架构与系统设计 / 系统课时
设计候选方案与权衡矩阵
设计候选方案与权衡矩阵
架构问题通常不存在唯一正确答案。与其先选中熟悉的技术再寻找理由,不如为同一约束保留多个可行方案,用质量属性、成本和复杂度统一比较,最后形成可以复核的决策依据。
学习目标
- 为同一个架构问题构造至少两个真正可行的候选方案
- 把性能、可用性、一致性、成本和复杂度转换为可比较的评价维度
- 使用带权矩阵辅助决策,并识别评分无法替代的硬约束
先从约束产生候选方案
候选方案不是随意列几个技术名词,而是针对同一个目标采用不同的解决路径。假设订单查询接口活动期预计达到 8000 QPS,要求 p95 延迟不超过 150 ms,同时团队只有一个季度完成改造,就可以形成三种候选路径:继续扩展应用和数据库读副本、在现有架构前增加缓存、或者建设独立读模型并把查询链路拆开。
每个候选方案都要先满足基本可行性。明显违反硬约束的方案应该直接淘汰,例如项目只剩两个月却选择需要半年数据迁移的方案。矩阵的作用是比较“都能做”的方案,而不是让不可行方案靠其他维度的高分混进决策。
把质量属性转换成评价维度
评价维度应从需求和约束反推,而不是套用固定清单。对延迟敏感的查询系统,性能权重可以更高;金融记账系统可能首先关注一致性;预算受限的内部工具则可能更重视成本和维护复杂度。
一个实用做法是先确定 4~6 个会改变决策的维度,再为它们分配权重。权重总和为 100%,代表当前项目阶段的优先级,而不是某个指标在所有系统中的永久重要性。
对于上述订单查询问题,可以采用延迟 30%、一致性适配度 20%、成本 20%、实现复杂度 15%、扩展能力 15%。评分统一使用 1~5 分,5 分表示最符合当前目标。
用矩阵显式比较方案
下表给出一次示例评估。方案 A 是应用水平扩展加数据库读副本,方案 B 是在现有链路增加 Redis 缓存,方案 C 是建设独立读模型。分数必须结合具体约束解释,不能脱离场景复制。
| 维度 | 权重 | 方案 A | 方案 B | 方案 C |
|---|---|---|---|---|
| 延迟 | 30% | 3 | 5 | 5 |
| 一致性适配度 | 20% | 5 | 3 | 4 |
| 成本 | 20% | 4 | 4 | 2 |
| 实现复杂度 | 15% | 5 | 3 | 2 |
| 扩展能力 | 15% | 3 | 4 | 5 |
| 加权总分 | 100% | 3.90 | 3.95 | 3.75 |
加权分数可以按 计算。这里方案 B 略高,但它并没有形成压倒性优势,这反而是一条重要信息:缓存方案在延迟和成本上较合适,却需要额外解决缓存一致性和失效策略。
如果业务突然把“订单状态必须读到最新提交结果”提升为不可妥协的硬约束,那么一致性就不该只作为 20% 的普通评分项,而应成为淘汰条件。此时方案 B 可能需要增加强制回源机制,或者直接失去候选资格。
避免用数字制造虚假的确定性
权衡矩阵的目标是暴露理由,而不是把复杂架构决策伪装成数学定理。3 分和 4 分之间往往存在主观判断,因此每个关键评分都应能回答“为什么”,最好还能指出对应证据,例如压测结果、云资源报价、团队技能或迁移工作量。
对于差距很小的方案,可以做敏感性检查。若把一致性权重从 20% 提升到 30% 后排名立即反转,说明决策高度依赖这一质量属性,需要进一步和业务确认,而不是机械选择原始总分最高者。
把比较结果沉淀成架构决策
最终记录不必保存全部讨论过程,但至少要写清问题、候选方案、关键约束、比较维度、被选方案以及没有选择其他方案的原因。这样半年后需求变化时,团队可以判断原决策的前提是否仍然成立,而不是重新争论当年的个人偏好。
以上例而言,可以选择方案 B 作为近期方案,同时明确两个前提:查询允许短时间缓存旧值,且团队能建立可靠的失效与回源机制;若未来查询规模继续扩大或读写模型差异显著,再重新评估方案 C。这样的结论比“Redis 性能更好”更接近可演进的架构决策。