高可用性系统在大众点评的实践与经验（转）-白红宇

高可用性系统在大众点评的实践与经验（转）

阅读量：5302 次

发布时间：2019-06-14

本文共 4711 字，大约阅读时间需要 15 分钟。

http://mp.weixin.qq.com/s?__biz=MzIxMjE3NTg2NA==&mid=404115389&idx=1&sn=dc3d81583c4d2c3c07d6a563880235dd&scene=2&srcid=01218u46DZwz00PvifqnECdz&from=timeline&isappinstalled=0#wechat_redirect

本文主要以点评的交易系统的演进为主来描述如何做到高可用，并结合自己的经验作些分享。高可用性只是一个结果，要更多的关注迭代过程，关注业务发展。

主要从下面几个方面来分享

可用性的理解

1．理解目标

2．目标分解

频率要低

1．高可用性的设计

2．易运营&测试

3．关注发布

时间要快

1．持续关注运行时

2．充分利用故障时

几点经验

1．珍惜每次大流量机会

2．复盘

3．可用性不只是技术问题

4．可用性最大的敌人

一、可用性的理解

1．理解目标

业界高可用的目标是几个9，对于每一个系统的要求是不一样的，对研发人员来说，要对设计或者开发的系统知道其用户规模及使用场景，知道可用性的目标。

比如5个9的目标能分解：全年故障5分钟。

2．拆解目标

几个9的目标比较抽象，需要对目标进行合理的分解，可以分解成如下两个子目标

2.1 频率要低：减少出故障的次数。

不出问题，一定是高可用的，但这是不可能的。系统越大、越复杂，只能尽量避免问题，通过系统设计，流程机制来减少这种问题概率。但如果经常出问题，后面的恢复再快也是没有用的。

2.2 时间要快：故障恢复时间要快

故障出现时，不是解决或者定位到具体问题，而是快速恢复是第一要务的，防止次生灾害，问题扩大。这里就要求要站在业务角度思考，而不仅是技术角度思考。

二、频率要低：减少出故障的次数

1．高可用性的设计：根据业务变化不断进行迭代。

以点评交易系统的演进过程举例

1）幼儿时期：2012年前。

使命：满足业务要求，快速上线。

因为2011年要快速的把团购产品推向市场，团队都是临时从各个团队抽取的人才，大部分对.net更熟悉，所以使用.net进行了第一代的团购系统设计，满足业务要求是第一的，还没有机会遇到可用性等质量问题。考虑比较简单，要挂都挂了，量也比较小，出现问题，重启，扩容，回滚就解决问题了。

系统长成下图这样：

2）少年时期：垂直拆分（2012-2013）

使命：研发效率&故障隔离

当2012年在团单量从千到万量级变化，用户每日的下单量也到了万级时候，需要考虑的是迭代速度，研发效率。所以要做小而美的团队。另外一方面也需要将各个业务相互隔离，比如商品首页的展示，商品详情页的展示，订单、支付流程的稳定性要求不一样。前面可以缓存，可以做静态化来保证可用性，提供一些柔性体验。后面支付系统做异地容灾，比如我们除了南汇机房支付系统，在宝山机房也部署了，只是后来发现这个系统演进太快，没有工具和机制保证双机房更新，所以后来也不好使用了。

系统演进成下图这样：这个就是服务垂直化了，但是数据没有完整隔离开，互相摸。

3）青年时期：服务做小，不共享数据（2014-2015 ）

使命：支撑业务快速发展，提供高效、高可用的技术能力

从2013年开始，deal－service （商品系统）偶尔会因为某一次大流量（大促，常规活动）会挂，每几个月总有那么一次。基本上可用性就在3个9徘徊，这里订单和支付系统很稳定的，因为流量在商品详情页到订单有一个转化率，流量大了详情页就挂了，订单也就没有流量了，后来做了详情的静态化做得比较好了，能减少恢复的速度，能降级，但是deal-service的各个系统依赖太深了，还是不能保证整体端到端的可用性。

所以2014年deal-service就做了很大的重构，大系统做小，把商品详情系统拆成了无数小服务，比如库存服务，价格服务，基础数据服务等等。这下商品详情页的问题解决了，所以从2014年低订单系统的压力就来了，前面好了，后面压力就来了。2014年10月起，订单系统，支付系统也启动了全面微服务化，经过大约1年的实践，订单系统、促销系统、支付系统这3个领域后面的服务总和都快上百个了，后面对应的数据库20多个，这样能支撑到每日订单量百万级。

业务的增长在应用服务层面是可以扩容的，但是最大的单点，数据库是集中式的，这个阶段我们主要是把应用的数据访问在读写上分离，数据库提供更多的从库解决读的问题，但是写入仍然式最大的瓶颈（mysql的读可以扩展，写入QPS 也就小2万）

系统演变成下图这样：这个架构大约能支撑QPS 3000左右的订单量。

4）成年时期：水平拆分（2015-现在）使命：

系统要能支撑大规模的促销活动，订单系统能支撑每秒几万的QPS，每日上千万的订单量。

2015年的917吃货节，流量最高峰，如果我们仍然是前面的技术架构，必然会挂掉，所以在917这个大促的前几个月，我们就在订单系统进行了架构升级，水平拆分，核心就是解决数据单点，把订单表拆分成了1024张表，分布在32个数据库，每个库32张表。这样能支撑到我们能看见到未来了。

虽然数据层的问题解决了，但是我们还是有些单点，我们用的MQ，网络，机房等。举几个曾经我过去遇到的不容易碰到的可用性问题：

1）服务的网卡有一个网卡坏了，没有被监测到，后来发现另一个网卡也坏了，这样服务就挂了。

2）我们使用 cache的时候发现可用性在高峰期非常低，后来发现这个cache服务器跟公司监控系统cat服务器在一个机柜，高峰期的流量被cat跑了一大半，给业务的网络流量就非常少，就影响了业务。

