大規模微服務單元化與高可用設計

• 2019 年 10 月 3 日
• 筆記

說到大規模微服務系統，往往是一些7*24時不間斷運行的在線系統，這樣的系統往往有以下的要求：

第一，高可用。這類的系統往往需要保持一定的SLA的，7*24時不間斷運行不代表完全不掛，而是有一定的百分比的。例如我們常說的可用性需達到4個9（99.99%），全年停機總計不能超過1小時，約為53分鐘，也即服務停用時間小於53分鐘，就說明高可用設計合格。

第二，用戶分布在全國。大規模微服務系統所支撐的用戶一般在全國各地，因而每個地區的人，都希望能夠就近訪問，所以一般不會一套系統服務全國，而是每個地區都要有相應的業務單元，使得用戶可以就近訪問。

第三，並發量大，存在波峰波谷。微服務之所以規模比較大，其實是承載的壓力比較大，而且需要根據請求的波峰波谷進行彈性伸縮。

第四，有故障性能診斷和快速恢復的機制。大規模微服務場景下，運維人員很難進行命令式手動運維來控制應用的生命周期，應該採用聲明式的運維方法。另外一旦有了性能瓶頸或者故障點，應該有自動發現定位的機制，迅速找到瓶頸點和故障點，及時修復，才能保障SLA。

戰略設計

為了滿足以上的要求，這個系統絕不是運維組努力一把，或者開發組努力一把，就能解決的，是一個端到端的，各個部門共同完成的一個目標，所以我們常稱為戰略設計。

第一，研發

一個能支撐高並發，高可用的系統，一定是需要從研發環節就開始下功夫的。

首先，每一個微服務都有實現良好的無狀態化處理，冪等服務介面設計。

狀態分為分發，處理，存儲幾個過程，如果對於一個用戶的所有的資訊都保存在一個進程中，則從分發階段，就必須將這個用戶分發到這個進程，否則無法對這個用戶進行處理，然而當一個進程壓力很大的時候，根本無法擴容，新啟動的進程根本無法處理那些保存在原來進程的用戶的數據，不能分擔壓力。

所以要講整個架構分成兩個部分，無狀態部分和有狀態部分，而業務邏輯的部分往往作為無狀態的部分，而將狀態保存在有狀態的中間件中，如快取，資料庫，對象存儲，大數據平台，消息隊列等。

這樣無狀態的部分可以很容易的橫向擴展，在用戶分發的時候，可以很容易分發到新的進程進行處理，而狀態保存到後端。而後端的中間件是有狀態的，這些中間件設計之初，就考慮了擴容的時候，狀態的遷移，複製，同步等機制，不用業務層關心。

對於數據的存儲，主要包含幾類數據：

• 會話數據等，主要保存在記憶體中。對於保存在記憶體里的數據，例如Session，可以放在外部統一的快取中。
• 結構化數據，主要是業務邏輯相關。對於業務相關的數據，則應該保存在統一的資料庫中
• 文件圖片數據，比較大，往往通過CDN下發。對於文件，照片之類的數據，應該存放在統一的對象存儲裡面
• 非結構化數據，例如文本，評論等。對於非結構化數據，可以存在在統一的搜索引擎裡面，例如ElasticSearch。

但是還有一個遺留的問題，就是已經分發，正在處理，但是尚未存儲的數據，肯定會在記憶體中有一些，在進程重啟的時候，數據還是會丟一些的，那這部分數據怎麼辦呢？

這部分就需要通過重試進行解決，當本次調用過程中失敗之後，前序的進程會進行重試，例如Dubbo就有重試機制。既然重試，就需要介面是冪等的，也即同一次交易，調用兩次轉賬1元，不能最終轉走2元。

介面分為查詢，插入，更新，刪除等操作。

對於查詢介面來講，本身就是冪等的，不用做特殊的判斷。

對於插入介面來講，如果每一個數據都有唯一的主鍵，也能保證插入的唯一性，一旦不唯一，則會報錯。

對於更新操作來講，則比較複雜，分幾種情況。

一種情況是同一個介面，前後調用多次的冪等性。另一種情況是同一個介面，並發環境下調用多次的正確性。

為了保持冪等性，往往要有一個冪等表，通過傳入冪等參數匹配冪等表中ID的方式，保證每個操作只被執行一次，而且在實行最終一致性的時候，可以通過不斷重試，保證最終介面調用的成功。

對於並發條件下，誰先調用，誰後調用，需要通過分散式鎖如Redis，Zookeeper等來實現同一個時刻只有一個請求被執行，如何保證多次執行結果仍然一致呢？則往往需要通過狀態機，每個狀態只流轉一次。還有就是樂觀鎖，也即分散式的CAS操作，將狀態的判斷、更新整合在一條語句中，可以保證狀態流轉的原子性。樂觀鎖並不保證更新一定成功，需要有對應的機制來應對更新失敗。

