百亿关系链，架构如何设计？
文章较长，听我娓娓道来。
粉丝与关注，社交好友，都是典型的“多对多关系”的业务，这类业务的核心服务是好友中心，当关系链达到百亿之后，好友中心架构设计要考虑哪些因素，是本文将要分享的内容。
什么是“多对多”关系？
所谓的“多对多”，来自数据库设计中的“实体-关系”ER模型，用来描述实体之间的关联关系，一个学生可以选修多个课程，一个课程可以被多个学生选修，这里学生与课程时间的关系，就是多对多关系。
什么是好友关系？
好友关系主要分为两类：
（1）弱好友关系；
（2）强好友关系；
两类都有典型的互联网产品应用。
什么是弱好友关系？
弱好友关系的建立，不需要双方彼此同意：用户A关注用户B，不需要用户B同意，此时用户A与用户B为弱好友关系，对A而言，他多“关注”了一个人，对B而言，他多了一个“粉丝”。
微博粉丝是一个典型的弱好友关系应用。
什么是强好友关系？
强好友关系的建立，需要好友关系双方彼此同意：用户A请求添加用户B为好友，用户B同意，此时用户A与用户B则互为强好友关系，即A是B的好友，B也是A的好友。
QQ好友是一个典型的强好友关系应用。
什么是好友中心？
好友中心是一个典型的多对多业务，一个用户可以添加多个好友，也可以被多个好友添加。
其典型架构如上：
（1）friend-service：好友中心服务，对调用者提供友好的RPC接口；
（2）db：对好友数据进行存储；
服务的接口，不外乎：关注，取关，增加好友，删除好友，同意好友申请，不同意好友申请。其核心，在于元数据的设计。
弱好友关系，如何设计元数据？
通过弱好友关系业务分析，很容易了解到，其核心元数据为：
（1）guanzhu(uid, guanzhu_uid);
（2）fensi(uid, fensi_uid);
其中：
（1）guanzhu表，用户记录uid所有关注用户guanzhu_uid；
（2）fensi表，用来记录uid所有粉丝用户fensi_uid；
需要强调的是，一条弱关系的产生，会产生两条记录，一条关注记录，一条粉丝记录。
画外音：可不可以只有一条记录？
例如：用户A(uid=1)关注了用户B(uid=2)，A多关注了一个用户，B多了一个粉丝，于是：
（1）guanzhu表要插入{1, 2}这一条记录，1关注了2；
（2）fensi表要插入{2, 1}这一条记录，2粉了1；
如何查询一个用户关注了谁呢？
在guanzhu的uid上建立索引：
select * from guanzhu where uid=1;
即可得到结果，1关注了2。
如何查询一个用户粉了谁呢？
在fensi的uid上建立索引：
select * from fensi where uid=2;
即可得到结果，2粉了1。
强好友关系，如何设计元数据？
通过强好友关系业务分析，很容易了解到，其核心元数据为：
（1）friend(uid1, uid2);
其中：
（1）uid1，强好友关系中一方的uid；
（2）uid2，强好友关系中另一方的uid；
uid=1的用户添加了uid=2的用户，双方都同意加彼此为好友，强好友关系，在数据库中应该插入记录{1, 2}还是记录{2,1}呢？
都可以，为了避免歧义，可以人为约定，插入记录时uid1的值必须小于uid2。
例如：有uid=1,2,3三个用户，他们互为强好友关系，那边数据库中可能是这样的三条记录：
{1, 2}
{2, 3}
{1, 3}
如何查询一个用户的好友呢？
假设要查询uid=2的所有好友，只需在uid1和uid2上建立索引，然后：
select * from friend where uid1=2
union
select * from friend where uid2=2
即可得到结果。
画外音，可不可以使用：
select * from friend uid1=2 or uid2=2
