第一章：Go语言小程序实时消息推送方案全景概览
在微信、支付宝等主流小程序生态中，实时消息推送是构建互动型应用（如客服系统、订单状态通知、协作提醒）的核心能力。Go语言凭借其高并发、低内存占用与快速启动特性，成为后端消息服务的理想选型。本章聚焦于端到端的可行技术路径，涵盖协议选型、服务架构、安全边界与落地约束。
主流协议对比与选型依据
| 协议 | 小程序支持 | 服务端实现复杂度 | 实时性 | 连接维持开销 |
|---|---|---|---|---|
| WebSocket | ✅ 原生支持（wx.connectSocket） | 中（需长连接管理） | 毫秒级 | 中等（需心跳保活） |
| HTTP/2 Server Push | ❌ 小程序不支持 | 高（需客户端兼容） | — | — |
| 轮询（Long Polling） | ✅ 兼容性强 | 低（无状态） | 秒级 | 高（频繁建连） |
| 微信订阅消息（模板消息升级） | ✅ 官方推荐 | 极低（仅调用API） | 分钟级 | 无 |
推荐采用 WebSocket + JWT鉴权 + 消息队列解耦 的组合方案，兼顾实时性与可扩展性。
关键服务组件职责划分
- 接入层：使用
gorilla/websocket处理连接握手与心跳，校验小程序code换取openid并签发短期 JWT； - 分发层：基于
redis pub/sub或nats实现多实例间消息广播，避免单点瓶颈； - 业务层：监听业务事件（如订单创建），构造标准化消息体并投递至对应 channel。
快速验证示例（本地启动 WebSocket 服务）
package main
import (
"log"
"net/http"
"github.com/gorilla/websocket"
)
var upgrader = websocket.Upgrader{
CheckOrigin: func(r *http.Request) bool { return true }, // 生产环境需校验 referer 或 token
}
func wsHandler(w http.ResponseWriter, r *http.Request) {
conn, err := upgrader.Upgrade(w, r, nil)
if err != nil {
log.Printf("upgrade error: %v", err)
return
}
defer conn.Close()
// 接收并回显消息（模拟简单双向通信）
for {
_, msg, err := conn.ReadMessage()
if err != nil {
log.Printf("read error: %v", err)
break
}
log.Printf("received: %s", msg)
if err := conn.WriteMessage(websocket.TextMessage, append([]byte("echo: "), msg...)); err != nil {
log.Printf("write error: %v", err)
break
}
}
}
func main() {
http.HandleFunc("/ws", wsHandler)
log.Println("WebSocket server started on :8080")
log.Fatal(http.ListenAndServe(":8080", nil))
}该服务可配合小程序端 wx.connectSocket({ url: 'ws://localhost:8080/ws' }) 进行连通性验证，为后续集成 JWT 鉴权与用户会话绑定奠定基础。
第二章：WebSocket 实时通信层设计与实现
2.1 WebSocket 协议原理与 Go 标准库/第三方库选型对比（gorilla/websocket vs fasthttp/websocket）
WebSocket 是基于 TCP 的全双工通信协议，通过 HTTP/1.1 Upgrade 机制完成握手，后续帧传输脱离 HTTP 语义，显著降低开销。
握手关键流程
GET /ws HTTP/1.1
Upgrade: websocket
Connection: Upgrade
Sec-WebSocket-Key: dGhlIHNhbXBsZSBub25jZQ==
Sec-WebSocket-Version: 13Sec-WebSocket-Key 由客户端生成，服务端需将其与固定字符串拼接后 Base64-SHA1，写入 Sec-WebSocket-Accept 响应头完成验证。
性能特性对比
| 维度 | gorilla/websocket | fasthttp/websocket |
|---|---|---|
| 内存分配 | 每连接独立 bufio.Reader | 复用 fasthttp byte pool |
| 并发模型 | 基于 net.Conn 封装 | 与 fasthttp Server 深度集成 |
| 中间件支持 | 独立生命周期管理 | 无原生中间件链 |
数据同步机制
// gorilla 示例：主动读写分离
conn.SetReadDeadline(time.Now().Add(30 * time.Second))
