【架构设计】高性能架构设计：QPS/TPS/RT核心指标、性能优化方法论、水平/垂直扩展、缓存、异步、池化

文章目录高性能架构设计全体系知识一、高性能架构核心度量指标体系基础标尺1. 三大核心指标定义与边界2. 关联核心指标3. 指标核心关联定律利特尔法则Littles Law4. 指标最佳实践二、高性能架构设计核心原则与全链路优化方法论顶层指导1. 高性能架构设计7大核心原则2. 性能优化的核心优先级排序3. 全链路性能优化闭环方法论5步循环4. 性能优化黄金法则三、高性能架构核心扩展模式垂直扩展/水平扩展架构骨架1. 核心概念澄清2. 垂直扩展Scale Up3. 垂直拆分垂直切分4. 水平扩展Scale Out5. 垂直水平扩展的组合最佳实践四、高性能架构三大核心技术引擎落地核心手段4.1 缓存技术高性能架构的第一核心手段空间换时间核心原理全链路缓存分层架构缓存核心读写设计范式缓存核心痛点与标准解决方案缓存最佳实践4.2 异步化技术高并发吞吐量的核心利器解耦削峰非阻塞核心原理同步 vs 异步的核心差异异步化的适用与不适用场景异步化的核心实现方式异步化核心痛点与解决方案异步化最佳实践4.3 池化技术资源复用与流量管控的核心基石资源复用上限控制核心原理池化技术的核心价值主流池化技术分类与核心设计1. 线程池最核心、应用最广2. 连接池数据库/缓存/HTTP3. 对象池池化技术核心痛点与解决方案池化技术最佳实践五、高性能架构全链路保障体系落地闭环1. 性能基准测试与压测体系2. 全链路性能监控与瓶颈定位3. 高并发下的稳定性保障手段4. 性能退化防控体系六、高性能架构演进路径与进阶方向1. 高性能架构标准演进路径2. 进阶方向核心总结高性能架构设计全体系知识高性能架构的核心目标是在有限的硬件资源约束下最大化系统吞吐量QPS/TPS、最小化响应延迟RT同时保障系统的高可用与稳定性支撑业务高并发访问。以下为完整的、结构化的知识体系从核心标尺、顶层方法论、架构骨架、核心技术引擎到落地保障形成全闭环。一、高性能架构核心度量指标体系基础标尺所有架构设计与优化动作都必须以可量化的指标为核心导向避免无意义的“玄学优化”。1. 三大核心指标定义与边界指标全称核心定义计算公式误区澄清RTResponse Time 响应时间单次请求从发起至收到完整响应的总耗时包含网络传输、服务处理、IO等待等全链路耗时平均RT 总耗时 / 总请求数行业核心关注P95/P99/P999 RT95%/99%/99.9%请求的最大耗时平均RT参考价值极低少数慢请求会被平均掩盖P99 RT才是用户真实体验的核心标尺QPSQueries Per Second 每秒查询数系统每秒能处理的查询/请求总数针对单个接口、单个服务的请求处理能力QPS 总请求数 / 统计时长秒1. QPS≠TPS一个事务可能包含多次查询2. 必须关注峰值QPS而非均值QPSTPSTransactions Per Second 每秒事务数系统每秒能处理的完整事务总数一个事务对应一次完整的业务操作如下单支付包含库存查询、订单创建、扣减库存、支付回调等多个动作TPS 成功完成的事务总数 / 统计时长秒TPS是业务维度的吞吐量指标直接反映系统的业务承载能力压测中需以完整事务为统计单位2. 关联核心指标并发数系统同时处理的请求数量分为并发连接数和并发请求数是QPS与RT的核心关联变量成功率/错误率成功请求占比高性能必须建立在高成功率≥99.99%的基础上错误率飙升的高QPS无意义饱和度系统资源CPU、内存、磁盘IO、网络的使用率通常CPU使用率达到70%即为安全水位上限可用性系统正常服务的时间占比高性能架构必须同时满足高可用避免优化后出现雪崩3. 