假设微信朋友圈的
读 QPS 100w
写 QPS 10w
每个用户最多 400 个美国服务器朋友，
发朋友圈和刷朋友圈该怎么设计？
数据怎么存储？
求大佬解答。
查阅 feed 流

这种面试不就是在空手套白狼？白嫖人家的高并发设计架构

我感觉 面试想问 数据表和缓存怎么设计，可以参考评论系统。

这种有时间先后顺序的 timeline，就是用 redis 的 list(双向链表)专门为每个人保存一个缓存
如果关注者数量不多，就采用采用 push 模式，否则采用 pull 模式
push 模式是一个人发了朋友圈往他朋友们的 timeline 里同步，删除了就全删掉
点赞也是先临时修改对应的链表结点，再定期落到关系数据库里

空手套白狼倒是也没那么浮夸，这种就算你说了，如果对方没做过，也做不了

这个好像之前有个帖子讨论过，读扩散与写扩散

feed 流系统设计
有很多博客系统性讲这个

发发帖子老哥们

读写又不是单机实时的，4000w 怎么了？

才 400 好友，写扩散就行了

https://leetcode.com/problems/design-twitter/
https://leetcode-cn.com/problems/design-twitter/

写扩散吧，读扩散更吓人，按他这么算，读扩散不得 400*100w = 40000w ? 每秒 4 亿？
感觉还是从优化的方向想办法，不是每个人都有 400 朋友，更不是每个人都每秒不停刷刷刷

https://www.v2ex.com/t/768603
并发写:分库分表+mq 异步没什么扛不住的
并发读:一个集群扛不住那就多集群,做好 uid 分片策略

100w qps 为啥 redis 扛不住了？我们组也是 100w 读 qps 。用的 redis 。至少 3 个 9 uptime 。我怀疑面试官水平不行吧，估计都没接触过百万 qps 服务。

读扩扇（ pull ）没啥毛病

时间线索引，这量级不单独建一个和内容分离的索引表是不可能的

发朋友圈的时候给每个朋友发一条消息
刷朋友圈的时候从手机本地读缓存的消息
把用户的手机用来做缓存，并把问题转化为了如何实现一个高并发的 IM

你就算是 100w 的请求量，其中有好多都是重复拉取相同的数据吧， 那么就是用 redis + memacache 做多级缓存，利用 kafka 来做消息的队列 ，可以利用 kafka 不同的主题概念，将用户的行为做不同的主题投放，如果一台 Kafka 扛不住这些，那么用不同的 kafka 做不同的主题，起个 job 服务来消费这些消息 ，memacache 可以做内容的缓存，redis 可以做内容消息的索引缓存。根据不同的用户的用户量进行轻重隔离，例如朋友多的用户和朋友少的用户做不同的集群处理。如果有用户很频繁的拉取，可以在你的客户端都拉取限制，然后将这种更新频繁的用户做为热点处理，把缓存的级别提升，做到内存缓存。然后如果用户的拉的内容相同，利用单飞让这些相同的内容，全部命中一个点。 然后你这些服务启动链路追踪 ，调优系统调用的性能。

朋友圈内容可以设置查看权限的 这个怎么搞

完全不知道

先得聊聊什么叫 redis 扛不住，你给的方案难道是主备？

和我想法一样

你可以反问一下他，抖音是怎么做的

假设微信朋友圈的
读 QPS 100w
写 QPS 10w
每个用户最多 400 个朋友，
这里读每秒 100 万此，写每秒 10 万次。
按照要求来算，无论是 SQL 还是 NOSQL 单台机器都完成不了任务。
只能按照分布式方式，把数据拆散储存。
创建一个 users 二进制文件，储存所有用户信息。
创建一个 friends 二进制文件，储存了所有朋友关联信息。
创建一个 user_friends 二进制文件，储存了关联用户和朋友的信息。
此时分布式文件系统储存了以下 3 个文件。
/users.db
/friends.db
/user_friends.db
发朋友圈信息，把数据写到 /message/用户名 /sent.db 这个文件中。
再从 user_friends.db 读取 400 个朋友的用户名，再分别更新文件 /message/用户名 /received.db 文件。
这个读取更新操作是自动完成的，当用户读取朋友圈的时候，会根据上次更新时间来判断是否更新，比如上次更新在 1-3 分钟内，根据负载来判断是否更新，负载很高的情况下，并且上次更新少于 3 分钟就不更新。
如果少于 3 分钟，就立即更新信息。更新方式就是读取 400 个朋友用户名，然后再分别读取 /message/用户名 /sent.db 文件，以当前日期为准读取，比如今天是 2020-1-1 日，就读这一天的，然后聚集 400 个朋友的 2020-1-1 这天的信息，根据时间戳来排序。
由于上面采用的是分布式文件系统储存方式，读写压力完全根据有多少台服务器来判定，所以理论上不存在读写限制。
想完成上面操作，推荐用 C++ 或者 Go 语言，上面需求并不复杂。