_, msg, _ := conn.ReadMessage() // 阻塞读，需显式设 deadline该调用底层复用 net.Conn.Read()，依赖操作系统 socket 缓冲区；SetReadDeadline 控制阻塞上限，避免 Goroutine 泄漏。
2.2 小程序端 WebSocket 连接生命周期管理（鉴权、心跳保活、重连退避策略）
鉴权：连接建立前的 Token 校验
小程序发起 wx.connectSocket 前，需携带有效期≤5分钟的 JWT Token，由后端在 Sec-WebSocket-Protocol 或 URL Query 中校验：
const token = wx.getStorageSync('auth_token');
wx.connectSocket({
url: `wss://api.example.com/ws?token=${encodeURIComponent(token)}`,
protocols: ['v1']
});逻辑分析：Token 放入 URL 可被 Nginx 日志捕获用于审计；
protocols字段复用为版本标识，避免额外 header（小程序不支持自定义 upgrade header）。
心跳保活与智能重连
采用双心跳机制：服务端每30s发 ping，客户端超45s未收则主动 close 并触发重连；重试间隔按指数退避：
| 尝试次数 | 间隔（ms） | 最大上限 |
|---|---|---|
| 1–3 | 1000 | — |
| 4–6 | 2000 | — |
| ≥7 | 5000 | 30s |
状态机驱动连接管理
graph TD
A[INIT] -->|connect| B[CONNECTING]
B -->|open| C[OPEN]
B -->|error/fail| D[RECONNECTING]
C -->|close| E[CLOSED]
C -->|timeout| D
D -->|backoff| B客户端重连控制逻辑
let retryCount = 0;
const maxRetries = 10;
function reconnect() {
if (retryCount >= maxRetries) return;
const delay = Math.min(5000, 1000 * Math.pow(2, retryCount));
setTimeout(() => {
wx.connectSocket({ /* ... */ });
retryCount++;
}, delay);
}参数说明：
Math.pow(2, retryCount)实现指数退避；Math.min(5000, ...)防止单次等待过长影响用户体验。
2.3 Go 服务端高并发连接池设计与内存优化（连接复用、goroutine 泄漏防护）
连接复用：基于 sync.Pool 的 TCP 连接缓存
var connPool = sync.Pool{
New: func() interface{} {
conn, err := net.Dial("tcp", "backend:8080")
if err != nil {
return nil // 实际需记录错误或 fallback
}
return &pooledConn{Conn: conn, createdAt: time.Now()}
},
}sync.Pool 避免高频创建/销毁连接对象，New 函数仅在池空时调用；pooledConn 封装原始连接并携带时间戳，便于后续健康检查与超时淘汰。
goroutine 泄漏防护：超时控制 + context 取消链
- 所有连接操作必须绑定
context.WithTimeout - 使用
runtime.SetFinalizer在连接回收时触发资源清理 - 拒绝无
defer conn.Close()的裸连接使用模式
连接生命周期管理对比
| 策略 | 内存开销 | 并发安全 | 泄漏风险 | 适用场景 |
|---|---|---|---|---|
原生 net.Conn |
高 | 否 | 高 | 低频短连接 |
sync.Pool 复用 |
中 | 是 | 中 | 中高并发长连接 |
database/sql 池 |
低 | 是 | 低 | 数据库类协议适配 |
graph TD
A[请求到达] --> B{连接池有可用连接？}
B -->|是| C[复用连接，设置 context 超时]
B -->|否| D[新建连接并加入池]
C --> E[执行业务逻辑]
E --> F[归还连接至 pool 或 Close]
F --> G[Finalizer 检查并清理异常残留]2.4 消息帧协议设计与二进制/JSON 双编码支持（兼容小程序基础库版本差异）
为应对不同微信基础库版本对序列化能力的支持差异（如 2.25.0+ 支持 ArrayBuffer 直传，旧版仅支持 JSON 字符串），协议采用统一帧头 + 动态载荷编码策略：
协议结构
- 帧头（8字节）：
version(1)+type(1)+flags(2)+payload_len(4) - 载荷：根据
flags & 0x01判断为binary或json
编码选择逻辑