指标核心关联定律利特尔法则Little’s Law性能领域的核心基础公式揭示了三大指标的内在关联L λ * WL系统中平均并发请求数λ系统平均请求到达率即QPSW请求平均响应时间RT核心推导公式QPS 并发数 / RT示例单服务RT为50ms单节点最大并发数为200则理论峰值QPS200/0.054000核心指导意义提升QPS只有两个核心路径——降低RT、提升系统可承载的并发数所有优化手段都围绕这两个路径展开。4. 指标最佳实践建立性能基线以线上常态流量的指标为基准所有优化效果必须与基线对比量化关注长尾延迟优先优化P99/P999 RT而非仅优化平均RT压测指标必须贴近线上模拟真实流量模型、峰值场景、混合接口调用避免单机单接口压测的虚假结果指标必须全链路覆盖从客户端、CDN、网关、服务、数据库全链路埋点而非仅关注服务端指标二、高性能架构设计核心原则与全链路优化方法论顶层指导1. 高性能架构设计7大核心原则所有技术选型与架构设计都必须遵循以下底层原则避免方向错误空间换时间通过冗余存储缓存、副本减少计算与IO开销是高性能架构的第一核心原则时间换空间针对存储资源受限的场景通过压缩、计算减少存储占用平衡性能与资源分而治之通过垂直拆分、水平分片将大流量、大数据拆分为小单元处理突破单机瓶颈无状态化服务节点不存储本地会话状态实现节点对等为水平扩展奠定核心基础非阻塞/异步化将同步阻塞转为异步非阻塞大幅提升线程利用率与系统吞吐量资源复用通过池化技术复用稀缺资源避免频繁创建销毁的开销控制资源并发上限冗余容错高性能必须与高可用绑定通过副本、集群、降级熔断避免单点故障导致的性能雪崩2. 性能优化的核心优先级排序性能优化的收益与复杂度呈反比必须遵循从顶层到底层、从架构到细节的优先级避免一上来就陷入代码细节优化架构层优化 应用层优化 配置层优化 硬件层优化架构层优化收益最高10~100倍性能提升同步改异步、引入缓存、垂直拆分、水平扩展、读写分离、分库分表应用层优化收益1~10倍业务逻辑优化、代码性能优化、无锁设计、池化参数调优、序列化优化、GC优化配置层优化收益10%~50%JVM参数调优、数据库参数调优、操作系统内核优化、TCP/IP栈优化、中间件配置调优硬件层优化收益固定线性提升升级CPU、内存、SSD磁盘、万兆网络成本边际递增有物理上限3. 全链路性能优化闭环方法论5步循环性能优化不是一次性动作而是持续迭代的闭环流程基准测试与基线建立明确优化目标如峰值QPS从1万提升到5万P99 RT从200ms降到50ms通过压测建立当前性能基线记录全链路指标全链路瓶颈定位遵循“自上而下”的定位逻辑从入口网关到服务、缓存、数据库通过APM链路追踪、监控指标定位核心瓶颈点80%的性能问题集中在20%的瓶颈点方案设计与实施按优化优先级选择方案遵循“最小改动、最大收益”原则优先实施架构层优化避免过度优化效果验证与回归通过压测验证优化效果对比基线指标确认无负优化、无业务逻辑异常同时验证高并发下的稳定性持续监控与迭代将核心指标纳入线上监控设置告警阈值防控业务迭代导致的性能退化定期复盘优化适配业务流量增长4. 性能优化黄金法则避免过早优化在业务架构未稳定前不要过度优化避免为未来不确定的流量付出额外复杂度先定位瓶颈再优化没有定位到瓶颈的优化都是盲目的大概率是无效优化不脱离业务谈优化所有优化都必须服务于业务不能为了性能牺牲业务正确性与一致性优化必须可量化所有优化动作都必须有可量化的指标验证避免“感觉变快了”的玄学优化兼顾性能与可用性不能为了极致性能牺牲系统的容错能力与稳定性避免流量波动导致雪崩三、高性能架构核心扩展模式垂直扩展/水平扩展架构骨架系统的性能上限本质上由架构的扩展能力决定。扩展的核心目标是突破单机性能瓶颈提升系统整体承载能力。1. 核心概念澄清垂直扩展Scale Up纵向升级提升单机的硬件/软件能力突破单机性能上限垂直拆分垂直切分架构层面的纵向优化按业务域/功能模块拆分系统实现故障隔离与针对性扩容水平扩展Scale Out横向扩容通过增加服务器节点数量线性提升系统整体处理能力理论上无性能上限2. 