赵海平大神谈异步处理对分布式系统的优化

单机时代的数据请求

十五年前写软件是很简单的，一个Client对应一个DB Server，或者多个Client对应一个DB Server，每一个Client执行各自的服务。当时的讨论很多是说，这个东西要写在Client端还是写在DB Server端，流行的思路有两种：

1.把DB Server写得很复杂，比如Oracle数据库，而Client端则写得很简单，只有调用返回
2.DB很简单，只有简单的表，而Client写得复杂。很多创业公司会这样做，因为他们对SQL不是很熟悉，但是很熟悉PHP。早期Facebook就是典型的代表

大数据时代的数据请求

单机时代随着两个趋势而逐渐成为历史。一个趋势是随着互联网的流行，越来越多的人开始上网使用Web服务，而且很多时候用户增长速度是非常快的，结果造成一台DB Server无法储存下所有用户的数据。第二个趋势是计算机能力越来越强，网络服务针对每一个用户要做的事情也变多了，比如Facebook不仅要保存一个用户的个人信息，还有他的关系链信息，他的使用习惯、点击习惯等，就造成一个用户的数据量也大大增加，仅仅访问一个DB Server就准备好一个页面变成了不可能的事情。

这就带来了一个问题：针对多个DB Server的程序应该怎么写？

针对这个问题也有两个思路：

1.串行同步。先query DB1，返回res1，再使用res1做另一个DB的query，返回res2。这是在第二个Query依赖第一个Query结果的情况
2.并行同步。针对DB1的query跟针对DB2的query同步进行。这是两个Query之间没有依赖关系的情况。Facebook早期专门写了一个并行处理的函数，用法是 ExecParallelQuery(conn1,Query1,conn2,Query2)
这个时候的代码就比以前的代码更加复杂了，不过还是能实现需要实现的需求。但这时候带来了一个新的问题，就是等待。一个页面的加载可能需要调用不同的函数，而不同的函数可能是由不同的团队写的。比如获取朋友关系的函数getFriends把自己需要的数据用同步的方式获取了，但如果一个第三方开发者过来，则不仅要调用这个函数，还需要调用其他函数，这样其他函数的执行就需要等待前面这个getFriends函数返回了结果之后才能开始执行，就很慢了。

要如何做到并行处理在代码层面很直观，在机器上的执行效率又好呢？

异步的处理思路就是这么来的。

所谓异步就是，我这个函数知道这里需要访问哪几个DB Server，但我先不着急去访问，而是先记录一下，等等看其他函数是不是也要访问这个DB，如果有的话，待会儿再一起去访问。异步处理的指令比如说是 conn.asyncExec(Query) ，这个可以立刻返回一个Future对象，意思就是“待会儿再去执行”。如果每个函数都返回这种Future对象，那么就可以根据这些Future对象来判断哪些请求没有依赖可以并行处理，哪些请求有依赖需要串行处理了。如此，不同的团队写出来的函数就不用一个等一个，而是可以在更高层面上互相合作。

然而这又带来了一个问题，那就是异步处理的写法是具有传染性的。如果一个服务中有的函数写的异步，有的函数没写异步，就会造成有的函数返回了Future Object，有的函数返回了数值，导致无法执行。要实现异步，需要关联的所有函数都用异步的写法返回Future Object才可以。

所以Facebook在转向异步处理的过程是非常痛苦的，一开始做了局部修改，再修改调用了局部修改过的函数的函数，所有调用的调用都要修改，最后全部改成了异步，只要有调用远程服务IO的操作都要改。每一个DB Query都拆分成两步，一个set request，一个receive response。这里的工作量很大，所以如果创业团队的话，最好是第一天就用正确的写法，就不会这么痛苦。

所有函数改写后，每一个函数执行都会返回Future Object。那么异步处理的第一步，就是将这些Future Object形成一棵依赖树的结构，好像这样：

这里每个节点都是一个Future对象，每一个Future对象有两种状态，一个是等待执行，一个是完成执行。同级的节点是没有依赖关系的，可以并行执行；上下节点是有依赖关系的，需要串行执行，先执行下层再执行上层。

树结构形成后，从下到上执行，直到最上面的top parent节点被执行进入完成执行的状态，就是完成，比如一个页面加载完毕。

所以异步处理之后有一个很有意思的情况，那就是PHP这个语言已经跟以前不同了，不再是一上来就是执行，而是一上来先lazy一下，看清楚所有的Query之后再执行。

异步处理还需要解决的问题

到目前为止，这样做异步处理似乎已经是足够好的优化，但实际上还有问题。看看下面这个例子。

比如我们现在有两个查询需求。一个是查询你在淘宝上买过东西的朋友，另一个是查询你在淘宝上买过保时捷的朋友。常理来说，我们会先想到查询你在淘宝上的朋友，再进行另一个条件的查询，比如这样：

1. IdList friends = waitFor(getFriends(myId));   
2. yield return getTaoBaoBuyers(friends);  

但是对于保时捷这个查询而言，这是不对的，因为淘宝上买保时捷的人是很少的，可能就一两个，而淘宝上的好友数可能有上百。因此保时捷的查询应该是这个次序比较优化：

1. IdList buyers = waitFor(getPorscheBuyer());   
2. yield return getFriends(buyers);  

这个次序应该如何决定？实际上不应该在写程序的时候决定，因为写程序的时候是无法避免有先后顺序的——编辑器只能一行一行的写代码，但是机器执行却无需管这个。所以更好的方法应该是在执行代码之前再加入一个phase。

其实传统数据库的cardinality（基数）功能已经解决了这个问题。你在DB query里面使用 INNER JOIN 这个指令，其实DB已经能够预判哪一个表给出的row会比较少，从而以更优化的次序去执行。但现在我们用的编程语言，无论是PHP，Java，Python还是C/C++，并没有考虑这个问题。有人会开很多线程来解决这个问题，但这不是最佳方案，因为在Linux系统里，你的线程数要是上了200-300，就会有很大的overhead。

代码执行的次序，这是一个。另外最近几年还有一个流行的优化思路，就是上memcache。我们有时候会看到程序员把他自己的函数放进了memcache，相当于是依赖树的中间的一个节点，我就问他为什么要把他这个Class放入memcache，他可能会说，他觉得这个节点和这个节点的child被调用的次数多。我觉得这可能不是特别理想的。你今天觉得这个Class被调用的多，可以放进memcache，但明天是不是会有更重要的Class会更值得放进memcache，于是你又要把memcache的资源让给这个新的Class？如果你放入memcache的Class并不是最重要的，这就相当于真正优化的可能性被拿走了。

如何让异步执行的更好？

哪个query先执行，哪个query后执行，不应该是在编码阶段来做的。哪个Class该进memcache，哪个Class该出memcache，也不应该在编码阶段来做。应该有一个中间的阶段，专门进行这种调度工作，然而到目前为止，还没有公司能够做到，因为没有合适的语言。

异步处理在分布式系统中怎样做有更好的优化作用，我们需要更多的思考。希望大家能够把计算机当作科学去思考，而不仅仅是工程应用。我们现在看十几年前，对单机是非常了解了，那么未来过了五年十年再回来看，可能对分布式系统也会了解的比现在更多很多，可能给分布式系统写程序也会变得跟给单机写程序一样简单。当然这就需要更合适的工具语言去给大家提供这种异步的便利。是不是会有Haskell那样lazy的方式从系统层面解决这个问题？希望跟大家一起思考探讨。