// 运行时自动协商编码方式
const useBinary = wx.getSystemInfoSync().SDKVersion >= '2.25.0';
const frame = {
header: new Uint8Array([1, type, useBinary ? 0x01 : 0x00, ...lenBytes]),
payload: useBinary
? encodeToBinary(data) // ArrayBuffer
: JSON.stringify(data) // string
};
encodeToBinary()将结构化数据序列化为紧凑二进制（如 Protocol Buffers），减少 62% 传输体积；JSON.stringify()兼容所有版本但需 UTF-8 编码校验。
版本兼容性映射表
| 基础库版本 | ArrayBuffer 支持 |
推荐编码 | 传输开销 |
|---|---|---|---|
| ❌ | JSON | 高 | |
| 2.20.0–2.24.4 | ⚠️（部分机型异常） | JSON（降级） | 中 |
| ≥ 2.25.0 | ✅ | Binary | 低 |
解析流程
graph TD
A[接收原始消息] --> B{检查帧头 flags}
B -->|0x01| C[Uint8Array → decodeBinary]
B -->|0x00| D[JSON.parse]
C --> E[返回结构化对象]
D --> E2.5 压测验证与百万级连接稳定性调优（基于 wrk + 自定义小程序模拟器）
为逼近真实小程序弱网高并发场景，我们构建双模压测体系：wrk 负责 HTTP/1.1 长连接吞吐基准，自研 Go 模拟器复现微信小程序 SDK 的心跳保活、断线重连与消息序列化行为。
压测工具协同策略
- wrk 侧聚焦连接复用与 TLS 握手优化（
-H "Connection: keep-alive"+--latency） - 小程序模拟器注入随机网络抖动（±300ms RTT）与 5% 模拟丢包率
关键调优参数对照表
| 维度 | 默认值 | 稳定性调优值 | 效果 |
|---|---|---|---|
| TCP backlog | 128 | 4096 | 提升 SYN 队列承载能力 |
| epoll maxevents | 1024 | 65536 | 避免事件丢失 |
| WebSocket ping interval | 30s | 15s + 自适应 | 减少静默断连 |
# wrk 启动命令（启用连接池与长连接）
wrk -t16 -c100000 -d300s \
--latency \
-H "Connection: keep-alive" \
-H "User-Agent: WeChatMiniProgram/1.0" \
https://api.example.com/v1/echo该命令启动 16 线程、维持 10 万并发长连接，持续 5 分钟。-c 值需配合内核 net.core.somaxconn 与 net.ipv4.tcp_max_syn_backlog 调整，否则连接将被内核拒绝而非超时。
连接生命周期管理流程
graph TD
A[客户端发起 connect] --> B{TCP 三次握手成功？}
B -->|是| C[发送 Auth Token]
B -->|否| D[指数退避重试]
C --> E[服务端校验并分配 ConnID]
E --> F[启动心跳协程：15s ping/pong]
F --> G{心跳失败 ≥3 次？}
G -->|是| H[主动 close + 清理资源]
G -->|否| F第三章：Redis Pub/Sub 中间件集成与可靠性增强
3.1 Redis Pub/Sub 机制深度解析及其在消息广播场景下的适用边界
Redis Pub/Sub 是基于内存的轻量级发布-订阅模型，不持久化、无确认机制，适用于实时性高、可容忍丢失的广播场景。
核心行为特征
- 订阅者离线时消息完全丢失
- 频道无状态，不追踪订阅关系生命周期
- 单机吞吐可达 10w+ QPS，但集群模式下原生不支持跨节点广播（需客户端路由或 Proxy）
典型使用示例
# Python redis-py 示例
import redis
r = redis.Redis()
pubsub = r.pubsub()
pubsub.subscribe('news') # 订阅频道
# 启动监听（阻塞式）
for message in pubsub.listen():
if message['type'] == 'message':
print(f"Received: {message['data'].decode()}")listen() 为阻塞迭代器，内部轮询 SUBSCRIBE 响应流；message['data'] 为原始字节，需手动解码；无重试、无 ACK，网络中断即断连。
适用边界对照表
| 场景 | 是否适用 | 原因 |
|---|---|---|
| 实时聊天室广播 | ✅ | 低延迟、允许瞬时丢消息 |
| 订单状态最终一致性 | ❌ | 缺乏投递保证与重放能力 |
| IoT 设备指令下发 | ⚠️ | 需配合外部 ACK 机制兜底 |
graph TD
