推送方案分两种模式拉模式（读扩散）和推模式（写扩散）。本章节主要对比拉模式和推模式，并介绍搭建推送系统的数据库选择。

设计思路

Feed流系统最大的特点是读写严重不平衡，一般读写比例都在10：1，甚至100：1之上。并且刷新Feed时的延时本质上由推送方案决定，其他的任何操作都只能是优化。设计推送系统具有以下关键点：
  • 如何才能提供千万的TPS和QPS？
  • 如何保证读写延迟在10ms，甚至2ms以下？
  • 如何保证Feed的必达性？

推模式和拉模式对比

拉模式和推模式在很多方面完全相反，并且对Feed流产品的用户而言，刷新Feed流（读取）时的延迟敏感度要远远大于发布（写入）。推模式和拉模式的对比请参见下表。

对比项 拉模式（读扩散） 推模式（写扩散）
发布 个人页Timeline（发件箱） 粉丝的关注页面（收件箱）
阅读 所有关注者的个人页Timeline 自己的关注页Timeline
网络最大开销 用户刷新时 发布Feed时
读写放大 放大读，读写比例到10000：1 放大写，减小读，读写比例到50：50
个性化 不支持 支持
定向广告 不支持 支持
以上对比可以看出，推模式要远优于拉模式，但是推模式也有一个缺点：数据会极大膨胀。针对这个缺点，可以从两个方面考虑：
  • 以后存储成本会随着硬件技术升级、软件性能优化等继续降低。数据量越大价格越低。
  • 如仍需减少成本，可以继续优化，可以对大V采用拉模式，普通用户使用推模式。对活跃粉丝采用推模式，非活跃粉丝采用拉模式（这种方式可以较好的避免大流量对平台的冲击）。

适用场景

以下是不同模式的适用场景。

模式 适用场景
拉模式（读扩散） 很多Feed流产品的第一版会采用这种方案，但很快就会抛弃。如采用拉模式+图计算，重心就会转换为图计算。
推模式（写扩散）
  • Feed流系统中最常用、有效的模式。
  • 用户关系数比较均匀，或者有上限，例如朋友圈。
  • 偏推荐类，同一个Feed对不同用户价值不同，需要为不同用户计算分数，例如Pinterest。
推拉结合 大部分用户的账号关系都是几百个，但是有个别用户是1000万以上，例如微博。

数据库选择

如果要实现一个千万量级的Feed流产品，那么推送系统需要具备：
  • 千万TPS/QPS的能力。
  • 读写链路延迟敏感。读写直接会影响用户发布，刷新Feed流时的延迟，尤其是极其敏感的刷新时的延迟。
  • Feed消息的必达性高。
  • 主键自增功能，保证用户收件箱中的Feed ID是严格递增的，保证可以通过Scan（上次读取的最大ID --->MAX）读取到最新未读消息。
  • 最好能为用户存储Timeline中所有的Feed。
从上述特点来看，搭建推送系统最优的选择是使用高性能、高可靠，且有自增功能的NoSQL系统：
  • 开源Redis
    如果选择开源系统，通常会在选择了关系型数据库作为存储系统的基础上，选择开源Redis，这样既能覆盖上述的几个特征，还能保证Feed流系统正常运行起来，但是也会带来一些其他问题：
    • 纯内存系统，内存价格极高，导致整体成本高。
    • 属于单机系统，为了支持千万TPS和保证消息必达性，需要使用cluster和replica模式，这样不仅带来了运维的复杂性，而且还需要增加机器，导致成本再次上升。
    • 成本上升了以后，需要考虑如何降低成本。要节省成本只能是减少开源Redis里面存储的数据量，一般有两种做法：在开源Redis中存储Feed ID、不存储Feed内容。采用这两种方法，整体数据量会大量减少，但是在读取的时候需要先读Feed ID，然后在到存储系统里面去读取Feed内容，网络开销增长了一倍，而且是串行的，对用户的刷新延迟有较大影响。只对普通用户或者活跃用户使用推模式，对大V和非活跃用户直接使用拉模式。
    • 上述两个方案虽然可以节省成本，但是是以牺牲用户体验为代价的，最终需要在成本和用户体验之间权衡。
  • 表格存储
    除了使用开源系统外，还可以使用阿里云的表格存储，有不少用户选择表格存储作为推送系统的原因无非下面几点：
    • 天然分布式，单表可支持千万级TPS/QPS。
    • LSM存储引擎极大优化写，高性能实例极大优化读。
    • 写入成功即保证落盘成功，数据可靠性提供10个9的SLA保障。
    • 磁盘性数据库，费用比内存性的要低几个量级。
    • 单表可存储十万亿行以上的数据，价格又低，轻松保存用户Feed流中的所有Feed数据。

上面分析了使用开源Redis和阿里云表格存储的异同，如果使用开源数据库可以用Redis，如果选择阿里云NoSQL数据库，可以选择使用表格存储。