尽可能削减体系中的时光缓存。因为年夜多半RDBMS(关系数据库治理体系)具有ACID属性，要扩大具有时光约来的体系异常难。要郑重斟酌对于约来的需水，如要水从用户看到物品直到购置它时它一向可用。对于某些边沿情形，赔偿用户的掉望比不克不及拓展体系好得多。

在你常用的搜刮引上简略搜刮一下，就能找到关于该主题的免费好建议。我们要介绍的是两个基本要点:

第一，假如你想以具有成本效益的方法进行扩大，必需采取运用层缓存；

口第二，这种缓存方法必需从体系架构的角度开辟，以使其历久有用。

依照办事或资本(Y轴)划分平台(或架构)，或者依照你对要求者或客户懂得的某一项进行划分(Z轴)，会为办事要求供给伟大的数据可缓存性。问题是，采取分歧的轴或原则划分各自能获得多年夜的利益跟着开辟了新特征或功效，有了新的数据需求，这个问题的谜底会转变。

那么实现办法就要随之转变，以顺应赓续转变的营业需求。但辨认这些转变的需求的进程是雷同的。进修型的组织须要赓续剖析产物流量、每个生意业务的成本以及用户感知的响应时光，以便在临盆情况中涌现瓶颈的早期迹象时就辨认出来，把数据交给架构组对产物进行修正。

这个问题的症结是，哪种类型的划分或过细划分可以使体系或平台在扩大性和成本方面获得最年夜的利益。经由过程实现准确的划分并在运用办事器上缓存数据，完整可能用100台或10万台办事器处置相当于当前临盆情况流量的两倍、三倍甚至十倍的流量。为了解释这一点，让我们看个常用的电子商务站点的例子，这是一个相当典范的专注于知足营业需求SaaS站点，照样一个社交收集或在社交网站。

我们的电子商务站点具有许多功效，包含搜素、阅读、图像查看(包含缩放)、账户更新、登录、购物车、登出、建议物品，等等。对当前临盆情况流量的剖析注解，最常用的功效(包含搜刮、阅读和建议物品)涉及80%的生意业务，而这些生意业务涉及的商品不到总量的20%。这里可以应用帕累托轨则，对这些类型的办事进行Y轴(功效性的)划分，让相对较少的对象获得较高的射中率。这种办法的缓存性比拟高，动态体系可以受益于以前类似的要求获得的成果。

我们还发明存在年夜量的超等用户，他们的要求相当频仍。对于那些与用户相干的功效，如登录、购物车、账户更新(或其他账户信息)等，可以采取Z轴划分。固然我们可以对这些事宜进行假设，但显然从现有的盈利站点获取真正的产物数据更有助于我们做决议。

再举一个例子，假设我们有一个SaaS营业，经由过程德律风办事、电子邮件办事、聊天办事和关系治理体系赞助公司进行客户支撑。在这个体系中，任何特定营业都有很多特有的原则。对于每个营业，这些原则可能都须要年夜量的内存来缓存这些规矩以及营业运维所必须的数据。假如你已经得出了却论，即面向客户的划分或者说Z轴划分是准确的办法，那么你是对的。但我们还想在数据库和运用方面都保持多租户的假象。若何实现这一点，而且把最常拜访的用户缓存起来，以便进行具有成本效

益的扩大呢?我们]的谜底照样帕累托轨则。最年夜营业的20%可能占总生意业务量的80%(我们的年夜部门客户都存在这种情形)，我们可以将它们散布在几个划分的数据库上。要获得成本的杠杆感化，可以把80%6较小的用户平均散布到所有划分的数据库上。这里的理论根据是拜访较少的公司缓存射中率较低，即使它们存在于本身之中。是以，我们可以让较年夜的客户从缓存中获益，同时从较小的客户那边获得成本杠杆。除非我们把较小的客户放在它们专用的体系中，不然它们的的体验与年夜客户不会有显著的分歧，而众所周知，如许做，我们]不克不及获得SaaS情况带给我们的预期收益。

最后一个例子是处置社交收集或交互式站点。你可能已经预感到了我们仍然要运用帕累托轨则和从我们的临盆情况获得的信息，赞助我们进行决议计划。社交收集平日会有少量的用户发生令人难以置信的年夜流量。有时，这些用户可能是活泼的花费者，有时他们则是活泼的临盆者(其他用户的目标地)，而有时则两者兼备。

第一步，我们要辨认是否有一小部门信息或子站点占领了年夜量的“读”流量。在社交收集中，这种节点可以在我们设计架构时供给指引，使我们对那些临盆者履行Z轴划分，从而在读操作方面，使它们的节高具有高缓存性。假设帕累托轨则成立(平日成立)，我们用少量的办事器供给了快要80%的读流量。我们的股东会很愉快，因为以异常低的本钱密集度就可以办事于那些要求。

对于社交收集中异常积极的内容临盆者和更新，又该若何呢?依据它们的内容是否具有很高的花费(读)率或是否根本处于休眠状况，这个问题的谜底有所分歧。对于用户具有高临盆(写更新)率和高花费(读) 率的情形，可以直接把它的内容存宣布到读取它的谁人分区或节点上。假如跟着这些节点越来越热点，读写冲突成为问题了，那么我们可以应用读复制和程度扩大技巧(X轴划分)，或者开端斟酌若何对这些更新进行排序，并异步地运用它们跟着我们赓续地成熟，可以把这些技巧混杂起来应用。假如应用了从阅读器到CDN到页面缓存和运用缓存的各类缓存技巧之后，仍然有问题，那么可以持续细化我们的划分。我们可以给特定用户的更新分出级别，依据内容分界限划分它们(另一种类型的Y轴划分)，或者，我们可以持续创立数据实例的副本(X轴划分)。也许我们发明要读的信息有特别的地舆倾向性，某些类型的消息就属于这种情形，那么可以依据要求的地舆地位决议的界限划分数据，要求是我们懂得的有关要求者的信息，是以，这是另一种类型的Z轴划分。

但愿你已经发明了这个原则中的模式。第一步是推想可能应用的划分办法，并决议采取哪种划分办法可以最年夜化网站扶植缓存性。在运用和支撑层面的永远性数据存储中实现这些划分后，在临盆情况中评估它们的有用性。基于临盆数据进一步细化你的办法，并迭代性地运用帕累托轨则和AKF扩大立方，来细化和进步缓存射中率。