规模复杂度的本质是量变引起质变

一个系统即便没有高性能、高可用、可扩展性的硬性要求，仍然可能让人一上手就觉得”好复杂”，根源常常在于规模：功能点太多、逻辑分支太多，尤其是发展多年、不断叠加功能却缺乏历史文档的系统，后来者根本摸不清每个功能的应用场景和实现细节，面对的就是一个看不懂、不敢改的黑盒。这类复杂度的本质是”量变引起质变”——数量超过某个阈值后，复杂度不是线性增长，而是发生质的跃迁。功能数量的例子最直观：如果假设系统内功能两两相关，系统复杂度可以粗略估算为”功能数量+功能之间的连接数量”，3个功能的复杂度是3+3=6，8个功能的复杂度是8+28=36——功能数从3涨到8只是不到3倍，复杂度却涨了6倍，因为功能之间的两两连接数是按组合数增长的，接近指数级。数据规模的例子同理：当数据量真正达到”大数据”级别时，传统的收集、存储、分析工具会整体失效，需要全新的技术体系去应对（这正是Google File System、Bigtable、MapReduce三篇论文分别开创大数据存储与运算新领域的背景）；即使远没到大数据级别，普通关系型数据库单表数据量一旦超出经验阈值（如MySQL单表推荐控制在5000万行左右），加索引、改表结构可能要停机数小时，索引本身的查询性能也会明显下降，备份耗时同步暴涨——而解决方案（分表）本身又会引入新的复杂性：按什么规则拆表（如按用户id还是按注册时间），拆完之后如何应对需要跨表聚合的查询（如按学历筛选用户），这些问题不会因为分了表就自动消失，只是把复杂度转移到了新的位置。