喜欢就关注我们吧！
MQ理论介绍
一、为什么需要消息队列(MQ)
主要原因是由于在高并发环境下，同步请求来不及处理，请求往往会发生阻塞。大量的请求到达访问数据库，导致行锁表锁，最后请求线程会堆积过多，从而触发 too many connection错误，引发雪崩效应。我们使用消息队列，通过异步处理请求，从而缓解系统的压力。核心：异步处理、流量削峰、应用解耦
二、应用场景
异步处理，流量削峰，应用解耦，消息通讯四个场景
2.1、异步处理
场景1：用户注册后，需要发送注册邮件和注册短信。
串行方式：将注册信息写入
数据库成功后，发送注册邮件，再发送注册短信。以上三个任务全部完成后，返回给客户端
并行方式：将注册信息写入数据库成功后，发送注册邮件的同时，发送注册短信。以上三个任务完成后，返回给客户端。与串行的差别是，并行的方式可以提高处理的时间
假设三个业务节点每个使用50毫秒钟，不考虑网络等其他开销，则串行方式的时间是150毫秒，并行的时间可能是100毫秒。 因为CPU在单位时间内处理的请求数是一定的，假设CPU在1秒内吞吐量是100次。则串行方式1秒内CPU可处理的请求量是7次（1000/150）。 并行方式处理的请求量是10次（1000/100）
小结：如以上案例描述，传统的方式系统的性能（并发量，吞吐量，响应时间）会有瓶颈。如何解决这个问题？
引入消息队列，将不是必须的业务逻辑，异步处理。改造后的架构如下：
按照以上约定，用户的响应时间相当于是注册信息写入数据库的时间，也就是50毫秒。注册邮件，发送短信写入消息队列后，直接返回， 因此写入消息队列的速度很快，基本可以忽略，因此用户的响应时间可能是50毫秒。因此架构改变后，系统的吞吐量提高到每秒20 QPS。 比串行提高了3倍，比并行提高了2倍。
场景2：订单处理，前端应用将订单信息放到队列，后端应用从队列里依次获得消息处理，高峰时的大量订单可以积压在队列里慢慢处理掉。
流量削峰也是消息队列中的常用场景，一般在 秒杀或团抢活动 中使用广泛
应用场景：秒杀活动，一般会因为流量过大，导致流量暴增，应用挂掉。为解决这个问题，一般需要在应用前端加入消息队列。
可以控制活动的人数
可以缓解短时间内高流量压垮应用
让消息不直接到达服务器，而是先让 「消息队列」 保存这些数据，然后让下面的服务器每一次都取各自能处理的请求数再去处理，这样当请求数超过服务器最大负载时，就不至于把服务器搞挂了。
秒杀业务根据消息队列中的请求信息，再做后续处理
场景说明：用户下单后，订单系统需要通知库存系统。传统的做法是，订单系统调用系统库存接口。
传统模式的缺点：
假如库存系统无法访问，则订单减库存将失败，从而导致订单失败
解决订单系统与库存系统耦合，如何解决？
引入消息队列后的方案：
订单系统：用户下单后，订单系统完成持久化处理，将消息写入消息队列，返回用户订单下单成功 库存系统：订阅下单的消息，采用pub/sub(发布/订阅)的方式，获取下单信息，库存系统根据下单信息，进行库存操作
假如：在下单时库存系统不能正常使用。也不影响正常下单，因为下单后，订单系统写入信息队列就不再关心其他后续操作了。实现订单系统与库存系统的应用解耦。
日志处理是将消息队列用在日志处理中，比如Kafka的应用，解决大量日志传输的问题。架构简化如下
日志采集客户端，负载日志数据采集，定时写入Kafka队列
Kafka消息队列，负载日志数据的接收，储存和转发
日志处理应用：订阅并消费Kafka队列中的日志数据
(1) Kafka：接收用户日志的消息队列
(2) Logstash：做日志解析，统一成JSON 输出给Elasticsearch
(3)Kibana：基于Elasticsearch 的数据可视化组件，超强的数据可视化能力是众多公司选择Elkstack的重要原因
消息通讯是指，消息队列一般都内置了高效的通信机制就，因此也可以用在纯的消息通讯。比如实现点对点消息队列，或者聊天室等。
点对点通讯：
客户端A和客户端B使用同一队列，进行消息通讯。
