现代IM系统中的消息系统架构 - 模型篇

朱雀 2022-01-14 05:13 158阅读 0赞

[2019独角兽企业重金招聘Python工程师标准>>> ][2019_Python_] ![hot3.png][]

# 前言 #

在[架构篇][Link 1]中我们介绍了现代IM消息系统的架构，介绍了Timeline的抽象模型以及基于Timeline模型构建的一个支持『消息漫游』、『多端同步』和『消息检索』多种高级功能的消息系统的典型架构。架构篇中为了简化读者对Tablestore Timeline模型的理解，概要性的对Timeline的基本逻辑模型做了介绍，以及对消息系统中消息的多种同步模式、存储和索引的基本概念做了一个科普。

本篇文章是对架构篇的一个补充，会对Tablestore的Timeline模型做一个非常详尽的解读，让读者能够深入到实现层面了解Timeline的基本功能以及核心组件。最后我们还是会基于IM消息系统这个场景，来看如何基于Tablestore Timeline实现IM场景下消息同步、存储和索引等基本功能。

# Timeline模型 #

Timeline模型以『简单』为设计目标，核心模块构成比较清晰明了，主要包括：

*  Store：Timeline存储库，类似数据库的表的概念。
 *  Identifier：用于区分Timeline的唯一标识。
 *  Meta：用于描述Timeline的元数据，元数据描述采用free-schema结构，可自由包含任意列。
 *  Queue：一个Timeline内所有Message存储在Queue内。
 *  Message：Timeline内传递的消息体，也是一个free-schema的结构，可自由包含任意列。
 *  Index：包含Meta Index和Message Index，可对Meta或Message内的任意列自定义索引，提供灵活的多条件组合查询和搜索。

## Timeline Store ##

![c964cd82860aff4e70ebc8cd1dddb655eb4.jpg][]

Timeline Store是Timeline的存储库，对应于数据库内表的概念。上图是Timeline Store的结构图，Store内会存储所有的Timeline数据。Timeline是一个面向海量消息的数据模型，同时用于消息存储库和同步库，需要满足多种要求：

*  **支撑海量数据存储**：对于消息存储库来说，如果需要消息永久存储，则随着时间的积累，数据规模会越来越大，需要存储库能应对长时间积累的海量消息数据存储，需要能达到PB级容量。
 *  **低存储成本**：消息数据的冷热区分是很明显的，大部分查询都会集中在热数据，所以对于冷数据需要有一个比较低成本的存储方式，否则随着时间的积累数据量不断膨胀，存储成本会非常大。
 *  **数据生命周期管理**：不管是对于消息数据的存储还是同步，数据都需要定义生命周期。存储库是用于在线存储消息数据本身，通常需要设定一个较长周期的保存时间。而同步库是用于写扩散模式的在线或离线推送，通常设定一个较短的保存时间。
 *  **极高的写入吞吐**：各类场景下的消息系统，除了类似微博、头条这种类型的Feeds流系统，像绝大部分即时通讯或朋友圈这类消息场景，通常是采用写扩散的消息同步模式，写扩散要求底层存储具备极高的写入吞吐能力，以应对消息洪峰。
 *  **低延迟的读**：消息系统通常是应用在在线场景，所以对于查询要求低延迟。

Tablestore Timeline的底层是基于LSM存储引擎的分布式数据库，LSM的最大优势就是对写入非常友好，天然适合消息写扩散的模式。同时对查询也做了极大优化，例如热数据进缓存、bloom filter等等。数据表采用Range Partition的分区模式，能提供水平扩展的服务能力，以及能自动探测并处理热点分区的负载均衡策略。为了满足同步库和存储库对存储的不同要求，也提供了一些灵活的自定义配置，主要包括：

*  Time to live（数据生命周期）：可自定义数据生命周期，例如永久保存，或者保存N天。
 *  Storage type（存储类型）：自定义存储类型，对存储库来说，HDD是最好的选择，对同步库来说，SSD是最好的选择。

## Timeline Module ##

![0f21c58f349d220973de9791ef28f42b463.jpg][]

Timeline Store内能存储海量的Timeline，单个Timeline的详细结构图如上，可以看到Timeline主要包含了三大部分：

*  Timeline Meta：元数据部分，用于描述Timeline，包括：

*   *  **Identifier**：用于唯一标识Timeline，可包含多个字段。
     *  **Meta**：用于描述Timeline的元数据，可包含任意个数任意类型的字段。
     *  **Meta Index**：元数据索引，可对元数据内任意属性列建索引，支持多字段条件组合查询和检索。

