请点击【关注】获取更多互联网和技术干货，头条号IT徐胖子原创本文请勿转载，感谢支持

我认为技术之于业务的意义在于：技术可以实现业务的需求，技术可以丰富业务的手段，技术可以扩展业务的边界。

从0到1构建一个业务系统是一个很具有挑战性的工作，综合能力要求会比较高。本文来谈一谈从0到1构建一个业务系统基本方法论，欢迎大家多多交流。

1 关键步骤

(1) 技术选型

不刻意追求新技术，选用稳定的并且经过线上考验的技术和框架。

(2) 四色建模分析

四色建模分析法是DDD实践常用方法，有利于将复杂问题拆解，请参看我的头条《四色建模法分析复杂问题》这篇文章。

(3) 绘制用例图

不同角色对应着不同的行为和权限，需要在用例图明确和体现。

(4) 设计领域模型

设计清晰的领域模型对开发以及后续维护至关重要。系统有多少个模块，每个模块之间是怎么交互的，是同步还是异步，走消息还是直接调用。每个工程师可以认领自己熟悉的模块，后续分模块进行开发。

(5) 设计交互流程

系统间的模块是如何交互的？系统和其它系统间如何交互？这些问题需要在这个阶段得到详细而具体的回答。比较好的方法是绘制时序图，用一个典型的业务场景为例，描绘出整个系统交互的主要流程。

(6) 设计数据表

数据表设计有以下维度需要思考：基础数据字段、核心业务字段、数据表索引、数据表体量、是否需要分库分表。

(7) 新建工程模块

现在架构师就要创建工程和模块了。原则上是一个领域一个工程，按照领域级别分别部署。当然项目刚开始为了快速迭代可以先合并几个领域到一个工程，等到体量大了再拆分。

(8) 明确代码规约

异常是抛出还是捕获，接口的返回值需要用Result<?>包装，监控、告警、流控由切面统一处理等，这样系统会具有很好的维护性。

(9) 进入开发阶段

此时开发的基础条件都已具备，每个模块的负责人按照模块进行开发。

(10) 进入测试阶段

开发人员单元测试要完备，测试人员先按模块进行测试，最后全链路测试。

(11) 进入发布阶段

明确各模块依赖关系，明确发布顺序，确定回滚方案。要注意RPC服务循环依赖的问题。

2 核心指标

完成上述工作，功能相关的工作就完成了。当然一个系统仅仅完成功能是远远不够的，还有以下几个核心指标需要关注。

(1) 机器指标

架构师只关注功能层面是不够的，因为有些功能看似正常，但是在运行一段时间会暴露严重问题。例如刚发布上去功能完全正常，但运行一段时间后响应速度显著下降，原因是有开发人员在代码中随意声明线程，频繁创建线程达到了Linux支持最大线程数，导致整个应用无法接收新请求。

所以架构师在线上还应该关注机器指标，例如线程数，CPU利用率，内存，磁盘空间，磁盘IO，网络流量，负载情况，GC情况等等。当系统运行一段时间后出现耗时莫名增加，超时报警异常增多，但并没有发布或升级的操作，就需要立刻分析机器指标。

(2) 性能指标

在客户端层，代理层，WEB层，服务端层，数据层都有着自己的性能优化的手段。简单介绍一下服务层和数据层相关常见的优化方案。常见的做法是在服务层和数据层之间加一个缓存层，可以是本地缓存也可以是分布式缓存，原则就是将数据放在离用户更近的地方，以空间换时间。技术架构上可以抽出一层缓存的工具框架包，在框架中统一提供例如缓存击穿，分布式锁等解决方案。

(3) 监控指标

没有监控报警的业务系统非常不安全，工程师必须对系统监控报警敏感且及时响应。监控可以从以下的几个方面去思考。

(a) 业务监控

业务异常：单位时间出现X次需要告警

延时监控：某状态单位时间内是否变化

数据量监控：单位时间数据量是否正常

(b) 系统监控

系统异常是不允许出现的异常，例如空指针，数据库异常只要出现就立刻需要告警

(4) 安全指标

系统的安全性是系统的根本，要从系统安全和业务安全两个方向去考虑。下列指标只是提供思路，还有很多指标可以补充。

(a) 业务安全：幂等性是否完备、补偿机制是否完备、超时是失败还是重试、分布式一致性是否实现

(b) 系统安全：是否鉴权、是否流控、是否高频检测、是否数据加密、是否随意声明线程

3 用好大数据

大数据技术和框架层出不穷，我们可以选择一些来扩展系统的功能，减轻系统的压力。例如利用Hive进行离线数据分析，ES进行实时数据分析和数据检索，HBase存储行为轨迹数据等，达到减轻数据库压力，降低系统风险的目的。大数据平台可以生成报表，为数据化运营提供保障。

4 文章总结

从0到1构建业务系统需要有一定的架构思维和能力，这种能力也只有在不断实践，踩坑和思考中才可以形成。踩坑也不要灰心，要吸取教训，总结经验，才能成为一名合格的架构师。

请点击【关注】获取更多互联网和技术干货，头条号IT徐胖子原创本文请勿转载，感谢支持