垂直扩展Scale Up核心定义通过升级单机硬件CPU、内存、SSD、网络、优化单机软件操作系统内核、JVM、数据库参数提升单机的处理能力核心优势架构简单无分布式复杂度数据一致性好运维成本低无需修改业务代码核心劣势有物理上限单机性能无法无限提升成本边际递增高端硬件成本呈指数级增长存在单点故障风险升级需停机适用场景中小流量业务、业务初创期、单机可支撑的业务场景、有状态服务无法水平扩展的场景3. 垂直拆分垂直切分核心定义将耦合的单体系统按业务域、功能模块、压力等级拆分为多个独立部署的服务/模块比如将单体电商拆分为用户服务、订单服务、商品服务、支付服务核心优势职责单一架构清晰故障隔离单个模块故障不影响整体可针对高压力模块单独优化与扩容技术栈灵活不同模块可选择适配的技术栈团队权责清晰核心劣势引入分布式调用开销增加RT跨服务带来分布式事务、数据一致性问题服务治理复杂度提升适用场景中大型业务、模块耦合度高的单体系统、不同模块流量差异极大的场景4. 水平扩展Scale Out核心定义通过增加同类型的服务节点数量将流量分散到多个节点处理实现系统吞吐量的线性提升核心前提服务无状态化节点之间完全对等不存储本地会话状态请求可分发到任意节点处理核心优势理论上无性能上限可通过增加节点无限扩容线性提升吞吐量天然高可用无单点故障风险支持弹性扩缩容适配流量波动成本可控可使用普通服务器堆叠核心劣势分布式架构复杂度高需要配套负载均衡、服务注册发现、分布式锁、分布式事务等基础设施运维成本大幅提升有状态服务的水平扩展难度极大落地核心配套能力负载均衡4层LVS7层Nginx/Ingress负载均衡实现流量均匀分发服务注册与发现实现节点的动态上下线适配弹性扩缩容无状态化设计会话状态统一存储在分布式缓存/数据库节点无本地状态有状态服务扩展通过分片Sharding技术实现比如数据库分库分表、Redis Cluster哈希槽分片容错与隔离节点故障自动摘除故障隔离避免级联雪崩5. 垂直水平扩展的组合最佳实践先垂直拆分再水平扩展先按业务域拆分系统再对高压力的核心模块单独做水平扩容避免全量扩容的资源浪费单机极致优化集群水平扩展先把单机性能优化到极致再通过水平扩展线性提升整体性能避免单机性能极差导致的集群资源浪费核心链路垂直隔离非核心链路水平扩展对支付、下单等核心链路做垂直隔离避免非核心链路影响核心业务对非核心链路做水平扩展适配流量波动读写分离读水平扩展写垂直优化读请求通过多副本、水平扩展线性提升写请求优先通过垂直优化、分库分表提升性能四、高性能架构三大核心技术引擎落地核心手段缓存、异步、池化是高性能架构的三大核心技术引擎分别对应“空间换时间、解耦削峰、资源复用”三大核心原则覆盖90%以上的性能优化场景。4.1 缓存技术高性能架构的第一核心手段空间换时间核心原理将高频访问的热点数据存储在访问速度更快的存储介质中避免每次请求都访问慢速的后端存储数据库、磁盘大幅减少IO开销降低RT提升QPS同时降低后端存储的压力。全链路缓存分层架构高性能架构的缓存设计必须是全链路覆盖层层拦截流量最大化减少后端压力客户端缓存浏览器HTTP缓存、APP本地缓存拦截用户端重复请求边缘缓存CDN、边缘节点缓存静态资源、热点静态数据就近访问接入层缓存Nginx/OpenResty缓存拦截热点请求避免打到应用层应用层缓存本地缓存Caffeine、Guava Cache进程内访问无网络开销延迟微秒级分布式缓存Redis、Memcached集群化部署支撑海量热点数据存储毫秒级访问存储层缓存数据库InnoDB Buffer Pool、操作系统Page