*  Timeline Queue：用于存储和同步消息的队列，队列中元素由两部分组成：

*   *  **Sequence Id**：顺序ID，队列中用于定位Message的位点信息，在队列中顺序ID保持递增。
     *  **Message**：队列中承载消息的实体，包含了消息的完整内容。

*  Timeline Data：Timeline的数据部分就是Message，Message主要包含：

*   *  **Message**：消息实体，其内部也可以包含任意数量任意类型字段。
     *  **Message Index**：消息数据索引，可对消息实体内任意列做索引，支持多字段条件组合查询和检索。

# IM消息系统建模 #

![affca3dd3e9feb5e17fed866ba9c26bdcf4.jpg][]

以一个简易版IM系统为例，来看如何基于Tablestore Timeline模型建模。按照上图中的例子，存在A、B、C三个用户，A与B发生单聊，A与C发生单聊，以及A、B、C组成一个群聊，来看下在这个场景下消息同步、存储以及读写流程分别如何基于Tablestore Timeline建模。

**消息同步模型**

消息同步选择写扩散模型，能完全利用Tablestore Timeline的优势，以及针对IM消息场景读多写少的特性，通过写扩散来平衡读写，均衡整个系统的资源。写扩散模型下，每个接收消息的个体均拥有一个收件箱，所有需要同步至该个体的消息需要投递到其收件箱内。图上例子中，A、B、C三个用户分别拥有收件箱，每个用户不同的设备端，均从同一个收件箱内拉取新消息。

**消息同步库**

收件箱存储在同步库内，同步库中每个收件箱对应一个Timeline。根据图上的例子，总共存在3个Timeline作为收件箱。每个消息接收端保存有本地最新拉取的消息的SequenceID，每次拉取新消息均是从该SequenceID开始拉取消息。对同步库的查询会比较频繁，通常是对最新消息的查询，所以要求热数据尽量缓存在内存中，能提供高并发低延迟的查询。所以对同步库的配置，一般是需要SSD存储。消息如果已经同步到了所有的终端，则代表收件箱内的该消息已经被消费完毕，理论上可以清理。但设计上来说不做主动清理，而是给数据定义一个较短的生命周期来自动过期，一般定义为一周或者两周。数据过期之后，如果仍要同步拉取新消息，则需要退化到读扩散的模式，从存储库中拉取消息。

**消息存储库**

消息存储库中保存有每个会话的消息，每个会话的发件箱对应一个Timeline。发件箱内的消息支持按会话维度拉取消息，例如浏览某个会话内的历史消息则通过读取发件箱完成。一般来说，新消息通过在线推送或者查询同步库可投递到各个接收端，所以对存储库的查询会相对来说较少。而存储库用于长期存储消息，例如永久存储，相对同步库来说数据量会较大。所以存储库的选择一般是HDD，数据生命周期根据消息需要保存的时间来定，通常是一个较长的时间。

**消息索引库**

消息索引库依附于存储库，使用了Timeline的Message Index，可以对存储库内的消息进行索引，例如对文本内容的全文索引、收件人、发件人以及发送时间的索引等，能支持全文检索等高级查询和搜索。

# 总结 #

本篇文章主要对Tablestore Timeline模型进行了详解，介绍了Timeline各模块包括Store、Meta、Queue、Data和Index等，最后以一个简单的IM场景举例如何基于Timeline来建模。

[原文链接][Link 2]  
本文为云栖社区原创内容，未经允许不得转载。

转载于:https://my.oschina.net/u/1464083/blog/3053628

[2019_Python_]: https://my.oschina.net/u/2663968/blog/3061697
[hot3.png]: /images/20220114/56ee4520251d47369afc2f199b3c51a7.png
[Link 1]: https://yq.aliyun.com/articles/698301
[c964cd82860aff4e70ebc8cd1dddb655eb4.jpg]: /images/20220114/ec8e47edfb8c4c768d5d6595766d9a61.png
[0f21c58f349d220973de9791ef28f42b463.jpg]: /images/20220114/4cefaed14d8b4f44b10e27fef8a54b9c.png
[affca3dd3e9feb5e17fed866ba9c26bdcf4.jpg]: /images/20220114/19833c042c104c15a4480c9df35c56d8.png
[Link 2]: https://yq.aliyun.com/articles/701593?utm_content=g_1000059526