在使用消息队列中间件的时候，重点关注如何不丢失消息，消息系统如何做到高可用。
我会使用分库分表中间件时，重点关注冷热分离，如何将数据异构到数据仓库。
我会在政务云部署监控系统，提供基础运维监控，应用系统监控，业务监控的能力，当系统出现问题时，团队可以以最快的速度发现问题，并解决问题。
可是，核酸系统是一个多方协作的系统，我们不仅需要和政府沟通，也需要和众多三方厂商协作。
也许，当我提出需要更多服务器预算时，政府部门的预算并不充足，或者就算充足了，走流程也要一个月的时间；
也许，当我提出需要部署监控系统，公司会以人力不足为由或者政务云硬件资源不足，否定我的方案；
也许，当我联调时发现一个三方接口速度慢，排查起来（沟通成本）需要 4-7 天时，我也不得不沉浸在琐事中；
直到最后，当系统崩溃时，我也只能叹息到：“尊重技术，尊重专业”。
微信扫码关注该文公众号作者