数据冗余，是多对多关系，在数据量大时，数据水平切分的常用实践。
如何进行数据冗余
接下来的问题转化为，好友中心服务如何来进行数据冗余，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：
- 业务方调用服务，新增数据
- 服务先插入T1数据
- 服务再插入T2数据
- 服务返回业务方新增数据成功
优点：
- 不复杂，服务层由单次写，变两次写
- 数据一致性相对较高（因为双写成功才返回）
缺点：
- 请求的处理时间增加（要插入次，时间加倍）
- 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：
- 业务方调用服务，新增数据
- 服务先插入T1数据
- 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）
- 服务返回业务方新增数据成功
- 消息总线将消息投递给数据同步中心
- 数据同步中心插入T2数据
优点：
- 请求处理时间短（只插入1次）
缺点：
- 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）
- 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）
- 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：
- 业务方调用服务，新增数据
- 服务先插入T1数据
- 服务返回业务方新增数据成功
- 数据会被写入到数据库的log中
- 线下服务或者任务读取数据库的log
- 线下服务或者任务插入T2数据
优点：
- 数据双写与业务完全解耦
- 请求处理时间短（只插入1次）
缺点：
- 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）
- 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？
如何保证数据的一致性
上一节的讨论可以看到，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。
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。
优点：
- 比较简单，开发代价小
- 线上服务无需修改，修复工具与线上服务解耦
缺点：
- 扫描效率低，会扫描大量的“已经能够保证一致”的数据
- 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：
- 写入正表T1
- 第一步成功后，写入日志log1
- 写入反表T2
- 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
优点：
- 虽比方法一复杂，但仍然是比较简单的
- 数据扫描效率高，只扫描增量数据
缺点：
- 线上服务略有修改（代价不高，多写了2条日志）
- 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：
- 写入正表T1
- 第一步成功后，发送消息msg1
- 写入反表T2
- 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
优点：
- 效率高
- 实时性高
缺点：
- 方案比较复杂，上线引入了消息总线这个组件
- 线下多了一个订阅总线的检测服务
总结
文字较多，希望尽量记住如下几点：
- 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
- 数据冗余**是一个常见的多对多业务数据水平切分实践**
- 冗余数据的常见方案有三种
（1）服务同步冗余
（2）服务异步冗余
（3）线下异步冗余 - 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
- 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
（1）线下全量扫描法
（2）线下增量扫描法
（3）线上实时检测法
