反向压力（Backpressure）

1. 基础概念
反向压力是数据流系统中的一种流量控制机制。当数据接收方处理速度低于数据发送方的生产速度时，反向压力会通过系统反馈机制迫使发送方降低数据发送速率，避免接收方因过载而崩溃或丢失数据。

2. 核心问题场景
假设一个视频直播平台：

• 服务器每秒生成100帧数据（发送方）
• 用户网络带宽仅能接收30帧/秒（接收方）
  若无反向压力，会出现：
• 接收方缓冲区持续积压数据
• 最终内存溢出导致崩溃
• 或被迫丢弃数据，造成视频卡顿、花屏

3. 实现机制分类
（1）被动拉取（Pull-based）
接收方主动请求数据，例如：

• TCP滑动窗口：接收方通过ACK包告知发送方可接收的数据量
• Kafka消费者：通过偏移量控制消息拉取速率

（2）主动推送（Push-based）
发送方主导流程，但需监听反馈：

• Reactive Streams规范：通过Subscription.request(n)申明需求数量
• Node.js流：pipe()自动触发drain事件控制写入

4. 技术实现示例
以Node.js可读流为例：

const readable = getReadableStream(); // 高速数据源
const writable = getWritableStream(); // 低速处理器

readable.on('data', (chunk) => {
  const canContinue = writable.write(chunk);
  if (!canContinue) {
    readable.pause();           // 触发反向压力
    writable.once('drain', () => {
      readable.resume();        // 恢复流动
    });
  }
});

5. 协议层应用

• TCP：通过窗口大小字段动态调整发送窗口
• HTTP/2：使用流控制帧（WINDOW_UPDATE）实现多路复用下的精确控制
• QUIC：在传输层整合流级别流量控制

6. 分布式系统扩展
在大数据系统中，反向压力演化为全局协调机制：

• Apache Flink：通过缓冲区池水位线反推数据源降速
• Apache Storm：使用ZooKeeper协调拓扑中所有组件的吞吐量

7. 现代框架集成

• Reactor（Java）：onBackpressureBuffer()设置缓冲策略
• RxJS：observeOn()指定背压调度器
• Spring WebFlux：自动将HTTP请求流与响应流绑定背压控制

8. 设计原则
有效的反向压力系统需遵循：

• 低延迟反馈：快速将负载状态传递至数据源
• 级联控制：在数据处理链中各环节逐级传递压力信号
• 优雅降级：动态切换处理策略（如采样、聚合）替代直接丢弃数据

9. 相关技术对比