使用一个表记录所有关系链，如果数据量大了，数据库进行分库以后，不久无法同时满足uid1和uid2上的查询了么，此时要怎么办呢？
此时，可以使用类似于弱关系实现的方案，用数据冗余的方式，即使分库后，依然能够满足两种查询需求。
即，强好友关系也可以使用关注表和粉丝表来实现：
（1）guanzhu(uid, guanzhu_uid);
（2）fensi(uid, fensi_uid);
例如：用户A(uid=1)和用户B(uid=2)为强好友关系，即相互关注：
用户A(uid=1)关注了用户B(uid=2)，A多关注了一个用户，B多了一个粉丝，于是：
（1）guanzhu表要插入{1, 2}这一条记录；
（2）fensi表要插入{2, 1}这一条记录；
同时，用户B(uid=2)也关注了用户A(uid=1)，B多关注了一个用户，A多了一个粉丝，于是：
（1）guanzhu表要插入{2, 1}这一条记录；
（2）fensi表要插入{1, 2}这一条记录；
强调一下：数据冗余，是多对多关系，满足不同维度的查询需求，在数据量大时，数据水平切分的常用实践。
对于强好友关系的两类实现：
第一类：friend(uid1, uid2)表；
第二类：数据冗余guanzhu表与fensi表（后文称正表T1与反表T2）；
在数据量小时，看似无差异，但数据量大时，只有后者，才能满足两类查询需求：
（1）friend表，数据量大时，如果使用uid1来分库，那么uid2上的查询就需要遍历多库；
（2）正表T1与反表T2通过数据冗余来实现好友关系，{1, 2}{2,1}分别存在于两表中，故两个表都使用uid来分库，均只需要进行一次查询，就能找到对应的关注与粉丝，而不需要多个库扫描；
问题转化为，T1和T2正反表，如何进行数据冗余呢？
数据冗余，常见有三种方法。
方法一：服务同步冗余
顾名思义，由好友中心服务同步写冗余数据，如上图1-4流程：
（1）业务方调用服务，新增数据；
（2）服务先插入T1数据；
（3）服务再插入T2数据；
（4）服务返回业务方新增数据成功；
这个方法，有什么优点呢？
（1）不复杂，服务层由单次写，变两次写；
（2）数据一致性相对较高（因为双写成功才返回）；
这个方法，有什么不足呢？
（1）请求的处理时间增加（要插入次，时间加倍）；
（2）数据仍可能不一致，例如第二步写入T1完成后服务重启，则数据不会写入T2；
如果系统对处理时间比较敏感，引出常用的第二种方案。
方法二：服务异步冗余
数据的双写并不再由好友中心服务来完成，服务层异步发出一个消息，通过消息总线发送给一个专门的数据复制服务来写入冗余数据，如上图1-6流程：
（1）业务方调用服务，新增数据；
（2）服务先插入T1数据；
（3）服务向消息总线发送一个异步消息（发出即可，不用等返回，通常很快就能完成）；
（4）服务返回业务方新增数据成功；
（5）消息总线将消息投递给数据同步中心；
（6）数据同步中心插入T2数据；
这个方法，有什么优点呢？
（1）请求处理时间短（只插入1次）；
这个方法，有什么不足呢？
（1）系统的复杂性增加了，多引入了一个组件（消息总线）和一个服务（专用的数据复制服务）；
（2）因为返回业务线数据插入成功时，数据还不一定插入到T2中，因此数据有一个不一致时间窗口（这个窗口很短，最终是一致的）；
（3）在消息总线丢失消息时，冗余表数据会不一致；
如果想解除“数据冗余”对系统的耦合，引出常用的第三种方案。
方法三：线下异步冗余
数据的双写不再由好友中心服务来完成，而是由线下的一个服务或者任务来完成，如上图1-6流程：
（1）业务方调用服务，新增数据；
（2）服务先插入T1数据；
（3）服务返回业务方新增数据成功；
（4）数据会被写入到数据库的log中；
（5）线下服务或者任务读取数据库的log；