Cache减少磁盘IO访问缓存核心读写设计范式模式核心逻辑适用场景优势劣势Cache-Aside旁路缓存读先查缓存miss查数据库再回写缓存写先更新数据库再删除缓存绝大多数业务场景最通用简单可控无强耦合故障影响小极端场景存在数据不一致风险Read-Through/Write-Through读写穿透业务只操作缓存缓存作为代理自动同步读写到数据库读多写少、数据一致性要求较高的场景业务代码无侵入数据一致性更好架构耦合度高缓存故障直接影响数据库Write-Behind异步写回写操作只更新缓存异步批量刷入数据库写多读少、日志统计、非核心数据场景写性能极高削峰填谷减少数据库IO数据一致性最差缓存故障会丢失数据Refresh-Ahead预刷新缓存过期前主动异步刷新缓存避免过期时的缓存miss热点key、流量平稳的核心业务场景无缓存miss尖刺RT平稳用户体验好可能缓存冷数据浪费内存缓存核心痛点与标准解决方案核心问题根本原因标准解决方案缓存穿透请求不存在的数据绕过缓存直接打满数据库1. 布隆过滤器预拦截不存在的key2. 空值缓存短过期时间3. 接口参数合法性校验4. 恶意请求限流熔断缓存击穿超高并发的热点key突然过期大量请求同时打到数据库1. 热点key永不过期2. 分布式互斥锁只允许一个请求回写缓存3. 过期前预刷新4. 热点key本地二级缓存缓存雪崩大量key同时过期/缓存集群宕机数据库压力骤增被打垮1. 过期时间加随机值打散过期时间2. 多级缓存架构层层兜底3. 缓存集群高可用主从哨兵4. 熔断降级过载限流5. 缓存预热避免冷启动缓存与数据库一致性双写操作导致缓存与数据库数据不一致1. 最终一致性更新数据库延迟双删缓存2. 强一致性分布式锁读写串行化3. 订阅数据库binlog异步更新缓存保证最终一致大Key问题单个Key的Value过大导致网络阻塞、CPU飙升、节点内存不均1. 大Key拆分拆分为多个小Key2. 数据压缩存储3. 避免一次性全量读取分页/分批读取4. 冷数据分离不存入缓存热Key问题单个Key被超高并发访问打垮单个缓存节点1. 本地二级缓存拦截大部分请求2. 热Key分片复制分散到多个节点3. 流量打散负载均衡4. 热Key提前预热与监控缓存最佳实践只缓存热点数据设置合理的过期时间避免缓存冷数据导致的缓存污染与内存溢出优先使用Cache-Aside模式简单可控适配绝大多数业务场景必须设计多级缓存架构本地缓存分布式缓存结合最大化降低RT与后端压力完善的缓存监控体系缓存命中率、内存使用率、大Key/热Key监控、响应时间、错误率缓存必须设置兜底降级策略缓存集群故障时通过限流、降级保护数据库不被打垮4.2 异步化技术高并发吞吐量的核心利器解耦削峰非阻塞核心原理将同步串行的调用链路拆分为异步非阻塞的流程把非核心链路、耗时操作从主链路剥离减少主链路RT提升线程利用率大幅提升系统吞吐量同时通过消息队列的缓冲能力实现削峰填谷应对流量洪峰保护下游系统。同步 vs 异步的核心差异对比维度同步调用异步调用执行方式阻塞等待结果返回线程全程占用非阻塞立即返回结果通过回调/通知获取线程可复用吞吐量受RT与线程数限制上限低线程利用率极高吞吐量可提升10~100倍耦合度上下游强耦合下游故障直接影响主链路上下游解耦下游故障不影响主链路峰值应对无缓冲流量洪峰直接打满系统有缓冲能力削峰填谷保护下游系统一致性强一致性实时性高最终一致性实时性降低架构复杂度低逻辑简单易排查问题高需要处理幂等、重试、消息丢失、积压等问题异步化的适用与不适用场景适用场景非核心链路操作日志记录、消息通知、数据统计、数据同步耗时操作文件处理、大数据计算、报表生成、邮件发送流量削峰场景秒杀、抢购、营销活动等流量突增场景跨系统解耦调用上下游系统生命周期、技术栈不一致的场景不适用场景强一致性要求的核心链路支付扣款、库存扣减等核心交易场景需要实时返回结果的同步请求用户实时查询、接口同步响应链路短、无耗时操作的场景异步化带来的收益小于复杂度成本异步化的核心实现方式应用内异步基于多线程/线程池实现比如Java的CompletableFuture、Python的async/await、Go的goroutine适合应用内的非阻塞流程拆分跨服务异步基于消息队列MQ实现主流选型RocketMQ、Kafka、RabbitMQ是分布式系统异步化的核心实现方式事件驱动架构基于事件总线、发布-订阅模式实现系统各模块通过事件通信完全解耦响应式编程基于Reactor、RxJava、Spring