说到大规模微服务系统，往往是一些7*24时不间断运行的在线系统，这样的系统往往有以下的要求：

 

，高可用。这类的系统往往需要保持一定的SLA的，7*24时不间断运行不代表完全不挂，而是有一定的百分比的。例如我们常说的可用性需达到4个9（99.99%），全年停机总计不能超过1小时，约为53分钟，也即服务停用时间小于53分钟，就说明高可用设计合格。

 

第二，用户分布在。大规模微服务系统所支撑的用户一般在各地，因而每个地区的人，都希望能够就近访问，所以一般不会一套系统服务，而是每个地区都要有相应的业务单元，使得用户可以就近访问。

 

第三，并发量大，存在波峰波谷。微服务之所以规模比较大，其实是承载的压力比较大，而且需要根据请求的波峰波谷进行弹性伸缩。

 

第四，有故障性能诊断和快速恢复的机制。大规模微服务场景下，运维人员很难进行命令式手动运维来控制应用的生命周期，应该采用声明式的运维方法。另外一旦有了性能瓶颈或者故障点，应该有自动发现定位的机制，迅速找到瓶颈点和故障点，及时修复，才能保障SLA。

战略设计

为了满足以上的要求，这个系统绝不是运维组努力一把，或者开发组努力一把，就能解决的，是一个端到端的，各个部门共同完成的一个目标，所以我们常称为战略设计。

 

，研发

 

一个能支撑高并发，高可用的系统，一定是需要从研发环节就开始下功夫的。

 

首先，每一个微服务都有实现良好的无状态化处理，幂等服务接口设计。

 

状态分为分发，处理，存储几个过程，如果对于一个用户的所有的信息都保存在一个进程中，则从分发阶段，就必须将这个用户分发到这个进程，否则无法对这个用户进行处理，然而当一个进程压力很大的时候，根本无法扩容，新启动的进程根本无法处理那些保存在原来进程的用户的数据，不能分担压力。

 

所以要讲整个架构分成两个部分，无状态部分和有状态部分，而业务逻辑的部分往往作为无状态的部分，而将状态保存在有状态的中间件中，如缓存，数据库，对象存储，大数据平台，消息队列等。

 

这样无状态的部分可以很容易的横向扩展，在用户分发的时候，可以很容易分发到新的进程进行处理，而状态保存到后端。而后端的中间件是有状态的，这些中间件设计之初，就考虑了扩容的时候，状态的迁移，复制，同步等机制，不用业务层关心。

 

对于数据的存储，主要包含几类数据：

• 会话数据等，主要保存在内存中。对于保存在内存里的数据，例如Session，可以放在外部统一的缓存中。

• 结构化数据，主要是业务逻辑相关。对于业务相关的数据，则应该保存在统一的数据库中

• 文件图片数据，比较大，往往通过CDN下发。对于文件，照片之类的数据，应该存放在统一的对象存储里面

• 非结构化数据，例如文本，评论等。对于非结构化数据，可以存在在统一的搜索引擎里面，例如ElasticSearch。

但是还有一个遗留的问题，就是已经分发，正在处理，但是尚未存储的数据，肯定会在内存中有一些，在进程重启的时候，数据还是会丢一些的，那这部分数据怎么办呢？

 

这部分就需要通过重试进行解决，当本次调用过程中失败之后，前序的进程会进行重试，例如Dubbo就有重试机制。既然重试，就需要接口是幂等的，也即同一次交易，调用两次转账1元，不能终转走2元。

 

接口分为查询，插入，更新，删除等操作。

 

对于查询接口来讲，本身就是幂等的，不用做特殊的判断。

 

对于插入接口来讲，如果每一个数据都有的主键，也能保证插入的性，一旦不，则会报错。

 

对于更新操作来讲，则比较复杂，分几种情况。

一种情况是同一个接口，前后调用多次的幂等性。另一种情况是同一个接口，并发环境下调用多次的正确性。

 

为了保持幂等性，往往要有一个幂等表，通过传入幂等参数匹配幂等表中ID的方式，保证每个操作只被执行一次，而且在实行终一致性的时候，可以通过不断重试，保证终接口调用的成功。

