Uber系统架构设计

Uber 一开始是单体架构，后来逐渐演化为面向服务的架构。Uber 最早只为旧金山提供服务，他们称之为 UberBlack。后来随着核心领域模型的增长以及引入了越来越多的新特性，组件的耦合非常严重，持续集成变成了沉重的负担，每次部署都意味着需要一次性部署所有的东西。在单一代码库中添加新功能、修复 bug、解决技术债务变得非常困难，这也是为什么 Uber 后来采用面向服务的架构的原因，这也促使 Uber 工程团队重构了新的 Uber 应用。

新应用程序增加了 UberPool、预约出行和促销车辆的视图。

目标

1. 实现优步核心出行体验 99.99%的可靠性（每年最多 1 小时的停机时间，每周最多 1 分钟，换句话说，每 10000 次运营一次只能出现 1 次故障）
2. 代码库拆分成两部分：核心代码和可选代码。核心代码被用于乘客注册、呼叫、完成或取消出行要求时，任何对核心代码的修改都必须经过严格的审查。可选代码很少被审查，并且可以在任何时候被动态关闭。这鼓励了代码级别上的相互独立，允许我们尝试新特性并随时停止它们。
3. 核心架构：类名、业务逻辑单元之间的继承关系、主业务逻辑、插件点（名称、依赖关系、结构等）、响应式编程链（响应式编程之间的关系）、统一平台组件（统一的平台级模块）

解决方案

1. 应用 iOS 架构（从 MVC 到 VIPER，并创建 Riblets）

功能性需求

1. 乘客可以查看附近的司机
2. 乘客可以发起乘车请求
3. 乘客可以查看司机的预计到达时间和预计价格
4. 司机如果接受请求，直到整个行程结束，乘客都可以查看司机的位置并与之沟通
5. 乘客可以预定出租车
6. 可以自动匹配乘客和司机
7. 可以看到附近的出租车
8. 位置跟踪
9. 事后操作：评价、发送电子邮件、更新数据库、付款
10. 价格和激励：在预测算法的帮助下，当需求增加而供给减少时，价格会上升。据 Uber 称，激励有助于满足供给需求，通过提高价格，当需求增加时，路上会有更多的出租车。

非功能性需求

1. 全球化
2. 低时延
3. 高可用
4. 高一致性
5. 可扩展性
6. 数据中心故障：用于处理意外的级联故障或上游网络提供商的失效。Uber 维护了一个备份数据中心，交换机已经准备好将所有数据都路由到备份数据中心，唯一的问题是正在进行的行程的数据可能没有备份。

DISCO — Uber 系统的基础

1. 供给服务（在司机端操作）
2. 请求服务（在乘客端操作）

调度优化（或称 DISCO，Dispatch optimization）是 Uber 系统的一部分，用于基于位置数据匹配需求和供给。在匹配司机和乘客时，DISCO 保持最小化总服务时间和驾驶时间。与简单地使用纬度和经度来定位乘客和司机不同，DISCO 使用了更精确的谷歌 S2 库，它将地图划分为多个小单元。例如根据需求，可以在地图上设置 1 平方公里的单元格，每个单元分配唯一的 ID，因此在分布式系统中可以通过 ID 更方便的存储和访问单元数据，并且可以使用一致性哈希来存储单元数据。

调度系统基于 NodeJS 实现，提供基于事件的异步机制，允许在任何时候通过 WebSocket 和应用程序进行交互。Uber 使用一致性哈希环来扩展其 DISCO 服务器，从而在服务器之间有效分配负载，并自动检测集群中是否有新节点被添加或是否有节点从集群中移除，从而通过 SWIM/Gossip 协议重新分配工作负载。服务器之间通过 RPC 进行通信。

请求服务

• 乘客请求搭乘出租车
• 可以获得乘客发起请求的位置
• 微服务通过 WebSocket 获取乘客发起的请求
• 跟踪乘客的 GPS 位置
• 接受乘客的特定需求
• 将请求以及其他需求移交给调度系统，以将其连接到供给服务

供给服务

• 为司机端提供服务
• 使用经纬度数据（地理位置）跟踪出租车
• 所有在线的出租车每 5 秒过 Web 应用程序防火墙向负载均衡器发送一次它们的位置
• 负载均衡器将出租车的 GPS 位置定向到 Kafka REST API。
• 出租车的位置信息被更新到 Kafka，同时副本被发送到数据库和 DISCO，这样每个服务都可以使用最新的出租车位置信息

