单机
缓存数据
通过NOSQL缓存数据，比如 redis、内存等；通过减少表连接的方式可以降低数据冗余，但是它牺牲了数据的一致性。
异步调用
为了保证数据的一致性，可以通过异步的方式更新缓存中的数据。
异步调用是把一些串行的方法并行化，从而提高响应的速率。异步调用需要考虑以下几点：
- 被调用方的结果返回，会涉及进程线程间通信的问题；
- 如果程序需要回滚，回滚会有点复杂；
- 异步通常都会伴随多线程多进程，并发的控制复杂；
- 如果是用消息机制，消息的丢失和乱序也会是比较复杂的问题。
熔断
如果外部调用的并发数超过本身系统的处理能力，可以通过熔断机制，拒绝或者二次处理来保护自身系统可用，从而保证即使面对大流量，系统也是可用的。
批量处理
网络上 MTU ,如果你的一个网络包没有放满这个MTU，那就是在浪费网络带宽。因为网卡的驱动程序只有一块一块地读效率才会高，所以网络发包时，我们需要收集到足够多的信息后再做网络I/O。
分布式
使用NoSQL数据库。
数据分区
数据表里的记录太多，导致关系型数据库操作太慢，可以通过对数据分区来解决该问题，一般数据分区的方式如下所示：
- 对数据分类。比如火车票的订票系统可以按各铁路局来分，可按各种车型分，可以按始发站分，可以按目的地分……反正就是把一张表拆成多张有一样的字段但是不同种类的表。这样，这些表就可以存在不同的机器上以达到分担负载的目的。
- 按字段切分数据。比如把一些不经常改的数据放在一个表里，经常改的数据放在另外多个表里。把一张表变成1对1的关系，这样，你可以减少表的字段个数，同样可以提升一定的性能。另外，字段多会造成一条记录的存储会被放到不同的页表里，这对于读写性能都有问题。但这样一来会有很多复杂的控制。
- 平均分表。因为第一种方法是并不一定平均分均，可能某个种类的数据还是很多。所以，也有采用平均分配的方式，通过主键ID的范围来分表。
- 对同一数据分区。这个在上面数据镜像提过。也就是把同一商品的库存值分到不同的服务器上，比如有10000个库存，可以分到10台服务器上，一台上有1000个库存。
NoSQL数据库因为它特有的分布式、数据互备概念，所以已经解决数据分区问题。
负载均衡
数据分区可以在一定程度上减轻负载，但是还是无法减轻热点数据的负载，需要使用数据镜像来减轻负载。Master-Slave 架构，由 Master 负责监控各个Slave 的负载情况，根据负载情况分配对应的数据。
总结
首先保证在单机情况下代码的响应度，性能上，都没有什么问题。最后再使用的 NoSQL 数据库、Spark、Flink 这些分布式系统来提升性能。