 

对于并发条件下，谁先调用，谁后调用，需要通过分布式锁如Redis，Zookeeper等来实现同一个时刻只有一个请求被执行，如何保证多次执行结果仍然一致呢？则往往需要通过状态机，每个状态只流转一次。还有就是乐观锁，也即分布式的CAS操作，将状态的判断、更新整合在一条语句中，可以保证状态流转的原子性。乐观锁并不保证更新一定成功，需要有对应的机制来应对更新失败。

 

其次，根据服务重要度实现熔断降级、限流保护策略

 

服务拆分多了，在 应用层面 就遇到以下问题：

 

服务雪崩：即一个服务挂了，整个调用链路上的所有的服务都会受到影响；

大量请求堆积、故障恢复慢：即一个服务慢，卡住了，整个调用链路出现大量超时，要长时间等待慢的服务恢复到正常状态。

 

为了解决这些问题，我们在应用层面实施了以下方案：

 

通过熔断机制，当一个服务挂了，被影响的服务能够及时熔断，使用 Fallback 数据保证流程在非关键服务不可用的情况下，仍然可以进行。

通过线程池和消息队列机制实现异步化，允许服务快速失败，当一个服务因为过慢而阻塞，被影响服务可以在超时后快速失败，不会影响整个调用链路。

 

当发现整个系统的确负载过高的时候，可以选择降级某些功能或某些调用，保证重要的交易流程的通过，以及重要的资源全部用于保证核心的流程。

还有一种手段就是限流，当既设置了熔断策略，又设置了降级策略，通过全链路的压力测试，应该能够知道整个系统的支撑能力，因而就需要制定限流策略，保证系统在测试过的支撑能力范围内进行服务，超出支撑能力范围的，可拒绝服务。当你下单的时候，系统弹出对话框说 “系统忙，请重试”，并不代表系统挂了，而是说明系统是正常工作的，只不过限流策略起到了作用。

 

其三，每个服务都要设计有效探活接口，以便健康检查感知到服务状态

 

当我们部署一个服务的时候，对于运维部门来讲，可以监控机器的状态或者容器的状态，是否处于启动状态，也可以监控到进程是否启动，端口是否监听等，但是对于已经启动的进程，是否能够正常服务，运维部门无法感知，需要开发每个服务的时候，设计一个有效探活接口，让运维的监控系统可以通过调用这个接口，来判断进程能够正常提供服务。这个接口不要直接返回，而是应该在进程内部探查提供服务的线程是否出去正常状态，再返回相应的状态编码。只有这样，开发出来的服务和运维才能合作起来，保持服务处于某个副本数，否则如果一部分服务虽然启动，但是处于假死状态，会使得其他正常服务，无法承受压力。

 

其四，通过制定良好的代码检查规范和静态扫描工具，大化限制因为代码问题造成的系统不可用

 

要保持线上代码的高可用性，代码质量是关键，大部分线上问题，无论是性能问题，还是稳定性问题，都是代码造成的，而非基础设施造成的。而且基础设施的可用率为99.95%，但是服务层要求的可用率高于这个值，所以必须从业务层高可用来弥补。除了下面的高可用架构部分，对于每一个服务来讲，制定良好的代码检查规范和静态扫描工具，通过大量的测试用例，大化限制因为代码问题造成的系统不可用，是必须的，是高可用的基础。

第二，高可用架构设计

 

在系统的每一个部分，都要避免单点。系统冗余往往分管控面和数据面，而且分多个层次，往往每一个层次都需要进行高可用的设计。

 

             

 

 

在机房层面，为了高可用应该部署在多个区域，或者多个云，每个区域分多个可用区进行部署。

 

对于云来讲，云的管控要多机房高可用部署，使得任何一个机房故障，都会使得管控依然可以使用，这就需要管控的组件分布于至少两个机房，管控的数据库和消息队列跨机房进行数据同步。

 

对于云的数据面来讲，入口的网关要和机房网络配合做跨机房的高可用，使得入口公网IP和负载均衡器，在一个机房故障的情况下，可以切换至另一个机房。

 