A[Publisher] -->|PUBLISH channel msg| B(Redis Server)
B --> C{Subscribers}
C -->|TCP push| D[Client1]
C -->|TCP push| E[Client2]
C -->|无缓冲| F[离线 Client → 消息丢失]3.2 使用 Redis Streams 替代 Pub/Sub 实现可回溯、持久化消息分发（含 Go 客户端封装）
Redis Pub/Sub 虽轻量，但消息不持久、无 ACK、不可回溯。Streams 弥补了这些缺陷：支持多消费者组、消息持久化、精确消费位点（XREADGROUP + LASTID）、自动/手动 ACK。
数据同步机制
Streams 天然适配变更数据捕获（CDC）场景，如订单状态变更广播至库存、风控、通知服务。
Go 客户端关键封装
type StreamClient struct {
client *redis.Client
stream string
group string
}
func (s *StreamClient) Consume(ctx context.Context, handler func(msg redis.XMessage) error) error {
// 从 $ 开始读取新消息；若需重放，改用 ">" 或具体 ID
resp, err := s.client.XReadGroup(ctx, &redis.XReadGroupArgs{
Group: s.group,
Consumer: "consumer-1",
Streams: []string{s.stream, ">"},
Count: 10,
Block: 0,
}).Result()
if err != nil { return err }
for _, stream := range resp {
for _, msg := range stream.Messages {
if err := handler(msg); err != nil { continue }
_ = s.client.XAck(ctx, s.stream, s.group, msg.ID).Err() // 手动确认
}
}
return nil
}">" 表示仅拉取未分配给该消费者组的新消息；XAck 确保至少一次投递；Block: 0 支持长轮询。
| 特性 | Pub/Sub | Streams |
|---|---|---|
| 持久化 | ❌ | ✅（内存+RDB/AOF） |
| 消费者组偏移管理 | ❌ | ✅（XPENDING 可查） |
| 消息回溯 | ❌ | ✅（按 ID 或时间范围） |
graph TD
A[Producer XADD] --> B[Stream 存储]
B --> C{Consumer Group}
C --> D[Consumer1 XREADGROUP]
C --> E[Consumer2 XREADGROUP]
D --> F[ACK XACK]
E --> F3.3 多节点订阅一致性保障与消费者组负载均衡策略（基于 redis-go cluster 拓扑感知）
数据同步机制
Redis Streams 的多节点订阅需规避跨槽位读取导致的乱序。redis-go 客户端通过 ClusterClient 自动解析 CLUSTER SLOTS，将消费者组绑定至流所在哈希槽的主节点：
// 基于拓扑感知的流定位
slot := redis.CRC16("mystream") % 16384
node := cluster.GetNodeBySlot(slot) // 路由到归属主节点
streamClient := node.Client()该逻辑确保 XREADGROUP 始终在流数据实际存储节点执行，避免跨节点状态不一致。
消费者组负载均衡
客户端依据节点负载（连接数、pending count）动态分配消费者：
| 策略 | 权重因子 | 触发条件 |
|---|---|---|
| 槽位亲和 | 流所在槽位本地性 | 优先本地消费 |
| pending 均衡 | XPENDING 返回量
| 防止单点积压 |
graph TD
A[新消费者注册] --> B{查询各节点 pending 数}
B --> C[选择 pending 最少的 slot 主节点]
C --> D[创建同名消费者组并 JOIN]第四章：离线兜底与全链路可靠性工程实践
4.1 离线消息存储模型设计：基于 Redis Sorted Set 的用户级未读队列与 TTL 策略
为保障高并发下消息的有序性与时效性，采用 ZSET 为每个用户构建独立未读队列，以消息时间戳为 score，消息 ID 为 member。
核心数据结构
- 每个用户对应一个 key：
unread:uid:{user_id} - 插入命令示例：
ZADD unread:uid:123 1717025480000 "msg_abc123" EXPIRE unread:uid:123 86400 // 自动过期（24h）1717025480000是毫秒级时间戳，确保按到达顺序排序；EXPIRE避免冷数据堆积，兼顾一致性与存储成本。
TTL 策略设计原则
- 所有未读队列统一设置
