system-design-patterns

用途

系统设计模式技能用于设计可扩展、可靠且高性能的系统，提供经过验证的模式参考。适用场景包括：设计新系统或新功能、评估架构权衡、规划规模扩展、提升系统可靠性、做出基础设施决策。

核心原则

CAP 定理

一致性（Consistency）：所有节点看到相同数据，代价是更高延迟。
可用性（Availability）：系统响应每个请求，可能返回过期数据。
分区容错性（Partition Tolerance）：系统在网络故障下仍可工作，必须牺牲 C 或 A。

三者选二：CP 适用于银行、库存等一致性关键场景；AP 适用于社交媒体、缓存等可用性关键场景；CA 仅适用于单节点系统（无网络分区）。

ACID 与 BASE

ACID（传统关系型数据库）：原子性、一致性、隔离性、持久性。
BASE（分布式）：基本可用、软状态、最终一致。

可扩展性模式

水平扩展与垂直扩展

垂直扩展（Scale Up）：使用更大的服务器，增加 CPU、内存、存储。优点是实现简单、无需改代码、运维复杂度低；缺点是受硬件限制、单点故障、规模化后成本高。

水平扩展（Scale Out）：增加多台服务器。优点是可近乎无限扩展、容错、规模化后成本效益好；缺点是分布式复杂度、数据一致性挑战、运维开销更大。

负载均衡策略

Round Robin：适用于无状态、同构服务，缺点是无健康感知。
Weighted Round Robin：适用于服务器容量不同的场景，需手动配置。
IP Hash：适用于需要会话保持的场景，缺点是分布可能不均。
Least Connections：适用于长连接，缺点是跟踪有开销。
Least Response Time：适用于延迟敏感应用。
Geographic Based：适用于全球用户，缺点是复杂度高。

数据库扩展

读副本

主库处理写入，通过异步复制同步到多个读副本，读查询路由到副本。示例代码展示了在 ABP 中通过只读仓储与写入仓储实现读写分离。

数据库分片

通过分片路由器根据分片键路由查询。分片策略包括：

范围分片：简单、范围查询可用，但可能出现热点。
哈希分片：分布均匀，但范围查询需要 scatter-gather。
目录分片：灵活，但有查找开销和单点故障。
地理分片：数据本地化，但跨区域查询慢。

缓存模式

Cache-Aside（懒加载）

先查缓存，未命中则从数据库加载并回填缓存；更新时更新数据库并使缓存失效。

Write-Through

写入数据库的同时同步写入缓存。

缓存策略对比

Cache-Aside：最终一致，读多场景，如用户资料。
Write-Through：强一致，读写场景，如金融数据。
Write-Behind：最终一致，写多场景，如分析、日志。
Read-Through：最终一致，读多场景，如参考数据。

可靠性模式

断路器

使用 Polly 实现，在连续异常达到阈值后打开断路器，一段时间后进入半开状态测试恢复。

指数退避重试

使用 Polly 的 WaitAndRetryAsync，重试间隔按 2 的幂次增长（如 2、4、8 秒）。

舱壁隔离

通过限制最大并发执行数与最大排队数隔离故障，防止级联失败。

事件驱动架构

消息队列模式

服务 A 发送消息到消息队列（如 RabbitMQ、Kafka、Azure Service Bus），由消费者服务 B、C 等消费。

事件溯源

存储事件而非状态，通过重放事件重建聚合状态。示例展示了 PatientAggregate 通过 Apply 方法应用事件并支持从事件重建。

设计权衡速查

存储：SQL 与 NoSQL，考虑数据结构与一致性需求。
缓存：Redis 与内存缓存，考虑分布式需求与容量。
通信：同步（HTTP）与异步（队列），考虑耦合与延迟容忍度。
一致性：强一致与最终一致，考虑业务需求。
扩展：垂直与水平，考虑成本、复杂度与限制。

系统设计检查清单

需求（功能与非功能）、规模（预期用户、请求/秒、数据量）、可用性（正常运行时间目标，99.9% 对应每年 8.76 小时停机）、延迟（P50、P95、P99 目标）、数据（存储类型、保留、备份策略）、缓存（缓存内容与失效策略）、安全（认证、加密、合规）、监控（指标、日志、告警）、故障模式（某组件失败时会发生什么）、成本（基础设施与运维开销）。

技能介绍

用途