WebFlux实现全链路非阻塞极致提升资源利用率异步化核心痛点与解决方案消息丢失生产端、MQ服务端、消费端都可能导致消息丢失解决方案生产端ACK确认机制、消息持久化、同步刷盘、消费端手动ACK机制、事务消息重复消费网络重试、故障恢复都会导致消息重复投递解决方案全局唯一消息ID幂等性设计数据库唯一键、幂等表、状态机校验、乐观锁消息顺序性异步场景下消息的消费顺序可能与生产顺序不一致解决方案单分区单线程消费、有序消息、业务层面通过唯一ID保证顺序避免全局有序牺牲性能消息积压消费速度慢于生产速度导致消息堆积RT飙升解决方案监控告警、扩容消费端并行度、死信队列隔离异常消息、降级非核心消费、流量控制分布式事务异步场景下跨系统事务的一致性保障解决方案可靠消息最终一致性模式、SAGA模式、事务消息异步化最佳实践核心链路同步非核心链路异步避免过度异步化导致的架构复杂度失控所有异步消费逻辑必须做幂等性设计这是异步化的底线要求完善的监控体系生产/消费TPS、消息积压量、消费延迟、消费失败率、死信队列监控合理设置消息过期时间、死信队列、重试策略避免消息无限堆积导致系统故障同步转异步必须兼顾用户体验通过回调、轮询、WebSocket等方式通知用户最终结果4.3 池化技术资源复用与流量管控的核心基石资源复用上限控制核心原理对创建销毁开销极大、系统稀缺的资源提前创建并维护一个“资源池”实现资源的复用避免频繁创建销毁带来的CPU/IO开销同时通过池的最大资源数控制资源的并发上限防止资源耗尽导致的系统雪崩。池化技术的核心价值降低系统开销复用资源避免频繁创建销毁的开销比如线程创建、TCP连接三次握手/四次挥手的开销提升响应速度请求直接从池中获取资源无需等待资源创建的耗时大幅降低RT流量管控与过载保护通过最大资源数限制并发防止资源无限占用导致的系统崩溃统一资源管理对资源的生命周期、监控、告警、回收进行统一管理降低运维复杂度主流池化技术分类与核心设计1. 线程池最核心、应用最广核心原理复用线程避免频繁创建销毁线程的开销同时控制系统的最大线程数防止线程无限创建导致的OOM与CPU耗尽核心参数核心线程数、最大线程数、空闲线程存活时间、阻塞队列、拒绝策略核心选型Java的ThreadPoolExecutor、Spring的ThreadPoolTaskExecutorGo的goroutine池核心参数设计原则CPU密集型任务核心线程数 CPU核心数 1减少线程上下文切换开销IO密集型任务核心线程数 CPU核心数 * 2 ~ CPU核心数 * 10适配IO等待的线程空闲时间2. 连接池数据库/缓存/HTTP核心原理复用TCP连接避免TCP三次握手/四次挥手的开销同时控制数据库/缓存的最大连接数防止下游服务被连接打垮主流类型数据库连接池HikariCP性能最优、Druid监控完善Redis连接池Lettuce、JedisHTTP连接池OkHttp、Apache HttpClient核心参数最小空闲连接、最大连接数、连接超时时间、空闲超时时间、连接最大生命周期3. 对象池核心原理复用创建销毁开销极大的重量级对象避免频繁创建销毁导致的GC压力与性能开销主流实现Apache Commons Pool、Netty对象池适用场景大对象、重量级对象的创建开销远大于复用开销且对象数量可控的场景池化技术核心痛点与解决方案核心问题根本原因标准解决方案资源泄露资源获取后未释放导致池内资源耗尽1. try-finally强制释放资源2. 资源超时自动回收3. 资源泄露检测与告警参数设置不合理池过小导致瓶颈池过大导致下游压力过大/资源耗尽1. 通过压测确定最优参数2. 支持运行时动态调整参数3. 