（6）线下服务或者任务插入T2数据；
这个方法，有什么优点呢？
（1）数据双写与业务完全解耦；
（2）请求处理时间短（只插入1次）；
这个方法，有什么不足呢？
（1）返回业务线数据插入成功时，数据还不一定插入到T2中，因此数据有一个不一致时间窗口（这个窗口很短，最终是一致的）；
（2）数据的一致性依赖于线下服务或者任务的可靠性；
上述三种方案各有优缺点，可以结合实际情况选取。
数据冗余固然能够解决多对多关系的数据库水平切分问题，但又带来了新的问题，如何保证正表T1与反表T2的数据一致性呢？
可以看到，不管哪种方案，因为两步操作不能保证原子性，总有出现数据不一致的可能，高吞吐分布式事务是业内尚未解决的难题，此时的架构优化方向，并不是完全保证数据的一致，而是尽早的发现不一致，并修复不一致。
需要强调的是，最终一致性，是高吞吐互联网业务一致性的常用实践。
更具体的，保证数据最终一致性的方案有三种。
方法一：线下扫面正反冗余表全部数据
如上图所示，线下启动一个离线的扫描工具，不停的比对正表T1和反表T2，如果发现数据不一致，就进行补偿修复。
这个方法，有什么优点呢？
（1）比较简单，开发代价小；
（2）线上服务无需修改，修复工具与线上服务解耦；
这个方法，有什么不足呢？
（1）扫描效率低，会扫描大量的“已经能够保证一致”的数据；
（2）由于扫描的数据量大，扫描一轮的时间比较长，即数据如果不一致，不一致的时间窗口比较长；
有没有只扫描“可能存在不一致可能性”的数据，而不是每次扫描全部数据，以提高效率的优化方法呢？
方法二：线下扫描增量数据
每次只扫描增量的日志数据，就能够极大提高效率，缩短数据不一致的时间窗口，如上图1-4流程所示：
（1）写入正表T1；
（2）第一步成功后，写入日志log1；
（3）写入反表T2；
（4）第二步成功后，写入日志log2；
当然，我们还是需要一个离线的扫描工具，不停的比对日志log1和日志log2，如果发现数据不一致，就进行补偿修复。
这个方法，有什么优点呢？
（1）虽比方法一复杂，但仍然是比较简单的；
（2）数据扫描效率高，只扫描增量数据；
这个方法，有什么不足呢？
（1）线上服务略有修改（代价不高，多写了2条日志）；
（2）虽然比方法一更实时，但时效性还是不高，不一致窗口取决于扫描的周期；
有没有实时检测一致性并进行修复的方法呢？
方法三：实时线上“消息对”检测
这次不是写日志了，而是向消息总线发送消息，如上图1-4流程所示：
（1）写入正表T1；
（2）第一步成功后，发送消息msg1；
（3）写入反表T2；
（4）第二步成功后，发送消息msg2；
这次不是需要一个周期扫描的离线工具了，而是一个实时订阅消息的服务不停的收消息。
假设正常情况下，msg1和msg2的接收时间应该在3s以内，如果检测服务在收到msg1后没有收到msg2，就尝试检测数据的一致性，不一致时进行补偿修复。
这个方法，有什么优点呢？
（1）效率高；
（2）实时性高；
这个方法，有什么不足呢？
（1）方案比较复杂，上线引入了消息总线这个组件；
（2）线下多了一个订阅总线的检测服务；
however，技术方案本身就是一个投入产出比的折衷，可以根据业务对一致性的需求程度决定使用哪一种方法。
总结
文字较多，希望尽量记住如下几点：
（1）好友业务是一个典型的多对多关系，又分为强好友与弱好友；
（2）数据冗余是一个常见的多对多业务数据水平切分实践；
（3）冗余数据的常见方案有三种：
（3.1）服务同步冗余；
（3.2）服务异步冗余；
（3.3）线下异步冗余；
（4）数据冗余会带来一致性问题，高吞吐互联网业务，要想完全保证事务一致性很难，常见的实践是最终一致性；
（5）最终一致性的常见实践是，尽快找到不一致，并修复数据，常见方案有三种：
（5.1）线下全量扫描法；
（5.2）线下增量扫描法；
（5.3）线上实时检测法；