字节跳动学习笔记：java实例变量和静态变量

2022-10-19 17:49:06

1、PTP模型

Point-to-Point，点对点通信模型。PTP是基于队列(Queue)的，一个队列可以有多个生产者，和多个消费者。消息服务器按照收到消息的先后顺序，将消息放到队列中。队列中的每一条消息，只能由一个消费者进行消费，消费之后就会从队列中移除。

需要注意的是，尽管这里使用Queue的概念，但并不是先进入队列消息，一定会被先消费。在存在多个下游Consumer情况下，一些消息中间件，例如ActiveMQ，为了提升消费能力，会将队列中的消息分发到不同Consumer并行进行处理。这意味着消息发送的时候可能是有序的，但是在消费的时候，就变成无序了。为了保证消费的有序，一些MQ提供了**"专有消费者”或者"排他消费者”**的概念，在这种情况下，队列中的消息仅允许一个消费者进行消费，如果存在多个消费者，那么从中选择一个。但是，这意味着在消息在处理中没有了并行性。如果消息量很多的情况下，将会产生消息积压。为了解决"专有消费者”的性能问题，一些消息中间件采用分区的概念来解决性能问题，我们将在后文进行介绍。

2、Pub/Sub模型

publish-and- subscribe，即发布订阅模型。在Pub/Sub模型中，生产者将消息发布到一个主题(Topic)中，订阅了该Topic的所有下游消费者，都可以接收到这条消息。如下图：

通常情况下，一个条消息只要被消费一次就行了，那么什么情况下需要所有的消费者都对这条消息进行消费呢？最典型的情况就是需要在内存中对数据进行缓存，并需要实时进行更新。例如，笔者做过一个违禁词系统，对用户输入的评论内容进行违禁词汇检测。这个违禁词系统，部署了在N台服务器上，为了提升检测性能，每台机器都会将违禁词库全量加载到内存中，词库的更新，是通过发送MQ消息来完成的。由于采用Pub/Sub模型，每台机器的consumer，都可以接收到这条消息，直接在内存中更新敏感词库即可。

3、Partition模型

为了解决在PTP模型下，有序消息需要通过"专有消费者”消费带来的性能问题，一些消息中间件，如rocketmq，kafka采用了Partition模型，即分区模型，如下所示：

生产者发送消息到某个Topic中时，最终选择其中一个Partition进行发送。你可以将Parition模型中的分区，理解为PTP模型的队列，不同的是，PTP模型中的队列存储的是所有的消息，而每个Partition只会存储部分数据。对于消息者，此时多了一个消费者组的概念，Paritition会在同一个消费者组下的消费者中进行分配，每个消费者只消费分配给自己的Paritition。上图演示了不同的消费者可能会分配到不同数量的Paritition。Paritition模式巧妙的将PTP模型和Pub/Sub模型结合在了一起：

对于PTP模型：

一条消息只会由一个消费者进行消费，而Partition模型中每个分区最终也只会有一个消费者进行消费。对于通过"专有消费者"来保证全局消费有序的场景，在Partition模型中，只需保证创建的Topic只有一个Partition即可，这个Paritition最终也只会分配其中一个消费者。另外，在绝大部分场景下，我们没有必要保证全局有序，例如一个订单产生了3条消息，分别是订单创建，订单付款，订单完成。消费时，要按照这个顺序消费才能有意义。但是订单之间是可以并行消费的，例如将订单1产生的3条消息发送到Partiton 1，将订单2产生的3条消息发送到Partition 2，如此便达到了不同订单之间的并行消费。

对于Pub/Sub模型：

一条消息所有的下游消费者都可以进行消费。在Paritition模型中，只需要为每个消费者设置成不同的消费者组即可。然而，过多的消费者组，会给消息中间件运维带来麻烦。所以一些消息中间件，结合了Partition模型和Pub/Sub模型。例如RocketMQ，支持为消费者组设置消费模式，如果是集群模式，就按照上述描述进行消费，如果是广播模式，就按照Pub/Sub模型进行消费。当然，Partition模型也不全是优点，其最大的限制在于Partition数量是固定的(虽然可以调整)，且只可以分配给其中一个消费者。当消费者的数量大于Partition数量时，这些多出来的消费者将无法消费到消息。一些消息中间件对此进行了优化，例如rocketmq，支持单个partition的并行消费。即在对单个消费者内，同时启动多个线程，来消费这个Partition中的数据，当然前提是要求消息不是有序的，对于有序的消息，只能使用一个线程按顺序消费这个Partition中的数据。

4、Transfer模型

Paritition模型中的消费者组概念很有用，同一个Topic下的消息可以由多个不同业务方进行消费，只要使用不同的消费者组即可，不同消费者组消费到的位置单独记录，互不影响。但是，Paritition模型还是限制了消费者数量不能多于分区数。因此，又有了另外一种消费模型，笔者称之为Transfer模型，如下图所示：

生产者还是将消息发送到Topic中，针对一个Topic，可以创建多个通道，这里称之为channel。与分区不同的是，发送到Topic中的每条消息，都会转发到每个channel，因此每个channel都有这个Topic的全量数据。当然，没有必要把真的把消息体完整的拷贝一份到channel中，可以只记录一下消息元数据，表示有一条放到这个channel中了。消费者在消费消息时，必须指定从哪个channel消费。多个消费者消费同一个channel时，每条消息只会有一个消费者消费达到，这一点与PTP模型类似。事实上，我们可以认为，消费了同一个channel的消费者，就自动组成了一个消费者组。但是，与Partition模型不同的是，这里没有分区的概念，因此消费者的数量可以是任意的。事实上，GO语言编写的NSQ消息中间件，采用的就是这种模型。当然，这种模型与PTP一样，也不能保证被消息有序，除非通过类似于”专用消费者”的概念。

这次面试我也做了一些总结，确实还有很多要学的东西。相关面试题也做了整理，可以分享给大家，了解一下面试真题，想进大厂的或者想跳槽的小伙伴不妨好好利用时间来学习。学习的脚步一定不能停止！

需要这份资料的朋友戳这里免费下载，整理出的内容大概如下：