其次，根據服務重要度實現熔斷降級、限流保護策略

服務拆分多了，在 應用層面 就遇到以下問題：

服務雪崩：即一個服務掛了，整個調用鏈路上的所有的服務都會受到影響；

大量請求堆積、故障恢復慢：即一個服務慢，卡住了，整個調用鏈路出現大量超時，要長時間等待慢的服務恢復到正常狀態。

為了解決這些問題，我們在應用層面實施了以下方案：

通過熔斷機制，當一個服務掛了，被影響的服務能夠及時熔斷，使用 Fallback 數據保證流程在非關鍵服務不可用的情況下，仍然可以進行。

通過執行緒池和消息隊列機制實現非同步化，允許服務快速失敗，當一個服務因為過慢而阻塞，被影響服務可以在超時後快速失敗，不會影響整個調用鏈路。

當發現整個系統的確負載過高的時候，可以選擇降級某些功能或某些調用，保證最重要的交易流程的通過，以及最重要的資源全部用於保證最核心的流程。

還有一種手段就是限流，當既設置了熔斷策略，又設置了降級策略，通過全鏈路的壓力測試，應該能夠知道整個系統的支撐能力，因而就需要制定限流策略，保證系統在測試過的支撐能力範圍內進行服務，超出支撐能力範圍的，可拒絕服務。當你下單的時候，系統彈出對話框說 “系統忙，請重試”，並不代表系統掛了，而是說明系統是正常工作的，只不過限流策略起到了作用。

其三，每個服務都要設計有效探活介面，以便健康檢查感知到服務狀態

當我們部署一個服務的時候，對於運維部門來講，可以監控機器的狀態或者容器的狀態，是否處於啟動狀態，也可以監控到進程是否啟動，埠是否監聽等，但是對於已經啟動的進程，是否能夠正常服務，運維部門無法感知，需要開發每個服務的時候，設計一個有效探活介面，讓運維的監控系統可以通過調用這個介面，來判斷進程能夠正常提供服務。這個介面不要直接返回，而是應該在進程內部探查提供服務的執行緒是否出去正常狀態，再返回相應的狀態編碼。只有這樣，開發出來的服務和運維才能合作起來，保持服務處於某個副本數，否則如果一部分服務雖然啟動，但是處於假死狀態，會使得其他正常服務，無法承受壓力。

其四，通過制定良好的程式碼檢查規範和靜態掃描工具，最大化限制因為程式碼問題造成的系統不可用

要保持線上程式碼的高可用性，程式碼品質是關鍵，大部分線上問題，無論是性能問題，還是穩定性問題，都是程式碼造成的，而非基礎設施造成的。而且基礎設施的可用率為99.95%，但是服務層要求的可用率高於這個值，所以必須從業務層高可用來彌補。除了下面的高可用架構部分，對於每一個服務來講，制定良好的程式碼檢查規範和靜態掃描工具，通過大量的測試用例，最大化限制因為程式碼問題造成的系統不可用，是必須的，是高可用的基礎。

第二，高可用架構設計

在系統的每一個部分，都要避免單點。系統冗餘往往分管控面和數據面，而且分多個層次，往往每一個層次都需要進行高可用的設計。

在機房層面，為了高可用應該部署在多個區域，或者多個雲，每個區域分多個可用區進行部署。

對於雲來講，雲的管控要多機房高可用部署，使得任何一個機房故障，都會使得管控依然可以使用，這就需要管控的組件分布於至少兩個機房，管控的資料庫和消息隊列跨機房進行數據同步。

對於雲的數據面來講，入口的網關要和機房網路配合做跨機房的高可用，使得入口公網IP和負載均衡器，在一個機房故障的情況下，可以切換至另一個機房。

在雲之上要部署Kubernetes平台，管控層面Kubernetes要實現高可用部署，etcd要跨機房高可用部署，Kubernetes的管控組件也要跨機房部署。當然還有一種情況是機房之間距離比較遠，需要在每一個機房各部署一套Kubernetes，這種情況下，Kubernetes的管控依然要實現高可用，只不過跨機房的高可用就需要應用層來實現了。

在應用層，微服務的治理平台，例如註冊發現，zookeeper或者Euraka，APM，配置中心等都需要實現跨機房的高可用。另外就是服務要跨機房部署，實現城市級機房故障遷移能力

