一.Scalability 是什么？
Scalability is the property of a system to handle a growing amount of work by adding resources to the system.
（摘自Scalability）
即，通过向系统添加资源的方式应对不断增加的工作量
那么，如何添加资源呢？
二.扩展硬件资源
加资源有两种加法，纵向扩展与横向扩展
纵向扩展
纵向扩展（Vertical scaling），即提升单机配置，对单台机器加内存、处理器、硬盘等硬件资源。投入足够多的预算，就能砸出一台配置豪华的服务器
然而，这种单点强化式的扩展不可能无限进行下去，因为很快会达到顶配（或者耗光预算），所以不算是个完整的解决方案
横向扩展
另一种加资源的方式是横向扩展（Horizontal scaling），即加机器，数量上从一台扩展到多台，多服务器形成拓扑结构。投入足够多的预算，就能拥有一个机房，甚至遍布全球的数据中心
理论上，横向扩展是没有上限的，我们可以使用无限多台服务器支撑无限多的用户请求。而且，横向扩展相当于引入了冗余（Replication），比单机更可靠
但机器由一台变成多台之后，面临的最大问题是资源分配，如何充分利用这些机器？即，如何均衡负载？
三.负载均衡
负载均衡器（Load Balancer）负责把用户请求分发到多个服务器上，具体的，公网 Load Balancer 根据路由规则分发入站 HTTP 请求，决定把数据包实际发送给哪个内网服务器
常见的分发策略有：
基于负载情况分发
轮流均分
基于资源依赖情况分发
当然，最理想的分配策略是基于服务器当前负载情况分发，比如把新请求交给不太忙的服务器，但问题在于负载情况不那么容易精确获知
而最简单的分配策略是轮流（Round robin），比如第一次请求 URL 时返回 Server1 的 IP 地址，第二次返回 Server2 的 IP 地址……然而，轮流工作意味着一视同仁，假定每个请求的工作量相同，每个 Server 的处理能力也相同，但实际场景大多不满足这样的条件
P.S.不建议用 DNS 来充当负载均衡器（添加一系列 A 记录），因为操作系统以及应用层的 DNS 缓存会破坏这种轮流均分的机制
另一方面，不同类型的服务对资源的依赖情况（带宽、存储、计算能力等）可能不一样，所以也可以采用专用服务器，并根据资源依赖情况分发，比如对 gif、jpg、image、video 等使用不同的专用服务器，并通过子域名等方式来区分
会话保持
加一层 Load Balancer 解决了资源分配的问题，但又带来了一个新问题：前后两个请求可能被负载均衡器转发到不同的服务器上，如果这两个请求有关联（比如登录和下单），前置的状态就会丢失（用户刚登录完点击下单接着可能又要求登录）
一种解决办法是粘滞会话（Sticky sessions），把相关联的请求转发给同一台服务器：
Send all requests in a user session consistently to the same backend server.
（摘自Load balancing (computing)）
比如在 Cookie 中带上服务器的标识信息，之后的一系列请求都转给那台服务器
P.S.但 Cookie 可能会被禁用，因此一般会综合使用多种方式来保持会话
另一种方案是把 Session“外包”出去，存放到公共的地方，供其它服务器共享访问：
Every server contains exactly the same codebase and does not store any user-related data, like sessions or profile pictures, on local disc or memory. Sessions need to be stored in a centralized data store which is accessible to all your application servers.
至此，我们增加了一些机器，并通过一个负载均衡器让多台机器共同分担运转起来了，看起来一切都很完美……那么，如果这个负载均衡器 down 掉了呢？
四.引入冗余
引入负载均衡器之后，所有请求都要先经过负载均衡器，负载均衡器就成为了网络拓扑结构中脆弱的单点，一旦发生故障，身后的所有服务器就都无法访问了
冗余负载均衡器
为了避免单点故障（Single Point of Failure），负载均衡器同样需要引入冗余（比如使用一对儿负载均衡器），一般有两种故障转移（Fail-over）模式：
主动-被动（Active-passive）：主动的工作，被动的备用，主动的 down 掉后被动的上
主动-主动（Active-active）：同时工作，一个 down 掉之后不影响
无论采用哪种工作模式，引入冗余都能缩短宕机时间，提升系统可靠性与可用性
五.扩展数据库
理论上，有了可靠的负载均衡机制，我们就能将 1 台服务器轻松扩展到 n 台，然而，如果这 n 台机器仍然使用同一数据库的话，很快数据库就会成为系统的性能瓶颈和可靠性瓶颈
如法炮制，我们可以扩展数据库的处理能力，多加几个库，即引入冗余，一般有两种模式：
主从复制：主库直接读写，从库在主库收到查询时，执行相同的查询。如果主库 down 掉了，就在从库里面提升一个作为主库
主主复制：都可以写，写操作也会被复制到另一个库中
数据库引入冗余之后，甚至还能对多个从库进行负载均衡（尤其适用于读密集的场景）：
以及按内容特点分区存储（Partitioning）：
将姓名以 A-M 开头的数据存放到左边的几个数据库，N-Z 开头的存放到右边
同时，也可以通过分库分表（Sharding）、反范式化（Denormalization）、SQL 调优（SQL tuning）等方式优化查询
到这里，数据库层所能做的扩展优化似乎已经达到极限了，那么，还有其它办法能够减轻数据库的压力吗？
六.缓存
另一种思路是尽可能减少数据库操作，比如在 Web 服务与数据之间增加一层内存缓存，查询时优先走缓存，缓存中没有才从数据库中取
一般有两种缓存模式：
缓存查询结果
缓存对象
缓存所有查询结果最大的问题在于，数据发生变化后，很难判定缓存是否过期：
It is hard to delete a cached result when you cache a complex query (who has not?). When one piece of data changes (for example a table cell) you need to delete all cached queries who may include that table cell.
而缓存对象是指缓存根据原始数据组装出的数据模型（比如一个 Java 类实例），优势在于获知数据变化之后，能够丢弃与之具有逻辑关联的数据对象，从而解决缓存过期的难题
至此，我们已经自下而上地讨论了包括硬件资源、数据库、缓存在内的可扩展性问题，那么，Web 服务自身应该如何扩展？
七.异步处理
对于 Web 服务而言，提升可扩展性的主要途径是将耗时的同步工作改成异步处理，从而允许将这些工作“外包”给多个 Worker 去做，或者提前完成能够预知的部分