             

 

在云之上要部署Kubernetes平台，管控层面Kubernetes要实现高可用部署，etcd要跨机房高可用部署，Kubernetes的管控组件也要跨机房部署。当然还有一种情况是机房之间距离比较远，需要在每一个机房各部署一套Kubernetes，这种情况下，Kubernetes的管控依然要实现高可用，只不过跨机房的高可用就需要应用层来实现了。

 

在应用层，微服务的治理平台，例如注册发现，zookeeper或者Euraka，APM，配置中心等都需要实现跨机房的高可用。另外就是服务要跨机房部署，实现城市级机房故障迁移能力

 

第三，运维

 

运维一个大规模微服务系统也有不一样的挑战。首先建议使用的是Kubernetes编排的声明式的运维方式，而非ansible之类命令式的运维方式。

 

另外对于系统的发布，要进行灰度、蓝绿发布，降低系统上线发布风险。要有这样的理念，任何一个新上线的系统，都是不可靠的。

 

             

 

所以可以通过流量分发的模式，逐渐切换到新的服务，从而保障系统的稳定。

 

其三，完善监控及应对机制，对系统各节点、应用、组件全面地监控，能够时间快速发现并解决问题。

 

             

 

监控绝非只有基础设施的CPU，网络，磁盘的监控，应用的，业务的，调用链的监控都应该有。而且对于紧急事件，应该有应急预案，应急预案是在高可用已经考虑过之后，仍然出现异常情况下，应该采取的预案，例如三个etcd全挂了的情况。

 

其四，持续关注线上系统网络使用、服务器性能、硬件存储、中间件、数据库灯指标，重点关注临界状态，也即当前还健康，但是马上可能出问题的状态。例如网关pps达到临界值，下一步就要开始丢包了，数据库快满了，消息出现大量堆积等等。

第四，DBA

 

对于一个在线业务系统来讲，数据库是重中之重，很多的性能瓶颈定位到后，都可能是数据库的问题。所以DBA团队要对数据库的使用，进行把关。

 

造成数据库性能问题，一方面是SQL语句的问题，一方面是容量的问题。

 

例如查询没有被索引覆盖，或者在区分度不大的字段上建立的索引，是否持锁时间过长，是否存在锁冲突等等，都会导致数据库慢的问题。

 

因而所有上线的SQL语句，都需要DBA提前审核，并且要对于数据库的性能做持续的监控，例如慢SQL语句等。

 

另外对于数据库中的数据量也要持续的监控，到一定的量就需要改分布式数据库DDB，进行分库分表，到一定的阶段需要对分布式数据库进行扩容。

 

第五，故障演练和性能压测

 

再好的规划也比不上演练，再好的性能评估也比不上在线的性能压测。

 

性能问题往往通过线上性能压测发现的。线上压力测试需要有一个性能测试的平台，做多种形式的压力测试。例如容量测试，通过梯度的加压，看到什么时候实在不行。摸高测试，测试在大的限度之上还能承受多大的量，有一定的余量会保险一些，心里相对比较有底。再就是稳定性测试，测试峰值的稳定性，看这个峰值能够撑一分钟，两分钟还是30分钟。还有秒杀场景测试，限流降级演练测试等。

 

只有经过性能压测，才能发现线上系统的瓶颈点，通过不断的修复和扩容瓶颈点，终才能知道服务之间应该以各种副本数的比例部署，才能承载期望的QPS。

 

对于可能遇到的故障，可以进行故障演练，故意模拟一些故障，来看系统如何反应，是否会因为自修复，多副本，容错等机制，使得这些故障对于客户端来讲没有影响。

战术设计

 

下面，我们就从架构的每个层次，进行战术设计。我们先来看一下高可用部署架构选型以及他们的优劣。

架构类型	可用性	优势	问题
单体应用	-	网络开销小	扩展性差，维护困难
单机房服务化	应用级高可用	网络开销小，解耦可扩展	容量受限，机房级单点
同城多活阶段一	机房级高可用	突破单机房容量瓶颈	非必要的跨机房开销大
同城多活阶段二	机房级高可用	非必要的跨机房网络开销小，提供机房级容灾	城市级单点，仍存在非必要的跨机房开销
异地多活单元化	城市级高可用	异地容灾，可用性高	成本较高，要求各应用组件实现单元化