第三，運維

運維一個大規模微服務系統也有不一樣的挑戰。首先建議使用的是Kubernetes編排的聲明式的運維方式，而非ansible之類命令式的運維方式。

另外對於系統的發布，要進行灰度、藍綠髮布，降低系統上線發布風險。要有這樣的理念，任何一個新上線的系統，都是不可靠的。

所以可以通過流量分發的模式，逐漸切換到新的服務，從而保障系統的穩定。

其三，完善監控及應對機制，對系統各節點、應用、組件全面地監控，能夠第一時間快速發現並解決問題。

監控絕非只有基礎設施的CPU，網路，磁碟的監控，應用的，業務的，調用鏈的監控都應該有。而且對於緊急事件，應該有應急預案，應急預案是在高可用已經考慮過之後，仍然出現異常情況下，應該採取的預案，例如三個etcd全掛了的情況。

其四，持續關注線上系統網路使用、伺服器性能、硬體存儲、中間件、資料庫燈指標，重點關注臨界狀態，也即當前還健康，但是馬上可能出問題的狀態。例如網關pps達到臨界值，下一步就要開始丟包了，資料庫快滿了，消息出現大量堆積等等。

第四，DBA

對於一個在線業務系統來講，資料庫是重中之重，很多的性能瓶頸定位到最後，都可能是資料庫的問題。所以DBA團隊要對資料庫的使用，進行把關。

造成資料庫性能問題，一方面是SQL語句的問題，一方面是容量的問題。

例如查詢沒有被索引覆蓋，或者在區分度不大的欄位上建立的索引，是否持鎖時間過長，是否存在鎖衝突等等，都會導致資料庫慢的問題。

因而所有上線的SQL語句，都需要DBA提前審核，並且要對於資料庫的性能做持續的監控，例如慢SQL語句等。

另外對於資料庫中的數據量也要持續的監控，到一定的量就需要改分散式資料庫DDB，進行分庫分表，到一定的階段需要對分散式資料庫進行擴容。

第五，故障演練和性能壓測

再好的規劃也比不上演練，再好的性能評估也比不上在線的性能壓測。

性能問題往往通過線上性能壓測發現的。線上壓力測試需要有一個性能測試的平台，做多種形式的壓力測試。例如容量測試，通過梯度的加壓，看到什麼時候實在不行。摸高測試，測試在最大的限度之上還能承受多大的量，有一定的餘量會保險一些，心裡相對比較有底。再就是穩定性測試，測試峰值的穩定性，看這個峰值能夠撐一分鐘，兩分鐘還是30分鐘。還有秒殺場景測試，限流降級演練測試等。

只有經過性能壓測，才能發現線上系統的瓶頸點，通過不斷的修復和擴容瓶頸點，最終才能知道服務之間應該以各種副本數的比例部署，才能承載期望的QPS。

對於可能遇到的故障，可以進行故障演練，故意模擬一些故障，來看系統如何反應，是否會因為自修復，多副本，容錯等機制，使得這些故障對於客戶端來講沒有影響。

戰術設計

下面，我們就從架構的每個層次，進行戰術設計。我們先來看一下高可用部署架構選型以及他們的優劣。

高可用性要求和系統的負載度和成本是強相關的。越簡單的架構，部署成本越低的架構，高可用性越小，例如上面的單體應用。而微服務化，單元化，異地多活，必然導致架構複雜難以維護，機房成本比較高，所以要使用多少成本實現什麼程度的高可用，是一個權衡。

高可用的實現需要多個層次一起考慮：

首先是應用層，可以通過異地多活單元保證城市級高可用，這樣使得一個城市因為災難宕機的時候，另外一個城市可以提供服務。另外每個多活單元採用雙機房保證機房級高可用，也即同城雙機房，使得一個城市中一個機房宕機，另一個機房可以提供服務。再者每個機房中採用多副本保證實例級高可用，使得一個副本宕機的時候，其他的副本可以提供服務。

其次是資料庫層，在數據中心之間，通過主從複製或MGR實現數據非同步複製，在每個集群單元中採用DDB分庫分表，分庫分表中的每個實例都是有資料庫同步複製。

其三是快取層，在數據中心之間，快取採用多集群單元化複製，在每個集群單元中採用多副本主從複製。

其四微服務治理平台層，平台組件異地多活單元保證了城市級高可用，平台組件每個多活單元採用雙機房保證機房級高可用，平台組件每個機房中採用多副本保證實例級高可用。

當有了以上高可用方案之後，則以下的故障等級以及影響時間如下表格。

接下來，我們每個層次詳細論述。

第一，應用層

下圖以最複雜的場景，假設有三個城市，每個城市都有兩個完全對等的數據中心。三個城市的數據中心也是完全對等的。

我們將整個業務數據按照某個維度分成A，B，C三部分。這樣任何一部分全部宕機，其他部分照樣可以提供服務。對於有的業務，如果省級別的服務中斷完全不能忍受，市級別的服務中斷要求恢復時間相當短，而區縣級別的服務中斷恢復時間可以相對延長。在這種場景下，可以根據地區來區分維度，使得一個區縣和另外一個區縣的數據屬於不同的單元。

