IO模型及高性能网络架构分析

IO调用

操作系统一次IO过程： 应用程序发起的一次IO操作包含两个阶段：

• IO调用：应用程序进程向操作系统内核发起调用。

• IO执行：操作系统内核完成IO操作。

操作系统内核完成IO操作还包括两个过程：

• 准备数据阶段：内核等待I/O设备准备好数据

• 拷贝数据阶段：将数据从内核缓冲区拷贝到用户进程缓冲区

其实IO就是把进程的内部数据转移到外部设备，或者把外部设备的数据迁移到进程内部。外部设备一般指硬盘、socket通讯的网卡。一个完整的IO过程包括以下几个步骤：

1. 应用程序进程向操作系统发起IO调用请求

2. 操作系统准备数据，把IO外部设备的数据，加载到内核缓冲区

3. 操作系统拷贝数据，即将内核缓冲区的数据，拷贝到用户进程缓冲区

五大IO模型

阻塞IO模型

假设应用程序的进程发起IO调用，但是如果内核的数据还没准备好的话，那应用程序进程就一直在阻塞等待，一直等到内核数据准备好了，从内核拷贝到用户空间，才返回成功提示，此次IO操作，称之为阻塞IO。

阻塞IO的缺点就是：如果内核数据一直没准备好，那用户进程将一直阻塞，浪费性能，可以使用非阻塞IO优化。

非阻塞IO模型

如果内核数据还没准备好，可以先返回错误信息给用户进程，让它不需要等待，而是通过轮询的方式再来请求。这就是非阻塞IO，流程图如下：

非阻塞IO的流程如下：

• 应用进程向操作系统内核，发起recvfrom读取数据。

• 操作系统内核数据没有准备好，立即返回EWOULDBLOCK错误码（就是EAGAIN）。

• 应用程序进程轮询调用，继续向操作系统内核发起recvfrom读取数据。

• 操作系统内核数据准备好了，从内核缓冲区拷贝到用户空间。

• 完成调用，返回成功提示。

非阻塞IO模型，简称NIO（Non-Blocking IO）。它相对于阻塞IO，虽然大幅提升了性能，但是它依然存在性能问题，即频繁的轮询，导致频繁的系统调用，同样会消耗大量的CPU资源。可以考虑IO复用模型，去解决这个问题。

IO多路复用模型

既然NIO无效的轮询会导致CPU资源消耗，我们等到内核数据准备好了，主动通知应用进程再去进行系统调用，那不就好了嘛？

在这之前，我们先来复习下，什么是文件描述符fd（File Descriptor），它是计算机科学中的一个术语，形式上是一个非负整数。当程序打开一个现有文件或者创建一个新文件时，内核向进程返回一个文件描述符。

IO复用模型核心思路：系统给我们提供一类函数（如我们耳濡目染的select、poll、epoll函数），它们可以同时监控多个fd的操作，任何一个返回内核数据就绪，应用进程再发起recvfrom系统调用。

IO多路复用之select：应用进程通过调用select函数，可以同时监控多个fd，在select函数监控的fd中，只要有任何一个数据状态准备就绪了，select函数就会返回可读状态，这时应用进程再发起recvfrom请求去读取数据。

非阻塞IO模型（NIO）中，需要N（N > = 1 N >= 1N>=1）次轮询系统调用，然而借助select的IO多路复用模型，只需要发起一次询问就够了，大大优化了性能。

但是呢，select有几个缺点：

• 监听的IO最大连接数有限，在Linux系统上一般为1024。

• select函数返回后，是通过遍历fdset，找到就绪的描述符fd。（仅知道有I/O事件发生，却不知是哪几个流，所以遍历所有流）

因为存在连接数限制，所以后来又提出了poll。与select相比，poll解决了连接数限制问题。但是呢，select和poll一样，还是需要通过遍历文件描述符来获取已经就绪的socket。如果同时连接的大量客户端，在一时刻可能只有极少处于就绪状态，伴随着监视的描述符数量的增长，效率也会线性下降。因此经典的多路复用模型epoll诞生。

