唐洪：阿里云飞天面对的三大挑战与解决策略

在10月17号的2014年阿里云开发者大会上，阿里云飞天项目负责人唐洪做了飞天项目的专题演讲，演讲中对飞天项目架构、遇到的技术挑战、监测运维等方面进行了详细介绍。以下是对演讲内容的整理报道。

\\

架构

\\

飞天项目的整体架构，最底层基础架构是由通用服务器组成的Linux集群，没有使用高端的服务器和存储。飞天提供功能的方式是通过服务的方式，下图中所有蓝色的框（指各类云计算服务）都是对外提供服务的窗口，但这里蓝色的框并不代表所有阿里云提供的服务，还有许多其他的服务没有包括。最上层，飞天项目是阿里云整个产品和服务的技术基础，上面是各种各样的应用。

\\

\\

飞天平台上强调的是做多租户，因为众所周知云计算带来的好处就是弹性，另外一个就是需要帮助大家降低成本。

\\

挑战

\\

1、小概率故障成为了常态：分布式计算集群里面有成千上万台，几十万台甚至上百万台服务器，每个服务器都有那么多组件，所以任何小概率事件都会被放大。飞天平台是通过数据去掉单点的方法来降低这些小概率带来的影响，但客户受到困扰并不是一个简单的可用率，今天的可用率也可以达到99.9%以上，深入挖过去，到每个具体客户的时候，会发现他们的痛点不能只用一个概率来概括。

\\

2、机器比人可靠，但是在飞天服务链条里面有很多很多人的因素，所以第二个挑战就是怎么样能够降低人在服务链条里面的负作用：举个例子，比如说配置的错误，因为配置项很多，让人来配置的话很容易配错，或者代码修改之后，操作其实是一个文档，但没有做相应的修改，然后用老的操作流程的时候就会出现问题，它另外去执行的时候也会发生问题。还有一些操作，虽然有文档，但从来没有操练过，因为很难在一个实验的环境去复现这个情况，其实是没有验证过的，真正上到战场上发现这个流程是错的。最后发现流程是对的，但是人在疲劳或者压力的情况下会出现错误，所以很多情况下是人的失误所导致的故障。

\\

3、后台负载干扰在线服务，就是多种环境下性能隔离的问题：当用户投诉说ECS和IO比较慢的时候, 经常会告知用户把快照关闭。从系统层面根本解决这个问题是很复杂的事情。一方面需要在全局进行控制，也就是到底多少路IO在进行中等等，第二方面是网路的流控，最后要确保单机的流控。

\\

策略

\\

针对上面三种挑战，唐洪提出了针对性的策略：

\\

1、针对小概率故障，会具体问题具体分析，并给出合理的解决方法。而且，在已有的经验与积累基础上，正在研发名为“华佗”的监测系统模块。从系统层面上根本解决尽快发现底层的故障。华佗通过综合了各种类型的系统信息，例如系统的日志、SMART磁盘的指标或者命令反馈的信息，并且可以综合应用的反馈，比如说访问某个云服务的时候超时了或者断联了，就把这个反馈给华佗，这个形式比较简单，比如通过经验规则，或者可以通过学习的方法建立一个故障模型，甚至在这个硬件发生故障之前就可以判断它即将发生故障，然后通知运维赶紧把这个硬件下掉，也可以通知应用绕开这个节点。目前华佗在ODPS上线，并且能够发现磁盘的故障，而且根据观察，基本上能够做到百分之百的覆盖，也就是磁盘有故障就可以发现，误报率在10%左右，并不久将推广一些在线的集群。

\\

2、最薄弱的环节，人：有两方面的工作，第一是热升级的工作，每个服务都会承诺三个可用性，而且在升级过程中要求不能够让用户感知到，这个热升级就好象你开着飞机，在飞的途中去换一个引擎，这是非常有挑战的事情。第二个，在生产环境里面配置千奇百怪，很难用一个固定化的流程把这些问题全部剔除掉。升级过程中有很多人操作，也就是每一步都会去看看有没有成功，如果中间没有成功就会进行下一步，所以每个流程非常长。另外一个是阿里云部署升级非常快，部署升级的频率不但跟业务相关，也跟迭代速度有关，但13年底的时候，发现目前的方式没有办法跟上业务和产品的规划节奏，所以启动了御风项目，目标是希望把单个集群从原来一个礼拜缩短为六小时，并且希望把整个升级过程中的自动化和可控性能够上升到一定水平，能够把升级效率提高10倍以上。

\\

3、后台负载干扰在线服务：比如打快照的时候启动一个后台进程，把原来虚拟磁盘数据搬到快照镜像上。当有写请求进来的时候，需要首先把写之前的磁盘读出来，第二步把读取这个数据写到相应的快照位置上去，第三步才会把这个数据写进去，也就是在打快照期间，写操作的IO路径中间有一个读操作。怎么解决这个问题呢？解决的方法，就是用一个影子拷贝，也就是当写的时候，先写到这个影子拷贝里面去，这样在后台打快照将不受影响，前台写也不受影响，直到快照打完之后，会把影子里面所有的数据合并到数据磁盘里面去，这样一来会对打快照对IO的影响降到很低很低。

\\

总结

\\

最后，唐洪从《礼记》中庸里面讲到的四个字“困知、勉行”，概括了他和他的团队是怎么理解客户的痛点，怎么理解云计算技术，怎么样去做好云计算技术的。“困知”，靠分析一个个工单，看到每一个蓝屏和闪断等问题学习云计算的挑战在哪里。“勉行”，团队里面没有什么天才，大家都是平凡人，唯一能做的就是努力，每个人用200%的努力来实践，才能完成这件事情。