作者简介:陈一方,大众点评交易平台技术团队负责人,主要负责订单平台、促销平台、支付平台的建设。
责编:钱曙光(qianshg@csdn.net)
本文为《程序员》原创文章,未经允许不得转载,更多精彩文章请订阅2016年程序员:http://dingyue.programmer.com.cn/
导读: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,并结合自己的经验做些分享。高可用性只是一个结果,要更多地关注迭代过程,关注业务发展。
可用性的理解
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,在设计或者开发系统时要知道用户规模和使用场景,以及可用性的目标。
比如5个9的目标能分解:全年故障5分钟。
拆解目标
几个9的目标比较抽象,需要对其进行合理的分解,可以分解成如下两个子目标:
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,后面的恢复再快也没有用。
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,快速恢复才是第一要务的,从而防止次生灾害、问题扩大。这里就需要站在业务角度思考,而不仅是技术角度。
频率要低 :减少出故障的次数
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:
幼儿时期:2012年前
使命:满足业务要求,快速上线。
因为2011年要快速地把团购产品推向市场,团队add成员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、回滚就解决了。
系统长成如图2所示
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。
系统演进成如图3所示,这个就是服务垂直化了,但是数据没有完整隔离开。
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(大促等常规活动)挂掉,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,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。后来详情的静态化做得比较好了,能减少恢复的速度和降级,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,这样就解决了商品详情页的问题。所以从2014年开始低订单系统的压力就来了,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个领域后的服务总和都快上百个了,后面对应的数据库有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可以扩容,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,但是写入仍然是最大的瓶颈(MySQL的读可以扩展,写入QPS也就小2万)。
系统演变成如图4这样:这个架构大约能支撑QPS 3000左右的订单量。
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,使用的MQ、网络、机房等。举几个我们过去遇到实际上却不容易碰到的可用性问题:
服务的网卡有一个坏了,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。
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,由此影响到了业务。
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。这个时期系统演进如图5所示。
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,让它们聚合在某一个服务集群完成,闭环解决。
系统可能会演变成如图6所示
图6是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、机房等各个时期会遇到不同的可用性问题,我们遇到的问题,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。
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:
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。再如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。
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。
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。比如支付渠道,如果支付宝渠道挂了,假设挂了50% ,我们支付宝的渠道旁会自动出现一个提示,来说明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,(如换其他支付渠道)。另一个案例,我们在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,又在可控的情况下,可以通过开关直接关闭或者启用。
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位置,进行较准确的预估。
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,然后水平放大后给一个结论。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,并做好前端的异步下单,让整个流量平缓地下放到数据库。
降低发布风险
严格的发布流程
目前点评的发布都是开发自己负责,且通过平台完成的,上线的流程和发布的常规流程模版(如图8所示)。
灰度机制
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;
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;
可回滚是标配,最好有最坏情况的预案。
时间要快 :故障恢复时间要快
如果目标是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之间的沟通速度和工具能力,及处理问题人员的本身能力有关。
生命值:
持续关注线上运行情况
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、对应用自己的QPS、响应时间、可用性指标,并对依赖的上下游流量情况同样熟悉。
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,以及保证大部分场景的可用,也能很快地消化高峰流量,避免出现故障,产生流量的多次高峰。
故障时
快速的发现机制
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;
告警的实时化:目前我们只能做到1分钟左右告警;
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分钟定位到具体是哪个地方出问题,比较困难。点评的监控系统Cat能很好地提供这些指标变化,我们系统在这些基础上也做了一些更实时的能力,比如订单系统中QPS就是开发的秒级监控曲线(如图9所示)。
有效的恢复机制
比如运维的四板斧:回滚、重启、扩容、下服务器。在系统不是很复杂、流量不是很高的情况下,这能解决问题。但当大流量的时候这个就很难解决了,所以更多的从流量控制、降级体验方面下功夫。
经验总结
- 珍惜每次真实高峰流量 ,建立高峰期流量模型;
- 珍惜每次线上故障复盘,下一楼解决问题,上一层楼看问题 ;
- 可用性不只是技术问题:
系统初期是:以开发为主;
系统中期是:以开发+DBA+运维为主;
系统后期是:技术+产品+运维+DBA ; - 单点和发布是可用性最大的敌人。
2016年5月13日-15日,由CSDN重磅打造的2016中国云计算技术大会(CCTC 2016)将于5月13日-15日在北京举办,今年大会特设“中国Spark技术峰会”、“Container技术峰会”、“OpenStack技术峰会”、“大数据核心技术与应用实战峰会”四大技术主题峰会,以及“云计算核心技术架构”、“云计算平台构建与实践”等专场技术论坛。大会讲师阵容囊括Intel、微软、IBM、AWS、Hortonworks、Databricks、Elastic、百度、阿里、腾讯、华为、乐视、京东、小米、微博、迅雷、国家电网、中国移动、长安汽车、广发证券、民生银行、国家超级计算广州中心等60+顶级技术讲师,CCTC必将是中国云计算技术开发者的顶级盛会。目前会议门票限时7折(截止至4月29日24点),详情访问CCTC 2016官网。