三年架构设计：从0到10亿的后端 scalability 实践

文章配图，仅供参考

　　当时会议室空调坏了，外头下着雨，我穿着湿透的衬衫坐第二排，运维小王在后排偷偷啃煎饼果子，油渍都渗到会议纪要上了。架构师老张开场就甩了张图：2023年Q2到2026年Q1的QPS曲线，从每天八百万涨到两亿三，中间有三次断崖式下跌——2024年6月那次，他说“是因为Redis集群选型错了，我们直接砍了三个节点，让剩下的机器自己扛”；2025年3月那次更狠，“MySQL主从延迟超过五秒，我们直接把写操作切到TiDB，读操作还是用MySQL，谁扛不住谁死”。

　　我听着直皱眉：“这不就是把问题甩给系统自己解决吗？”老张一拍桌子：“对啊！我们测试组当时提了二十七个风险点，结果生产环境真出问题时，发现只有三个是致命的——其他二十四个，要么系统自己扛过去了，要么用户根本没感知。”他指着屏幕上的曲线，“你看2025年9月那次，QPS突然涨了四倍，我们连扩容脚本都没跑，系统自己把冷数据甩到对象存储，热数据全塞进内存，三天后自动恢复平衡——这他妈叫‘优胜劣汰’，能活下来的模块才是好模块。”

　　运维小王突然举手：“那2024年12月那次，我们监控报警炸锅，结果你们说‘不用管，让机器自己熔断’？”老张点头：“对，当时订单服务超时率涨到15%，我们没加机器也没降级，就让它自己熔断——结果发现是第三方支付接口慢了，我们直接把超时时间从三秒调到五秒，熔断阈值从50%调到70%，两天后支付接口自己恢复了，我们的超时率反而降到2%。”他冷笑，“要是按你们运维的套路，早就扩容十台机器，结果支付接口还是慢，钱花了问题没解决，谁背锅？”

　　我低头翻测试报告——2025年Q2我们确实提过“熔断策略过于激进”的风险，但被架构组打回来了，理由是“生产环境需要更强的自适应能力”。当时我还跟测试主管吵了一架：“这他妈哪是自适应，分明是碰运气！”现在看曲线，那段时间的超时率确实波动大，但整体趋势是向下的。我原以为他们是在瞎搞，结果人家真的靠“让系统自己选”熬过来了。

　　中间老张突然接了个电话，是生产环境报警，他看了眼手机说“没事，是新上线的推荐服务在自愈——我们故意没写降级逻辑，让它自己崩溃重启，现在恢复率99.7%”。挂了电话他继续讲：“2026年1月那次大促，我们连压测都没做，直接把流量灌进去——结果发现缓存穿透问题比预期严重，但系统自己把热门商品的缓存TTL从五分钟调到一分钟，冷门商品的TTL从一小时调到十分钟，三天后缓存命中率反而从85%涨到92%。”他敲着桌子，“你们测试组总说‘要覆盖所有边界条件’，但生产环境哪有什么边界？用户行为是随机的，第三方服务是不可控的，我们唯一能做的，就是让系统自己学会‘优胜劣汰’。”

　　散会时雨停了，我站在走廊里抽烟，测试主管凑过来：“你觉得这架构能撑到2027年吗？”我吐了个烟圈：“说不准——但有一点我服，他们敢把生产环境当试验场，敢让系统自己选活路。我们测试组总想着‘提前发现问题’，结果发现的问题要么是假的，要么系统自己能解决——你说我们是不是白干了？”他笑了：“白干倒不至于，但下次提风险点时，得加一句‘建议让系统自愈，观察三天再决定是否干预’。”

　　现在我最愁的是，下次测试用例该怎么写——以前是“如果A条件满足，则触发B逻辑”，现在得改成“如果A条件满足，观察系统是否自动触发B/C/D逻辑，若未触发再人工干预”。这他妈比写自动化脚本还难，毕竟机器的“优胜劣汰”逻辑，我们根本猜不透。

（编辑：站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!