DISCO — 调度优化

1. 减少司机驾驶时间
2. 减少乘客等待时间
3. 最小化总服务时间

出行数据

• 出租车位置数据
• 出行完成后的计费数据，包括出行开始和结束的时间戳，这样 Uber 可以计算车费并向乘客收费

数据库架构

• 支持应用频繁读写
• 因为出租车每 5 秒更新一次位置信息，因此会有频繁的写操作。同时有很多出行请求，意味着读操作也会很频繁。
• 从关系型数据库 PostgreSQL 到建立在 MySQL 之上的无模式 NoSQL 数据库

系统架构

系统组件

地图 — 把出租车位置发送给乘客

• 乘客发出出行请求，应用程序会在地图上显示附近所有司机的位置。当客户打开地图时，会向服务器发送查找附件所有司机的查询。
• Kafka 提供的实时位置数据将用于计算司机到达时间，这样乘客就可以知道车辆什么时候会来，同时还会告诉乘客到达目的地的预计时间。
• Dijkstra 算法可以用来在有公路网的地图上找到最短路径。由于最短路径（按距离计算）并不总是最快路径（繁忙的交通可能会影响到达时间），更复杂的人工智能算法也可以用来估算最短行驶时间。

Web 应用防火墙

• 出于安全原因会设置防火墙，用来拦截来自可疑来源或服务不支持地区的请求。

负载均衡

• Uber 使用三层负载均衡器，分别用于处理网络的三层、四层和七层协议。L3 是基于 IP 的负载均衡，L4 用于基于 DNS 的负载均衡，L7 处理应用程序负载均衡。

Kafka

• Kafka 为 Uber 提供了日志层。它可以立即将更新记录到某个存储位置，从而可以被不同微服务使用。Kafka 提取所有这些实时更新并保证没有信息丢失。在实现上，通过一个 Kafka 服务器集群来达成这个目的。

Web Sockets

• 在这种类型的应用程序中，客户端（包括乘客应用和司机应用）和服务器之间的通信可以通过 Web Sockets 来完成，从而可以保持客户端与服务器之间的长连接。

Hadoop

• Uber 通过分析数据来改善服务。Kafka 会定期在 Hadoop 中存储和归档数据，这些数据在分析应用程序的不同使用趋势时很有帮助。例如，可以知道何时何地有更多的 Uber 司机或更多的出行请求。

基于 MySQL 的支付数据库

• 支付服务基于 Kafka，在出行服务完成后被触发。一旦出行完成，基于距离、时间等信息，计算出需要支付金额，并将所有这些信息插入支付 MySQL 数据库中。如果需要的话，支付服务也将与支付网关对接。此外还提供开放 API，以供查询客户或司机帐户所有与支付相关的信息。
• 支付选项，方便用户添加新的支付配置文件
• 对交易进行支付预授权，保证有一定数量的金额可供支付
• 取消付款，退款
• 获取客户账户并收费，将金额从用户账户转移到 Uber
• 删除支付选项和配置文件
• 小费
• 预约服务
• 促销
• 按期清偿未付款项
• 在服务期间切换支付方式
• 默认支付方式，支持回退或选择
• 重复支付
• 不正确的货币转换
• 错误的付款
• 缺失的付款
• 空授权

Spark 流处理集群

• 跟踪基本事件，例如找不到司机，识别缺少司机的区域，以及其他基本分析。Spark 集群还会转储 Hadoop 集群中的所有事件，以便进行进一步分析，如用户分析、司机行为分析等，从而可以将客户或司机划分为高级、常规等不同等级。

司机资料引擎

• 基于评价、服务时间精度等信息对司机进行分类

欺诈引擎

• 如果同一司机总是接同一用户的单子，他们很有可能是朋友，或者他试图利用 Uber 提供的激励计划。我们还可以使用相同的数据来获取交通或道路状况信息，从而进一步支持地图服务。

Kibana/Graphana - Elastic search

• 日志分析
• 跟踪 HTTP API，管理配置文件，收集反馈和评价，促销和优惠券，欺诈检测，支付欺诈，激励滥用，被盗账户

最后，

大数据

大数据是一个必须要发展的更好的解决方案。

出处：https://xie.infoq.cn/article/c7c4c0fb77b70d1ea3c8c5e0b