場景說明：使用者註冊後，需要發註冊郵件和註冊簡訊。傳統的做法有兩種1.序列的方式；2.並行方式。
（2）並行方式：將註冊資訊寫入資料庫成功後，傳送註冊郵件的同時，傳送註冊簡訊。以上三個任務完成後，返回給客戶端。與序列的差別是，並行的方式可以提高處理的時間。
假設三個業務節點每個使用50毫秒鐘，不考慮網路等其他開銷，則序列方式的時間是150毫秒，並行的時間可能是100毫秒。
因為cpu在單位時間內處理的請求數是一定的，假設cpu1秒內吞吐量是100次。則序列方式1秒內cpu可處理的請求量是7次（1000/150）。並行方式處理的請求量是10次（1000/100）。
小結：如以上案例描述，傳統的方式系統的效能（併發量，吞吐量，響應時間）會有瓶頸。如何解決這個問題呢？
引入訊息佇列，將不是必須的業務邏輯，非同步處理。改造後的架構如下：
按照以上約定，使用者的響應時間相當於是註冊資訊寫入資料庫的時間，也就是50毫秒。註冊郵件，傳送簡訊寫入訊息佇列後，直接返回，因此寫入訊息佇列的速度很快，基本可以忽略，因此使用者的響應時間可能是50毫秒。因此架構改變後，系統的吞吐量提高到每秒20 qps。比序列提高了3倍，比並行提高了兩倍。
場景說明：使用者下單後，訂單系統需要通知庫存系統。傳統的做法是，訂單系統呼叫庫存系統的介面。如下圖：
傳統模式的缺點：
1） 假如庫存系統無法訪問，則訂單減庫存將失敗，從而導致訂單失敗；
2） 訂單系統與庫存系統耦合；
如何解決以上問題呢？引入應用訊息佇列後的方案，如下圖：
流量削鋒也是訊息佇列中的常用場景，一般在秒殺或團搶活動中使用廣泛。
應用場景：秒殺活動，一般會因為流量過大，導致流量暴增，應用掛掉。為解決這個問題，一般需要在應用前端加入訊息佇列。
可以控制活動的人數；
可以緩解短時間內高流量壓垮應用；
使用者的請求，伺服器接收後，首先寫入訊息佇列。假如訊息佇列長度超過最大數量，則直接拋棄使用者請求或跳轉到錯誤頁面；
秒殺業務根據訊息佇列中的請求資訊，再做後續處理。
日誌處理是指將訊息佇列用在日誌處理中，比如kafka的應用，解決大量日誌傳輸的問題。架構簡化如下：
(1)kafka：接收使用者日誌的訊息佇列。
(2)logstash：做日誌解析，統一成json輸出給elasticsearch。
(3)elasticsearch：實時日誌分析服務的核心技術，乙個schemaless，實時的資料儲存服務，通過index組織資料，兼具強大的搜尋和統計功能。
(4)kibana：基於elasticsearch的資料視覺化元件，超強的資料視覺化能力是眾多公司選擇elk stack的重要原因。
訊息通訊是指，訊息佇列一般都內建了高效的通訊機制，因此也可以用在純的訊息通訊。比如實現點對點訊息佇列，或者聊天室等。
點對點通訊：
客戶端a和客戶端b使用同一佇列，進行訊息通訊。
聊天室通訊：
客戶端a，客戶端b，客戶端n訂閱同一主題，進行訊息發布和接收。實現類似聊天室效果。
以上實際是訊息佇列的兩種訊息模式，點對點或發布訂閱模式。
訊息佇列使用場景
1 非同步處理 減少等待時間，更快的返回處理結果，提高系統效能以及更好的使用者體驗。fe 在乙個秒殺系統中，可能需要如下幾步 風險控制，鎖定庫存，生成訂單，訊息通知以及統計資料，在未優化的情況下，使用者請求到達閘道器後進入服務端要至少 經歷這五個步驟，但是對於秒殺系統而言關鍵的步驟在於風險控制和鎖定...
訊息佇列的使用場景
知乎 假設使用者在你的軟體中註冊，服務端收到使用者的註冊請求後，它會做這些操作 校驗使用者名稱等資訊，如果沒問題會在資料庫中新增乙個使用者記錄 如果是用郵箱註冊會給你傳送一封註冊成功的郵件，手機註冊則會傳送一條簡訊 分析使用者的個人資訊，以便將來向他推薦一些志同道合的人，或向那些人推薦他 傳送給使用...
訊息佇列的使用場景
1非同步處理 場景說明 使用者註冊後，需要發註冊郵件和註冊簡訊。傳統的做法有兩種1.序列的方式 2.並行方式。1 序列方式 將註冊資訊寫入資料庫成功後，傳送註冊郵件，再傳送註冊簡訊。以上三個任務全部完成後，返回給客戶端。2 並行方式 將註冊資訊寫入資料庫成功後，傳送註冊郵件的同時，傳送註冊簡訊。以上...