1 前言
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，实现具体细节各有不同，欢迎大家多多交流。
2 关键步骤
2.1 技术选型
选用稳定的并且经过线上考验的技术和框架。
2.2 绘制用例图
用例图由参与者（actor）、用例（use case），边界以及它们之间的关系构成，用于描述系统功能。用例图（use case）是外部用户（被称为参与者）所能观察到的系统功能的模型图。用例图呈现了一些参与者，一些用例，以及它们之间的关系，主要用于对系统、子系统或类的功能行为进行建模。用例图是系统的蓝图。
2.3 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。简而言之就是系统有多少个模块，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。此时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。
2.4 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。一个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。
2.5 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
数据表索引设计
数据表体量
是否需要分库分表
2.6 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。
2.7 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。
2.8 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。
2.9 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。
2.10 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。
3 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，还有以下的几个核心指标需要关注。
3.1 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。比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支持的最大线程数，导致整个应用无法接收新的请求。
所以架构师在线上还应该关注机器指标，比如线程数，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。
3.2 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，在框架中统一提供比如缓存击穿，分布式锁等解决方案。
3.3 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：
(1) 业务监控
业务异常：单位时间出现X次需要告警
数据量监控：单位时间数据量是否正常
延时监控：某状态单位时间内是否变化
(2) 系统监控
系统异常是不允许出现的异常，如空指针，数据库异常，只要出现就立刻需要告警被感知。
3.4 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。下列指标只是提供一个思路，难免挂一漏万，还有很多指标可以补充：
(1) 业务安全
超时是失败还是重试
补偿机制是否完备
分布式一致性是否实现
幂等性是否完备（上下游幂等性，监听消息肯定会收到重复消息）
(2) 系统安全
是否鉴权
是否流控
是否高频检测
是否随意声明线程
是否数据加密
4 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。比如利用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。大数据平台还可以生成报表，为数据化运营提供有力保障。
5 本文总结
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。