聊天室通讯：
客户端A，客户端B，客户端N订阅同一主题，进行消息发布和接收。实现类似聊天室效果。以上实际是消息队列的两种消息模式，点对点或发布订阅模式。
三、衡量指标
我们从服务性能、数据存储、集群结构三个方面去对比，选择适合自己项目的消息中间件
特性 ActiveMQ RabbitMQ RocketMQ Kafka 单机吞吐量 万级 万级 十万级 十万级 topic 数量对吞吐量的影响 - - topic 可以达到几百，几千个的级别，吞吐量会有较小幅度的下降 topic 从几十个到几百个的时候，吞吐量会大幅度下降 时效性 毫秒级 微妙级 毫秒级 毫秒级 可用性 高 高 非常高，分布式架构 非常高，分布式架构 消息可靠性 有较低的概率丢失数据 - 经过参数优化配置，可以做到 0 丢失 经过参数优化配置，消息可以做到 0 丢失 功能支持 完善 并发能力很强，性能极其好，延时很低 MQ 功能较为完善，还是分布式的，扩展性好 功能较为简单，主要支持简单的 MQ 功能，在大数据领域的实时计算以及日志采集被大规模使用，是事实上的标准 优劣势总结 非常成熟，功能强大；偶尔会有较低概率丢失消息；社区不活跃了 性能极其好，延时很低；功能完善；提供管理界面；社区比较活跃；吞吐量较低；使用 erlang 开发源码阅读不方便； 接口简单易用；吞吐量高；分布式扩展方便；社区还算活跃；经过双 11 的考验 MQ 功能比较少；吞吐量高；分布式架构；可能存在消息重复消费问题；主要适用大数据实时计算以及日志收集；四、AvctiveMQ和RabbitMQ、Kafka/Jafka4.1、ActiveMQ
特点：
早期主流的消息中间件，包括ZeroMQ，但是这几年使用的很少了，主要在长期维护的项目中使用。API丰富，本身很成熟但是在高并发、大数据
环境下的性能不够出色，主要适用于中小型项目，有较低的概率丢失数据，最主要是的，官方现在维护的频率一直在降低，好几个月才发布一个版本。
架构：
1、Master-Slave模式，通过Zookeeper实现节点切换和故障转移
2、NetWork模式，相当于多套Master-Slave模式，通过NetWork网关进行集成
4.2、RabbitMQ
RabbitMQ 是使用 Erlang 语言开发的开源消息队列系统。基于AMQP协议来实现的。AMQP的主要特征是面向消息、队列、路由(包括点对点和发布与订阅)、可靠性、安全。
AMQP协议：更多的用在企业系统内，对数据一致性、稳定性和可靠性要求很高的场景，对性能和吞吐量的要求还在其次场景。
好处在于可以支撑高并发、高吞吐、性能很高，同时有非常完善便捷的后台管理界面可以使用。另外，它还支持集群化、高可用部署架构、消息高可靠支持，功能较为完善。
4.3、Kafka/Jafka
Kafka 是 Apache 下的一个子项目，是一个高性能跨语言分布式发布/订阅消息队列系统，而 Jafka 是在 Kafka 之上孵化而来的，即 Kafka 的一个升级版。具有以下特性：快速持久化，可以在 O(1)的系统开销下进行消息持久化；高吞吐，在一台普通的服务器上既可以达到 10W/s 的吞吐速率；完全的分布式系统，BrokerProducer、Consumer 都原生自动支持分布式，自动实现负载均衡；支持 Hadoop 数据并行加载，对于像 Hadoop 的一样的日志数据和离线分析系统，但又要求实时处理的限制，这是一个可行的解决方案。Kafka 通过 Hadoop 的并行加载机制统一了在线和离线的消息处理。Apache Kafka 相对于 ActiveMQ 是一个非常轻量级的消息系统，除了性能非常好之外，还是一个工作良好的分布式。
公众号聊天窗口回复关键词“干货”，查看更多技术干货内容~
中断还是轮询？取个数据包真麻烦！
2021-05-10
项目需求分析定义的灵魂拷问
2021-05-09
SpringCloud的限流、降级和熔断——Hystrix
2021-05-07