IO多路复用之epoll：为了解决select/poll存在的问题，多路复用模型epoll诞生，它采用事件驱动来实现，流程图如下：

epoll先通过epoll_ctl()来注册一个fd（文件描述符），一旦基于某个fd就绪时，内核会采用回调机制，迅速激活这个fd，当进程调用epoll_wait()时便得到通知。这里去掉了遍历文件描述符的坑爹操作，而是采用监听事件回调的机制。这就是epoll的亮点。

	select	poll	epoll
底层数据结构	数组	链表	红黑树和双链表
内核实现及工作效率	采用轮询方式检测就绪事件，时间复杂度O(n)	采用轮询方式检测就绪事件，时间复杂度O(n)	采用回调方式检测就绪事件，时间复杂度O(1)
最大连接数	1024	无限制	无限制
工作模式	LT	LT	LT和ET（高效）
fd数据拷贝	每次调用select，需要将fd数据从用户空间拷贝至内核空间	每次调用poll，需要将fd数据从用户空间拷贝至内核空间	使用内存映射(mmap)，不需要从用户空间频繁拷贝fd数据至内和空间，降低拷贝的资源消耗
事件集合	通过3个参数分别传入感兴趣的可读、可写、异常等事件。内核通过对这些参数的在线修改来反馈其中的就绪事件，这使得用户每次调用select都要重置这3个参数	统一处理所有事件类型，因此只需要一个事件集参数。用户通过pollfd.events传入感兴趣的事件，内核通过修改pollfd.revents参数反馈其中就绪的事件	内核通过一个事件表直接管理用户感兴趣的所有事件。因此每次调用epoll_wait时，无需反复传入用户感兴趣的事件。epoll_wait系统调用的参数events仅用来反馈就绪的事件

epoll明显优化了IO的执行效率，但在进程调用epoll_wait()时，仍然可能被阻塞。能不能酱紫：不用我老是去问你数据是否准备就绪，等我发出请求后，你数据准备好了通知我就行了，这就诞生了信号驱动IO模型。

相关视频推荐

C/C++网络编程，最新筛选精读视频，网络编程进阶必看（tcp、udp、epoll、网络协议栈、websocket、dpdk、网络穿透、reactor...）https://www.bilibili.com/video/BV1WG4y1g7H9/

需要C/C++ Linux服务器架构师学习资料加qun812855908获取（资料包括C/C++，Linux，golang技术，Nginx，ZeroMQ，MySQL，Redis，fastdfs，MongoDB，ZK，流媒体，CDN，P2P，K8S，Docker，TCP/IP，协程，DPDK，ffmpeg等），免费分享

IO模型之信号驱动模型

信号驱动IO不再用主动询问的方式去确认数据是否就绪，而是向内核发送一个信号（调用sigaction的时候建立一个SIGIO的信号），然后应用用户进程可以去做别的事，不用阻塞。当内核数据准备好后，再通过SIGIO信号通知应用进程，数据准备好后的可读状态。应用用户进程收到信号之后，立即调用recvfrom，去读取数据。

信号驱动IO模型，在应用进程发出信号后，是立即返回的，不会阻塞进程。它已经有异步操作的感觉了。但是你细看上面的流程图，发现数据复制到应用缓冲的时候，应用进程还是阻塞的。回过头来看下，不管是BIO，还是NIO，还是信号驱动，在数据从内核复制到应用缓冲的时候，都是阻塞的。还有没有优化方案呢？AIO（真正的异步IO）！

IO 模型之异步IO(AIO)

前面讲的BIO，NIO和信号驱动，在数据从内核复制到应用缓冲的时候，都是阻塞的，因此都不算是真正的异步。AIO实现了IO全流程的非阻塞，就是应用进程发出系统调用后，是立即返回的，但是立即返回的不是处理结果，而是表示提交成功类似的意思。等内核数据准备好，将数据拷贝到用户进程缓冲区，发送信号通知用户进程IO操作执行完毕。

