「小游戏服务平台」ADR

By Leeting Yan

Architecture Decision Record (ADR)

项目：小游戏服务平台（PlayNow） 版本：V1.0 日期：2025-09-26

1. 背景

小游戏服务平台需要构建一个 高并发、可扩展、跨端支持 的系统，支持 Web/H5、小程序、移动端 Hybrid，并满足 广告变现、开发者工具、AI 推荐、国际化 等复杂需求。

在架构设计阶段，团队需要确定后端语言、数据库、消息队列、推荐引擎、基础设施等关键选型，以便统一技术栈、降低运维复杂度。

2. 决策目标

  • 高并发、低延迟，适应 百万级 DAU。
  • 微服务化，支持模块快速扩展与独立部署。
  • 跨云多区域部署，兼顾国内与海外市场。
  • 可观测性强，支持实时监控、数据分析。
  • 合规安全，满足 GDPR、未成年人保护、金融监管 要求。

3. 技术选型与决策

3.1 后端语言与框架

  • 决策：Go 作为主语言，Rust 用于性能敏感模块，Java 用于后台管理/复杂业务。

  • 理由：

    • Go：高并发、生态成熟，适合网关与微服务核心。
    • Rust：安全且极致性能，用于推荐/风控引擎。
    • Java/Quarkus：企业级支持完善，适合后台管理系统。

3.2 数据库与存储

  • 决策：MySQL + Redis 为主，PostgreSQL/ClickHouse/ES 做补充，OSS/S3 存储文件。

  • 理由：

    • MySQL：成熟稳定，适合交易型业务（用户、订单、收益）。
    • Redis：高速缓存，适合排行榜、会话、热点数据。
    • PostgreSQL：支持复杂查询，补充 MySQL 的局限。
    • ClickHouse：高效分析日志与埋点数据。
    • 对象存储 OSS/S3：存放游戏包、广告素材、截图。

3.3 消息队列

  • 决策：Kafka + RabbitMQ 组合。

  • 理由：

    • Kafka：大规模埋点、广告竞价、实时日志。
    • RabbitMQ：事务型消息、通知推送。

3.4 推荐与智能化

  • 决策：TensorFlow Serving 部署核心推荐模型，Elastic ML 作为轻量热度推荐。

  • 理由：

    • TensorFlow：工业级部署能力，适合广告点击率预测、个性化推荐。
    • Elastic ML：轻量快速，适合基础热度推荐与冷启动。

3.5 基础设施与运维

  • 决策：Kubernetes + Istio 作为服务编排与治理，Prometheus/Grafana/ELK 作为监控与日志体系，GitHub Actions 作为 CI/CD。

  • 理由：

    • K8s：支持多云部署与弹性伸缩。
    • Istio：流量治理、灰度发布、服务发现。
    • Prometheus/Grafana：指标监控与告警。
    • ELK：日志收集与查询。
    • GitHub Actions：跨云 CI/CD，自动化发布。

4. 决策影响

积极影响

  • 架构可扩展，满足百万级 DAU 与出海需求。
  • 微服务解耦，方便快速迭代。
  • AI 驱动推荐与风控，提升平台智能化。
  • 技术栈标准化，降低学习与运维成本。

消极影响

  • 需要多语言团队（Go + Rust + Java），增加人力成本。
  • Kafka/ClickHouse 等大数据组件增加运维复杂度。
  • 国际化部署涉及多云运维，成本较高。

5. 备选方案对比

技术领域 入选方案 备选方案 舍弃理由
后端语言 Go Node.js Node.js 性能瓶颈，生态更偏前端
数据库 MySQL Oracle Oracle 授权费用高，生态封闭
消息队列 Kafka Pulsar Pulsar 社区不够成熟，运维门槛高
推荐引擎 TensorFlow PyTorch PyTorch 更适合科研，工业部署较弱
运维 K8s + Istio Docker Swarm Swarm 功能弱，难以支撑复杂场景

6. 决策结论

采用 Go + Rust + Java 组合语言栈，MySQL + Redis + ClickHouse 数据方案，Kafka + RabbitMQ 消息体系，TensorFlow + Elastic ML 推荐系统，K8s + Istio 运维架构，确保平台的 性能、扩展性、智能化与合规性。