Dubbo设计分享——实现的健壮性

From：http://pt.alibaba-inc.com/wp/experience_1224/robustness-of-implement.html

Dubbo作为远程服务暴露、调用和治理的解决方案，是应用运转的经络，其本身实现健壮性的重要程度是不言而喻的。

这里列出一些Dubbo用到的原则和方法。

一、日志

日志是发现问题、查看问题一个最常用的手段。

日志质量往往被忽视，没有日志使用上的明确约定。

重视Log的使用，提高Log的信息浓度。

日志过多、过于混乱，会导致有用的信息被淹没。

要有效利用这个工具要注意：

1. 严格约定WARN、ERROR级别记录的内容

· WARN表示可以恢复的问题，无需人工介入。
· ERROR表示需要人工介入问题。
有了这样的约定，监管系统发现日志文件的中出现ERROR字串就报警，又尽量减少了发生。

过多的报警会让人疲倦，使人对报警失去警惕性，使ERROR日志失去意义。

再辅以人工定期查看WARN级别信息，以评估系统的“亚健康”程度。

2. 日志中，尽量多的收集关键信息

哪些是关键信息呢？

· 出问题时的现场信息，即排查问题要用到的信息。如服务调用失败时，要给出 使用Dubbo的版本、服务提供者的IP、使用的是哪个注册中心；调用的是哪个服务、哪个方法等等。这些信息如果不给出，那么事后人工收集的，问题过后现场可能已经不能复原，加大排查问题的难度。
· 如果可能，给出问题的原因和解决方法。这让维护和问题解决变得简单，而不是寻求精通者（往往是实现者）的帮助。
3. 同一个或是一类问题不要重复记录多次

同一个或是一类异常日志连续出现几十遍的情况，还是常常能看到的。人眼很容易漏掉淹没在其中不一样的重要日志信息。要尽量避免这种情况。在可以预见会出现的情况，有必要加一些逻辑来避免。

如为一个问题准备一个标志，出问题后打日志后设置标志，避免重复打日志。问题恢复后清除标志。

虽然有点麻烦，但是这样做保证日志信息浓度，让监控更有效。

二、界限设置

资源是有限的，CPU、内存、IO等等。不要因为外部的请求、数据不受限的而崩溃。

1. 线程池(ExectorService)的大小和饱和策略

Server端用于处理请求的ExectorService设置上限。

ExecutorService的任务等待队列使用有限队列，避免资源耗尽。

当任务等待队列饱和时，选择一个合适的饱和策略。这样保证平滑劣化。

在Dubbo中，饱和策略是丢弃数据，等待结果也只是请求的超时。

达到饱和时，说明已经达到服务提供方的负荷上限，要在饱和策略的操作中日志记录这个问题，以发出监控警报。

记得注意不要重复多次记录哦。

（注意，缺省的饱和策略不会有这些附加的操作。）

根据警报的频率，已经决定扩容调整等等，避免系统问题被忽略。

2. 集合容量

如果确保进入集合的元素是可控的且是足够少，则可以放心使用。这是大部分的情况。

如果不能保证，则使用有有界的集合。当到达界限时，选择一个合适的丢弃策略。

三、容错-重试-恢复

高可用组件要容忍其依赖组件的失败。

1. Dubbo的服务注册中心

目前服务注册中心使用了数据库来保存服务提供者和消费者的信息；

注册中心集群不同注册中心也通过数据库来之间同步数据，以感知其它注册中心上提供者。

注册中心会内存中保证一份提供者和消费者数据，数据库不可用时，注册中心独立对外正常运转，只是拿不到其它注册中心的数据。

当数据库恢复时，重试逻辑会内存中修改的数据写回数据库，并拿到数据库中新数据。

2. 服务的消费者

服务消息者从注册中心拿到提供者列表后，会保存提供者列表到内存和磁盘文件中。

这样注册中心宕后消费者可以正常运转，甚至可以在注册中心宕机过程中重启消费者。

消费者启动时，发现注册中心不可用，会读取保存在磁盘文件中提供者列表。

重试逻辑保证注册中心恢复后，更新信息。

四、重试延迟策略

上一点的子问题。Dubbo中碰到有两个相关的场景。

1. 数据库上的活锁

注册中心会定时更新数据库一条记录的时间戳，这样集群中其它的注册中心感知它是存活。

过期注册中心和它的相关数据 会被清除。数据库正常时，这个机制运行良好。

但是数据库负荷高时，其上的每个操作都会很慢。这就出现：

· A注册中心认为B过期，删除B的数据。
· B发现自己的数据没有了，重新写入自己的数据。
的反复操作。这些反复的操作又加重了数据库的负荷，恶化问题。

可以使用下面逻辑

当B发现自己数据被删除时（写入失败），选择等待这段时间再重试。

重试时间可以选择指数级增长，如第一次等1分钟，第二次10分钟、第三次100分钟。

这样操作减少后，保证数据库可以冷却（Cool Down）下来。

2. Client重连注册中心

当一个注册中心停机时，其它的Client会同时接收事件，而去重连另一个注册中心。

Client数量相对比较多，会对注册中心造成冲击。

避免方法可以是Client重连时随机延时3分钟，把重连分散开。