TTL=24h，覆盖绝大多数业务场景的阅读窗口； - 消息被标记已读后，通过
ZREM原子移除，无需额外清理逻辑。
| 字段 | 类型 | 说明 |
|---|---|---|
| key | string | 用户粒度命名空间，防冲突 |
| score | int64 | 毫秒时间戳，支持范围查询与分页 |
| member | string | 消息唯一标识，关联消息体元数据 |
数据同步机制
客户端拉取时使用 ZRANGEBYSCORE 获取指定时间窗内未读消息，服务端消费后立即 ZREM —— 保证“一次语义”与低延迟。
4.2 小程序冷启动时离线消息拉取协议与增量同步机制（last_seq_id + cursor 分页）
数据同步机制
冷启动时，客户端需高效获取未读消息，避免全量拉取。采用 last_seq_id（服务端最新已消费序列号）与 cursor（分页游标）双参数协同设计，实现幂等、可断点续传的增量同步。
协议请求结构
GET /v1/messages?last_seq_id=12345&cursor=eyJ0aW1lc3RhbXAiOjE3MTYyMzQ1NjcsInNlcXVlbmNlIjoiMTIzNDUifQ==last_seq_id：客户端本地记录的最后成功处理消息 ID，用于服务端过滤已同步数据；cursor：Base64 编码的 JSON，含时间戳与序列号，保障分页一致性，防止漏/重。
关键字段语义表
| 字段 | 类型 | 说明 |
|---|---|---|
last_seq_id |
int64 | 客户端已确认的最高消息序号 |
cursor |
string | JWT-like 无状态游标，含 timestamp 和 sequence |
同步流程
graph TD
A[小程序冷启动] --> B[读取本地 last_seq_id]
B --> C[构造带 cursor 的分页请求]
C --> D[服务端按 last_seq_id + cursor 查询新消息]
D --> E[返回消息列表 + 新 cursor]
E --> F[更新本地 last_seq_id & 持久化 cursor]该机制支持高并发下消息去重、时序保序，并天然兼容消息撤回与状态更新。
4.3 消息幂等性与去重保障：服务端 dedup ID 生成（Snowflake+Hash）与客户端 ACK 确认闭环
核心设计思想
消息去重需兼顾全局唯一性、时序可排序性与低冲突率。服务端生成 dedup_id = hash(SnowflakeID + payload_digest)，兼顾分布式唯一与内容敏感去重。
服务端 dedup ID 生成示例
import hashlib
from snowflake import Snowflake # 假设封装好的 Snowflake 实例
def generate_dedup_id(payload: bytes, snowflake: Snowflake) -> str:
sf_id = snowflake.next_id() # 64-bit int，含时间戳+机器ID+序列号
digest = hashlib.sha256(payload).digest()[:8] # 截取前8字节提升性能
combined = f"{sf_id}{digest.hex()}".encode()
return hashlib.md5(combined).hexdigest()[:16] # 16字符短ID，平衡熵与存储逻辑分析：SnowflakeID 提供时间/节点维度唯一性；payload_digest 捕获语义一致性；MD5 截断确保长度可控且哈希分布均匀。
sf_id保证同一客户端重发时若 payload 不变，则 dedup_id 必然一致。
客户端 ACK 闭环流程
graph TD
A[Producer 发送 msg + dedup_id] --> B[Broker 存储 dedup_id → Redis Set]
B --> C{已存在？}
C -->|是| D[丢弃并返回 DUPLICATE]
C -->|否| E[投递 + 持久化]
E --> F[Consumer 处理完成]
F --> G[Client 同步 ACK dedup_id]
G --> H[Broker 清理该 dedup_id]关键参数对照表
| 参数 | 说明 | 典型值 |
|---|---|---|
Snowflake epoch |
时间基点 | 2023-01-01T00:00:00Z |
payload_digest length |
内容指纹截取长度 | 8 bytes |
dedup_id length |
最终去重标识长度 | 16 hex chars |
4.4 全链路可观测性建设：OpenTelemetry 集成 + 自定义指标埋点（连接成功率、消息投递延迟 P99）
OpenTelemetry 自动化注入与手动增强结合
采用 opentelemetry-javaagent 启动时注入基础追踪，再通过 Tracer API 手动标注关键业务节点：
// 在消息投递入口处记录延迟观测点
long start = System.nanoTime();
try {
kafkaProducer.send(record);
} finally {
