在最近的一次大数据技术讨论会上，有一家公司的技术高管谈到松耦合和紧耦合的性能表现的话题。正好Laxcus大数据管理系统的设计，从0.x、1.x到2.x版本，也经历了从紧耦合到松耦合的发展过程。做为亲历者，对这两种架构的设计和运行效果，我们有清楚的了解和认识。下面就说一说这件事。写此博文，也希望给做系统设计的兄弟们，尤其是做高并发、复杂数据计算的同行提供一点参考。

　　先说紧耦合，这种架构是我们在Laxcus 0.x、1.x中采用的。如下图所示，紧耦合架构本质是一个Client/Server模型。客户机发起请求给服务器，服务器收到，根据请求做出应答，然后反馈给客户机。这种架构最典型的应用就是我们每天都用到的WEB服务。优点嘛，就是简单。架构简单、设计简单、开发周期短、能够快速投入部署和应用。在Laxcus集群的早期运行中，这些特点都得到有力的验证。

紧耦合架构

　　但是到了后期，随着Laxcus集群规模的不断扩大，访问量的不断增加，尤其是数据计算量、计算时间成倍数的增长后，紧耦合架构渐渐不堪重负，缺点开始不断暴露出来，主要有以下几个方面：

　　1. 无法支持大规模的计算业务。因为大数据业务对计算机资源占比普遍很大，导致多任务并行能力有限。举个例子，我们曾在一台Pentium IV 2.G + 2G的机器上测试一项小规模的数据处理业务。当并行任务量达到100多个的时候，计算机已经发生超载现象。

　　2. 计算机载荷无法控制。换句话说，就是计算机不能控制超载现象，而超载对硬件伤害非常大，这会严重降低计算机稳定运行能力和使用寿命。

　　3. 任务执行过程中管理难度大。任务在执行过程中不受管控。

　　4. 对网络资源消耗大。同步操作在数据发送和数据返回之间，有很大一段是空闲的，这种空闲占用是对网络资源的极大浪费。

　　5. 安全控制力度差。因为服务器直接暴露给客户机，容易引发网络攻击行为。

　　6. 程序代码之间关联度过高，不利于模块化处理。

　　7. 以上现象最终导致系统稳定性变差。

　　这些问题出现后，我们开始考虑修改系统设计。经过多番考量、比较、权衡之后，我们决定改用松耦合架构重新规划系统设计。新框架是在原来Client/Server模型之上的改进，即在Client/Server模型之间加入一个代理（Agent），把CS模型变成CAS模型。在新的架构下，客户机的角色不变，代理服务器承担起与客户机通信，和对客户机的识别判断工作，服务器位于代理服务器后面，对客户机来说不可见，它只负责数据处理工作。另外我们也把CS模型的同步操作改为CAS的代理处理。

　　在设计新架构的同时，我们还发现，如果要适应松耦合架构，原来在紧耦合架构下运行的程序代码，因为现在的工作方式发生了发生了变化，它们几乎都要重写。这可是一个庞大的工程，需要消耗大量的人力、时间去修改和调试。所以我们在松耦合架构之上，结合代理服务器，又设计了一套Invoke/Produce机制。这是另一种代理方案，是针对数据处理进行抽象化处理和分组分级管理。原来的数据处理和业务逻辑套用这套机制后，程序代码基本不用修改，转移到CAS模型上运行就可以了。

松耦合架构

　　新架构设计和代码修改完成后，我们在原来的集群上，和紧耦合架构做了各种对比测试。结果表现是出其的好，不仅解决了紧耦合架构上存在的所有问题，而且其中很多技术指标还超出了我们的预估，主要表现以下一些方面：

　　1. 多任务并行处理能力获得极大提升。同样是上述那个数据处理，紧耦合架构只能支持最大约100多个并行，而转到松耦合架构上，达到了8700多个。这还只是在Pentium IV 2.0芯片上的表现，放到Core 2平台，并行处理任务很轻松地超过10000个。

　　2. 实现负载自适应机制。（根据当时运行环境，松耦合架构分配并行工作任务，避免超载现象）。

　　3. 实现了运行任务的随机控制。 （松耦合架构对运行中的工作任务进行随机调整和控制，进一步避免了持续超载现象）。

　　4. 基本杜绝了网络攻击行为。由于代理服务器的隔绝和筛查作用，同时结合其它安全管理手段，外部攻击在代理服务器处就被识别和过滤掉了，这样就保护了后面的服务器不受影响。

　　5. Invoke/Produce机制改善了程序结构的模块化，有利于实现复杂的数据业务处理。

　　6. 异步操作减少了网络资源消耗和操作关联。

　　7. 综合以上措施，它们共同增强了系统稳定性。

　　最后用一张表格对两种架构做个对比，做为两种架构性能特点的总结。有关Laxcus详细介绍，请见《Laxcus大数据管理系统》一文。