异步IO的优化思路很简单，只需要向内核发送一次请求，就可以完成数据状态询问和数据拷贝的所有操作，并且不用阻塞等待结果。日常开发中，有类似思想的业务场景：比如发起一笔批量转账，但是批量转账处理比较耗时，这时候后端可以先告知前端转账提交成功，等到结果处理完，再通知前端结果即可。

• 同步阻塞(blocking-IO)简称BIO

• 同步非阻塞(non-blocking-IO)简称NIO

• 异步非阻塞(asynchronous-non-blocking-IO)简称AIO

一个经典生活的例子：

• 小明去吃同仁四季的椰子鸡，就这样在那里排队，等了一小时，然后才开始吃火锅。(BIO)

• 小红也去同仁四季的椰子鸡，她一看要等挺久的，于是去逛会商场，每次逛一下，就跑回来看看，是不是轮到她了。于是最后她既购了物，又吃上椰子鸡了。（NIO）

• 小华一样，去吃椰子鸡，由于他是高级会员，所以店长说，你去商场随便逛会吧，等下有位置，我立马打电话给你。于是小华不用干巴巴坐着等，也不用每过一会儿就跑回来看有没有等到，最后也吃上了美味的椰子鸡（AIO）

高性能网络框架

要理解网络框架有哪些，必须要清楚网络框架完成了哪些事情。

大致描述下这个请求处理的流程：

• 远端的机器A发送了一个HTTP请求到服务器B，此时服务器B网卡接收到数据并产生一个IO可读事件;

• 我们以同步IO为例，此时内核将该可读事件通知到应用程序的listen线程;

• listen线程将任务甩给handler线程，由handler将数据从内核读缓冲区拷贝到用户空间读缓冲区;

• 请求数据包在应用程序内部进行计算和处理并封装响应包;

• handler线程等待可写事件的到来;

• 当这个连接可写时将数据从用户态写缓冲区拷贝到内核缓冲区，并通过网卡发送出去;

备注：上述例子是以同步IO为例，并且将线程中的角色分为Listen线程、Handler线程、Worker线程，分别完成不同的工作，后续会详细展开。

所以我们可以知道，要完成一个数据交互，涉及了几大块内容：

• IO事件监听

• 数据拷贝

• 数据处理和计算

我们在网络通信中目前划分两种体系结构，分别为：thread-based architecture（基于线程的架构）、event-driven architecture（事件驱动模型），事件驱动体系结构是目前比较广泛使用的一种。这种方式会定义一系列的事件处理器来响应事件的发生，并且将服务端接受连接与对事件的处理分离。其中，事件是一种状态的改变。比如，tcp中socket的new incoming connection、ready for read、ready for write。Reactor模式和Proactor模式都是事件驱动模型的实现方式。

thread-based architecture 基于线程的架构

在早期并发数不多的场景中，有一种One Request One Thread的架构模式。通俗的说就是：多线程并发模式，一个连接一个线程，服务器每当收到客户端的一个请求， 便开启一个独立的线程来处理。该模式下每次接收一个新请求就创建一个处理线程，线程虽然消耗资源并不多，但是成千上万请求打过来，性能也是扛不住的。

这是一种比较原始的架构，思路也非常清晰，创建多个线程来提供处理能力，这种模式一定程度上极大地提高了服务器的吞吐量，由于在不同线程中，之前的请求在read阻塞以后，不会影响到后续的请求。但是，仅适用于于并发量不大的场景，因为：

• 线程需要占用一定的内存资源

• 创建和销毁线程也需一定的代价

• 操作系统在切换线程也需要一定的开销

• 线程处理I/O，在等待输入或输出的这段时间处于空闲的状态，同样也会造成CPU资源的浪费

如果连接数太高，系统将无法承受，不再展开讨论此模型。

event-driven architecture 事件驱动模型

当前流行的是基于事件驱动的IO复用模型，相比多线程模型优势很明显。

在此我们先理解一下什么是Event-Drive-Model事件驱动模型：事件驱动编程是一种编程范式，程序的执行流由外部事件来决定，它的特点是包含一个事件循环，当外部事件发生时使用回调机制来触发相应的处理。