為了節約成本，模型可能會更加簡化。中心節點和單元化節點不是對稱的。中心節點可以實現同城雙活，而異地單元化的部分只部署一個機房即可。這樣是能滿足大部分高可用性需求的。

這種架構要求實現中間件層和資料庫層單元化，這個我們後面會仔細講。

第二，接入層

單元化要求APP層或者在機房入口區域的接入層，實現中心單元和其他單元節點的流量分發。

對於初始請求沒有任何路由標記的，可以隨機分發給任何一個單元，也可以根據地區或者運營商在GSLB中分發給某個就近的單元。

應用層接收到請求以後，根據自己所在的單元生成路由資訊，將路由資訊返回給接入層或者APP。

接下來APP或者接入層的請求，都會帶著路由資訊，選擇相應的單元進行發送，從而實現了請求的處理集中在本單元。

第三，中間件層

在中間件層，我們以zookeeper為例，分為以下兩個場景。

場景一、ZooKeeper 單元化主從多活

在這種場景下，主機房和單元化機房距離相隔較近，時延很小，可以當做一個機房來對待。可以採用ZooKeeper高可用保障通過多ZooKeeper實例部署來達成。

如圖所示，主機房zookeeper有leader和follower，單元化機房的zookeeper僅為observer。

場景二、 ZooKeeper 單元化多集群複製

兩個機房相距較遠，每個機房部署一套ZooKeeper集群，集群之間進行數據同步。各機房應用連接機房內的ZooKeeper集群，註冊的資訊通過數據同步，能夠被其他機房應用獲取到。

單一機房ZooKeeper集群不可用，其餘機房不受影響。當前不考慮做不同機房之間的集群切換。

第四，資料庫層

在資料庫層，首先要解決的問題是，分散式資料庫DDB集群多機房同步複製。

在單元內採用同城主從複製模式，跨單元採用DTS/NDC實現應用層數據雙向同步能力。

對於數據的ID分配，應該採取全局唯一ID分配，有兩種實現方式，如果主機房和單元化機房距離較近，可採用ID分配依然採用中心式, 所有機房的單元全部向同一中心服務申請ID的方式。如果主機房和單元化機房相隔較遠，可採用每個單元各自分配, 通過特定規則保證每個機房得到的最終ID不衝突的方式。

第五，快取層

在快取層，有兩種方式，方式一是集群熱備，新增Redis集群作為熱備份集群。

主集群與備份集群之間在服務端進行數據同步，通過Redis Replication協議進行同步處理。

離線監聽主集群狀態，探測到故障則進行主備之間切換，資訊通過配置中心下達客戶端，類哨兵方式進行監聽探活

在這種場景下，集群之間數據在服務端進行同步，正常情況下，集群之間數據會一致。但會存在一定的複製時延。

在故障切換時，可能存在極短時間內的數據丟失。如果將快取僅僅當快取使用，不要做記憶體資料庫使用，則沒有問題。

第二種方式，集群多活。新增集群作為多活集群，正常情況下客戶端根據Key哈希策略選擇分發到不同集群。

客戶端通過Proxy連接集群中每一個節點，Proxy的用處是區分客戶端寫入與集群複製寫入。

集群之間在服務端進行數據雙向複製，數據變更通過Redis Replication協議獲取。

離線監聽主集群狀態，探測到故障則進行切換，資訊通過配置中心下達客戶端，類哨兵方式進行監聽探活。

此方案應用於單純的集群間高可用時，同一個Key在同一段時間內只會路由到同一個集群，數據一致性可以保證。

在故障切換情況下，可能存在極端時間內的數據丟失。

第六，微服務治理平台

作為大規模微服務的微服務治理平台，一方面自己要實現單元化，另外一方面要實現流量在不同單元之間的染色與穿梭。

從API網關，NSF服務治理和管理中心，APM性能管理，GXTS分散式事務管理，容器平台的管控都需要進行跨機房單元化部署。

當請求到達一個單元之後，API網關上就帶有此單元的路由資訊，NSF服務治理與管理平台在服務之間相互調用的時候，同樣會插入此單元的路由資訊，當一個單元某實例全掛的時候，可以穿梭到另一個單元進行調用，並在下一跳調用回本單元，這種方式稱為流量染色。

歡迎關注個人公眾號