高可用性系统在大众点评的实践与经验(转)

http://geek.csdn.net/news/detail/69412

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。

图1 可用性的目标分解

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

图2 点评交易系统幼儿时期的架构

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。

图3 点评交易系统少儿时期的架构

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。

图4 点评交易系统青年时期的架构

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。

图5 点评交易系统成年时期的架构

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 点评交易系统的未来架构演进

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。

图7 测试架构

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）。

图8 发布的常规流程模版

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）。

图9 点评开发的秒级监控曲线

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。