基于监控数据持续调优阻塞队列过长线程池队列无界/过长导致请求排队超时、OOM1. 设置有界队列合理控制队列长度2. 适配拒绝策略3. 队列积压监控告警死锁池内资源嵌套获取导致互相等待1. 避免池的嵌套使用2. 资源获取设置超时时间3. 固定资源获取顺序池化技术最佳实践优先使用成熟的池化框架避免重复造轮子减少自研带来的BUG风险必须通过压测确定池的最优参数禁止凭经验设置避免参数不合理导致的性能瓶颈对池的核心指标做监控告警池的使用率、资源等待时间、创建销毁次数、拒绝次数、空闲资源数避免池的嵌套使用比如线程池内嵌套获取数据库连接池极易导致死锁与资源耗尽资源使用完必须立即释放建立强制的释放规范防止资源泄露五、高性能架构全链路保障体系落地闭环高性能架构不是一劳永逸的必须建立完整的保障体系实现性能的持续可控与迭代优化。1. 性能基准测试与压测体系压测类型单机压测、全链路压测、峰值压测、稳定性压测、故障演练压测核心压测工具JMeter、Gatling、Locust、wrk、ab压测核心原则模拟真实流量模型包括接口比例、参数、请求频次避免虚假压测结果压测环境与线上环境隔离避免影响线上业务梯度加压逐步提升流量定位系统瓶颈与极限承载能力全链路覆盖压测必须覆盖完整的业务链路而非单个接口2. 全链路性能监控与瓶颈定位监控指标体系黄金四信号延迟、流量、错误、饱和度、全链路RT、QPS/TPS、资源利用率、池化指标、缓存指标、MQ指标核心工具APM全链路追踪SkyWalking、Pinpoint、Cat监控告警Prometheus Grafana链路追踪Jaeger、Zipkin瓶颈定位方法论自上而下法从入口网关到存储逐层排查、二分法定位、资源瓶颈与逻辑瓶颈分离排查3. 高并发下的稳定性保障手段高性能必须建立在稳定性的基础上必须配套以下防护手段限流基于令牌桶/漏桶算法实现分为单机限流与分布式限流保护系统不被突发流量打垮熔断基于熔断器模式当下游服务故障时快速失败避免请求阻塞导致的级联雪崩降级当系统压力过大时关闭非核心功能释放资源保障核心业务的可用过载保护服务端自适应限流、背压机制当系统负载达到水位上限时主动拒绝请求避免系统被压垮4. 性能退化防控体系性能门禁代码发布前必须通过性能测试防止性能退化的代码上线持续性能监控实时监控核心性能指标异常立即告警快速定位问题定期性能复盘每季度/大促前进行全链路压测复盘性能瓶颈持续优化适配业务增长六、高性能架构演进路径与进阶方向1. 高性能架构标准演进路径阶段1单体架构基于垂直扩展做单机极致优化适配初创期业务阶段2垂直拆分模块化拆分针对性优化与扩容适配业务增长阶段3水平扩展分布式架构集群化部署突破单机性能上限阶段4全链路优化全链路异步化、多级缓存、池化调优极致提升性能阶段5云原生架构基于云原生能力实现弹性扩缩容、Serverless、流量治理适配业务的动态流量变化2. 进阶方向云原生高性能架构基于K8s的弹性扩缩容、Service Mesh统一流量治理、Serverless极致弹性无需关注底层资源专注业务性能优化硬件加速技术RDMA高性能网络、DPU硬件卸载、GPU并行计算、零拷贝技术从硬件层面降低IO与计算延迟响应式编程全链路非阻塞编程极致提升资源利用率适配高并发、低延迟的业务场景内存计算基于内存的分布式计算引擎将数据全量加载到内存计算大幅提升大数据处理性能边缘计算将计算与存储下沉到边缘节点就近处理用户请求降低网络延迟提升系统整体吞吐量核心总结高性能架构设计不是单一技术的堆砌而是一套完整的、闭环的体系以QPS/TPS/RT核心指标为标尺所有优化动作可量化、可验证以性能优化方法论为顶层指导避免盲目优化与方向错误以水平/垂直扩展为架构骨架决定系统的性能上限以缓存、异步、池化为三大核心技术引擎覆盖90%以上的性能优化场景以全链路保障体系为闭环实现性能的持续可控与迭代优化最终目标是在业务需求、资源成本、架构复杂度之间找到最优平衡实现高吞吐量、低延迟、高可用的系统架构。