3）917大促的时候我们对MQ这个依赖的通道能力评估出现了偏差，也没有备份方案，所以造成了一小部分的延迟。

这个时期系统演进下图这样：

5）未来：思路仍然是大系统做小，基础通道做大，流量分块。

大系统做小，就是把复杂系统拆成单一职责系统，并从单机、主备、集群、异地等架构方向扩展。

基础通道做大就是把基础通信框架，带宽等高速路做大。

流量分块就是把用户流量按照某种模型拆分，让他们聚合在某一个服务集群完成，闭环解决。

系统可能会演变下下图这样：

上面点评交易系统的发展几个阶段，只以业务系统的演进为例，除了这些还有CDN，DNS、网络、机房等各个时期遇到的不同的可用性问题，我们遇到过的问题，比如：联通的网络挂了，需要切换到电信；比如数据库的电源被人踢掉了。

2．易运营

高可用性的系统一定是可运营的，听到运营，大家更多的想到的是产品运营，其实技术的运营指的是线上的质量，流程能否运营，比如，整个系统上线后，是否方便切换流量，是否方便开关，是否方便扩展。这里有几个基本要求：

1）可限流

线上的流量永远有想不到的情况，在这种情况下，系统的稳定吞吐能力就非常重要了，高并发的系统一般采取的策略是快速失败机制，比如系统QPS能支撑5000，但是1万的流量过来，我能保证持续的5000，其他5000我快速失败，这样很快1万的流量就被消化掉了。比如917的支付系统就是采取了流量限制，如果超过某一个流量峰值，我们就自动返回请稍后再试等。

2）无状态

应用系统要完全无状态，运维才能随便扩容，分配流量。

3）降级能力

降级能力是跟产品一起来看的，需要看降级后，对用户的体验的影响，简单的比如，提示语是什么，比如我们支付渠道，如果支付宝渠道挂了，我们挂了50% ，我们支付宝的渠道是旁会自动出现一个提示，这个渠道可能不稳定，但是可以点击；当支付宝渠道挂了100% ，我们的按钮是灰色的，不能点击。也会有提示，比如换其他支付渠道（刚刚微信支付还挂了，就又起作用了）。另一个案例，我们在啊917大促的时候对某些依赖方，比如诚信的校验，这种如果判断比较耗资源，又可控的情况下，可以通过开关直接关闭或者启用。

3．可测试

无论架构多么完美，验证这一步必不可少，系统的可测试行就非常重要。

测试的目的要先预估流量的大小，比如某次大促，要跟产品、运营讨论流量的来源，活动的力度，每一张页面的，每一个按钮的位置，进行较准确的预估。

再测试集群的能力，有很多同学在实施的时候总喜欢测试单台，然后水平放大，给一个结论，但这不是很准确，要分析所有的流量是否在系统间流转时候的比例。尤其对流量模型的测试（要注意高峰流量模型跟平常流量模型可能不一致的）系统架构的容量测试，比如我们某一次大促的测试方法

从上到下评估流量，从下至上评估能力：发现一次订单提交有20次数据库访问，读写比例高峰期是1:1，然后就跟进数据库的能力倒推系统应该放入的流量，然后做好前端的异步下单，让整个流量平缓的下放到数据库。

4. 降低发布风险

4.1 严格的发布流程

目前点评的发布都是开发自己负责的，通过平台自己完成的，上线的流程，发布的常规流程模版：

4.2 灰度机制

1）服务器发布是分批，按照10%，30%，50%，100%的发布，开发通过观察监控系统的曲线，及系统的日志确定业务是否正常。

2）线上的流量灰度机制，重要功能上线能有按照某种流量灰度上线能力。

3）可回滚是标配，最好有最坏情况的预案。

三、时间要快：故障恢复时间要快

如果目标就要保证全年不出故障或者出了故障在5分钟之内能解决，要对5分钟进行充分的使用，对5分钟的拆解：1分钟发现故障，3分钟定位故障出现在哪个服务，再加上后面的恢复时间。就是整个时间的分解，目前我们系统大致能做到前面2步，离整体5个9的目标还有差距，因为恢复的速度跟架构的设计，信息在开发、运维、DBA之间的沟通速度及工具能力，及处理问题人员的本身能力有关。

生命值：

1．持续关注线上运行情况

1）熟悉并感知系统变化，要快就要熟，孰能生巧，所以要关注线上运营情况。

对应用所在的网络、服务器性能、存储、数据库等系统指标了解。

能监控应用的执行状态、对应用的自己QPS、响应时间、可用性指标，并对依赖的上下游的流量情况同样熟悉。

2）保证系统稳定吞吐：系统如果能做好流量控制，容错，保证一个稳定的吞吐，能保证大部分场景的可用，也能很快的消化高峰流量，避免出现故障，产生流量的多次高峰。

2．故障时

2.1．快速的发现机制

1）告警的移动化：系统可用性的告警应该全部用微信、短信这种能保证找到人的通信机制。

1）告警的实时化：目前我们只能做到1分钟左右告警。

3）监控的可视化：我们的系统目前的要求是1分钟发现故障，3分钟定位故障：这就需要做好监控的可视化，在所有关键service里面的方法层面打点，然后做成监控曲线，不然3分钟定位到具体是那个地方出问题，比较困难。点评的监控系统cat能很好的提供这些指标变化，我们系统再这些基础上也做了一些更实时的能力，比如订单系统的我们的QPS 就是开发的秒级的监控曲线。