上面只是说了个大概实现，实际可以进行更详细的拆分，不过拆分越细，整体工程就越复杂，我从简设计的。

这不就是我去腾讯面试的时候的题目吗？

小哥连云港人吗，我有个连云港人在上海的老乡群，可以加一下哈，我的 wechat：ansyxo

你是怎么知道他是连云港的？

没做过这么大量级的，瞎想了想
1.先定义下要持久化的表：朋友圈：moment,用户的跟随者：user_follower,用户跟随了谁：user_followee
用户：user （无关，外部服务）
2.moment(user_id,data...)表
moment 表 10W QPS 写，一天按 10W 秒算，每天新增 100 亿，每年新增 4W 亿。这个量级需要同时做 sharding 和冷热库了。然后热库存最近一年的，剩下全同步给冷库，应该是够用的。
热库：一年需要存 4W 亿，按单表 1KW 算（其实 SSD 了可以多点），需要 40W 个表，2^19=524288 。按照实体机每台 32 个库，每个库 32 个表分，需要 512 台 mysql 实体机，还可以。
冷库：复制一个同规模的集群，随时同步超过一年的数据。正常业务的冷查询不会很多，做好冷库的防刷是另外一个话题。这边要计算下磁盘够不够用，按照一条 moment 2KB 来算，冷库设计存 10 年，需要存 40W 亿（ 40T ） * 2KB = 80PB，平均每台 160TB，现在密集写的服务器等级的 SSD 主要是 3.84TB 的？ girigiri 够。热库除以 10，16TB 一台物理机，肯定够用了。
sharding 维度：按按发布用户 id 吧，my_moment_ids 的查询直接命中了。
3.follower(user_id,follower_id) & followee(user_id,followee_id)表
user_follower 和 user_followee 是等价量级的，可以认为都是热数据。这个增量还比较可控，每人 400 个好友，按 1W 亿规模计算，上面那个方案够用。两个库分别按 user_id 做 sharding，一个对应我关注的用户列表，一个对应关注我的用户列表，写关系时候同步写 2 个表，主要是方便查方便写缓存。
4.发布&查询朋友圈
增加缓存：moment 实体，user_follower_ids，user_followee_ids 的缓存，我发的朋友圈的 id 索引 my_moment_ids(user_id->[{my_moment_id,time},...])，重点是我看的朋友圈的 id 关系索引 mix_moment_ids(user_id->[{followee_moment_id,time},...])：
全量写到 my_moment_idx 缓存，好办。
读 moment 实体，这块甚至能做到 99%命中缓存。
维护 mix_moment_ids：
全量写：如果 mix_moment_ids 要全量写全量存，量级是 moment 表量级的 400 倍，每年要新增 1600 万亿（ 1.6P ）条数据，按上面的计算，就算放宽 sharding 到单表 1 亿，也需要一个上万台的 mysql 集群，估计 GG 。全量写扩散到 redis 不丢弃，每条关系按 10 字节算，一年 16PB，集群内存估计一个月也存不下，GG 。
部分写：
mix_moment_ids 只写前 100 条的 ID，按 100 亿(10G)用户每条 10 字节计算，10TB 数据，redis 集群内存富裕。总之这里策略合适抗住 95%的 mix_moment_idx 查询，剩下 5W 读 qps 需要计算。命中不够就多缓存点，100TB 的 redis 集群还是有的。全量写到 mix_moment_ids 前 100 条的话，写操作先需要读 my_follower_ids，再写到对应人的 mix_moment_ids，集群需要 4KW 的写 QPS，理论上可以做得到。。。吧？不行就只写热点用户。
剩余 5Wqps 变成了读扩散：这里包含没命中缓存的和冷用户，需要取 user_followee_ids，再取 400 个我关注的人的 my_moment_ids 按时间聚合，这样变成 2KW 读 QPS，95%打到 redis 集群上，剩下 100Wqps 命中 mysql 集群的 moment 表，全热库的话每台 2KQPS，够了。这块应该有很大的做各种 trick 优化的空间。
纸上谈兵的话就是这样了，欢迎做过这个量级的来指点迷津
---
感谢头条群友逆天之剑半夜讨论启发

我是用 V2EX 搜索时候，看到的一个关于上海还有连云港帖子的留言，具体内容我忘了