通俗来说就是：有一个循环装置在一直等待各种事件的到来，并将到达的事件放到队列中，再由一个分拣装置来调用对应的处理装置来响应。

Reactor反应堆模式

反应堆模式是一种思想，形式却有很多种。反应堆的本质是什么呢？从本质上理解，无论什么网络框架都要完成两部分操作：

• IO操作：数据包的读取和写入

• CPU操作：数据请求的处理和封装

所以上述这些问题由谁来做以及多少线程来做，就衍生出了很多形式，所以不要被表面现象迷惑，出现必有原因，追溯之后我们才能真正掌握它。

反应堆模式根据处理IO环节和处理数据环节的数量差异分为如下几种：

• 单Reactor线程

• 单Reactor线程和线程池

• 多Reactor线程和线程池

我们来看看这三种常见模式的特点、原理、优缺点、应用场景等。

单Reactor线程模式

这种模式最为简洁，主要是针对于I/O操作而言，一个线程完成了连接的监听listen()、接收新连接accept()、处理连接connect()、读取数据read()、写入数据write()全套工作。由于只使用了一个线程，对于多核利用率偏低，但是编程简单。是不是觉得这个种单线程的模式没有市场？那可未必，不信你看Redis。

但在目前的单线程Reactor模式中，在这种模式种IO操作和CPU操作是没有分开的，不仅I/O操作在该Reactor线程上，连非I/O的业务操作也在该线程上进行处理了，显然如果在Handler处理某个请求超时了将会阻塞客户端的正常连接，这可能会大大延迟I/O请求的响应。在Redis中由于都是内存操作，速度很快，这种瓶颈虽然存在但是不够明显。我们应该将非I/O的业务逻辑操作从Reactor线程上卸载，以此来加速Reactor线程对I/O请求的响应。

单Reactor线程和线程池模式

单Reactor线程模式的IO操作和CPU操作是在一个线程内部串行执行的，这样就拉低了CPU操作效率。为了解决IO操作和CPU操作的不匹配，将IO操作和CPU操作分别由单独的线程来完成，相互不影响。单Reactor线程完成IO操作、复用工作线程池来完成CPU操作，添加了一个工作者线程池，并将非I/O操作从Reactor线程中移出转交给工作者线程池（Thread Pool）来执行就是一种解决思路。这样能够提高Reactor线程的I/O响应，不至于因为一些耗时的业务逻辑而延迟对后面I/O请求的处理。

在工作者线程池模式中，虽然非I/O操作交给了线程池来处理，但是所有的I/O操作依然由Reactor单线程执行，在高负载、高并发或大数据量的应用场景，依然较容易成为瓶颈。

所以，对于Reactor的优化，又产生出下面的多Reactor线程和线程池模式。

多Reactor线程和线程池模式

水平扩展往往是提供性能的有效方法。

我们将Reactor线程进行扩展，将Reactor划分为两部分：mainReactor和subReactor，一个mainReactor线程负责处理新连接，其余多个subReactor线程负责处理连接成功的IO数据读写。也就是进一步将监听、创建连接和处理连接，分别由两个及以上的线程来完成，进一步提高了IO操作部分的效率。

mainReactor负责监听server socket，用来处理网络新连接的建立，将建立的socketChannel指定注册给subReactor，通常一个线程就可以处理；subReactor维护自己的selector，基于mainReactor注册的socketChannel多路分离I/O读写事件，读写网络数据，通常使用多线程；对非I/O的操作，依然转交给工作者线程池（Thread Pool）执行。此种模型中，每个模块的工作更加专一，耦合度更低，性能和稳定性也大量的提升，支持的可并发客户端数量可达到上百万级别。在实际生产环境算是比较高配的版本了。

以上就是对Reactor反应堆模式的总结，Reactor模式是一种被动的处理模式，当有事件发生时被动处理事件。