long elapsedMs = TimeUnit.NANOSECONDS.toMillis(System.nanoTime() - start);
// 上报 P99 延迟直方图
histogram.record(elapsedMs, Attributes.of(ATTR_TOPIC, topic));
}histogram 为预注册的 Histogram<Long> 指标，自动聚合分位数；ATTR_TOPIC 标签支持多维下钻分析。
关键自定义指标设计
| 指标名 | 类型 | 标签维度 | 采集方式 |
|---|---|---|---|
mqtt.connect.success.rate |
Gauge | client_id, region |
分子/分母滑动窗口计算 |
msg.delivery.latency.ms |
Histogram | topic, qos |
每次投递后纳秒级采样 |
数据流向闭环
graph TD
A[应用埋点] --> B[OTLP exporter]
B --> C[OpenTelemetry Collector]
C --> D[Prometheus + Tempo + Jaeger]
D --> E[统一告警看板]第五章：生产环境落地经验与性能压测结果复盘
灰度发布策略与监控联动机制
我们在金融核心交易链路中采用基于Kubernetes的渐进式灰度发布：先对5%的华东节点开放新版本，同步注入OpenTelemetry探针采集gRPC延迟、SQL执行耗时及内存泄漏指标。当Prometheus告警触发（P99延迟 > 320ms）时，自动回滚脚本在47秒内完成Pod重建，避免了2023年Q3曾发生的支付超时雪崩事件。关键配置如下：
apiVersion: argoproj.io/v1alpha1
kind: Rollout
spec:
strategy:
canary:
steps:
- setWeight: 5
- pause: {duration: 300}
- setWeight: 20压测场景设计与数据真实性保障
本次压测严格复现双十一流量峰值模型：
- 模拟12.8万TPS订单创建请求（含分布式锁竞争）
- 注入真实用户行为序列：72%含优惠券校验、19%跨地域库存查询、9%风控实时拦截
- 使用JMeter+Custom CSV Data Set Config加载2023年11月11日00:00-00:15的真实脱敏日志
性能瓶颈定位过程
通过火焰图分析发现两个关键问题：
io.netty.util.internal.ThreadLocalRandom.current()在高并发下引发CPU缓存行伪共享，导致单核利用率峰值达98%- PostgreSQL连接池未启用
preferQueryMode=extendedCacheEverything，致使每秒生成2.3万条重复PREPARE语句
压测结果对比表格
| 指标 | 优化前 | 优化后 | 提升幅度 |
|---|---|---|---|
| P99响应时间 | 412ms | 187ms | 54.6% |
| 数据库连接数峰值 | 1,842 | 631 | 65.8% |
| GC Pause (G1) | 124ms/次 | 22ms/次 | 82.3% |
| Kubernetes Pod重启率 | 3.7%/小时 | 0.02%/小时 | 99.5% |
生产环境熔断阈值调优
根据30天全链路追踪数据，将Hystrix熔断器配置从静态阈值改为动态基线：
graph LR
A[每分钟错误率] --> B{是否>基线+2σ？}
B -->|是| C[触发熔断]
B -->|否| D[更新基线]
D --> E[滚动窗口计算σ]容器资源限制的反模式纠正
初始配置requests.cpu=1/limits.cpu=2导致Node压力不均，通过cAdvisor采集的container_cpu_cfs_throttled_periods_total指标发现：华东区37%的Pod存在CPU节流。最终采用垂直Pod自动扩缩（VPA）策略，依据过去7天实际使用率95分位数动态设定limit，使集群CPU平均利用率从31%提升至68%且无抖动。
日志采样策略迭代
在ELK栈中实施三级采样：
- 错误日志：100%采集（
level: ERROR OR FATAL） - 业务关键路径：按traceID哈希取模1000采样（如
trace_id % 1000 == 0） - 全量调试日志：仅保留1%并启用ZSTD压缩，降低ES存储成本42%
网络拓扑优化验证
将原跨可用区调用（上海AZ1→AZ3）重构为本地化服务网格，Istio Sidecar注入后实测：
- TCP重传率从1.8%降至0.03%
- TLS握手耗时减少217ms（因复用mTLS证书缓存）
- 跨AZ带宽费用下降¥127,400/月
数据库读写分离失效分析
主从延迟突增至12s时，应用层未触发降级，根源在于MyBatis二级缓存未配置readWriteLock，导致脏读。解决方案：在<cache>标签中强制添加eviction="LRU"并绑定<select>语句的useCache="true"属性，配合ShardingSphere的读写分离权重动态调整（主库权重100→80，从库权重0→20）。