 

高可用性要求和系统的负载度和成本是强相关的。越简单的架构，部署成本越低的架构，高可用性越小，例如上面的单体应用。而微服务化，单元化，异地多活，必然导致架构复杂难以维护，机房成本比较高，所以要使用多少成本实现什么程度的高可用，是一个权衡。

 

高可用的实现需要多个层次一起考虑：

 

             

 

首先是应用层，可以通过异地多活单元保证城市级高可用，这样使得一个城市因为灾难宕机的时候，另外一个城市可以提供服务。另外每个多活单元采用双机房保证机房级高可用，也即同城双机房，使得一个城市中一个机房宕机，另一个机房可以提供服务。再者每个机房中采用多副本保证实例级高可用，使得一个副本宕机的时候，其他的副本可以提供服务。

 

其次是数据库层，在数据中心之间，通过主从复制或MGR实现数据异步复制，在每个集群单元中采用DDB分库分表，分库分表中的每个实例都是有数据库同步复制。

 

其三是缓存层，在数据中心之间，缓存采用多集群单元化复制，在每个集群单元中采用多副本主从复制。

 

其四微服务治理平台层，平台组件异地多活单元保证了城市级高可用，平台组件每个多活单元采用双机房保证机房级高可用，平台组件每个机房中采用多副本保证实例级高可用。

 

当有了以上高可用方案之后，则以下的故障等级以及影响时间如下表格。

故障层级	预计影响范围	预计SLA影响	恢复手段
应用单实例故障 （进程异常退出，FGC等）	单个或部分用户请求失败。应用有多副本自动重试即可正常	无影响	K8S通过健康检测到异常，自动重启容器
应用单节点故障 （主机硬件异常，掉电等）	部分用户请求失败。应用有多副本自动重试即可正常	<1分钟	K8S检测到节点异常会自动迁移该节点上的容器
中间件单节点故障 （Zookeeper、Eureka）	ZK故障为从节点无影响； ZK故障为主节点，在重选举时无法注册发现； Eureka单节点故障无影响；	无影响	自动剔除故障节点，故障节点需手工恢复
缓存单节点故障 （Redis）	Redis集群模式单节点故障无影响；	无影响	自动剔除故障节点，故障节点需手工恢复
数据库单节点故障 （DDB、RDS）	DDN从节点故障无影响； DDN主节点故障会影响部分用户请求超时；	<1分钟	DDB自动主备切换，故障节点需手工恢复
机房故障 （机房断电，网络分区等）	部分用户请求失败	<15分钟	通过监控检查，切换流量入口至同城机房；

接下来，我们每个层次详细论述。

，应用层

下图以复杂的场景，假设有三个城市，每个城市都有两个完全对等的数据中心。三个城市的数据中心也是完全对等的。

 

我们将整个业务数据按照某个维度分成A，B，C三部分。这样任何一部分全部宕机，其他部分照样可以提供服务。对于有的业务，如果省级别的服务中断完全不能忍受，市级别的服务中断要求恢复时间相当短，而区县级别的服务中断恢复时间可以相对延长。在这种场景下，可以根据地区来区分维度，使得一个区县和另外一个区县的数据属于不同的单元。

 

为了节约成本，模型可能会更加简化。中心节点和单元化节点不是对称的。中心节点可以实现同城双活，而异地单元化的部分只部署一个机房即可。这样是能满足大部分高可用性需求的。

 

这种架构要求实现中间件层和数据库层单元化，这个我们后面会仔细讲。

 

             

第二，接入层

 

单元化要求APP层或者在机房入口区域的接入层，实现中心单元和其他单元节点的流量分发。

 

对于初始请求没有任何路由标记的，可以随机分发给任何一个单元，也可以根据地区或者运营商在GSLB中分发给某个就近的单元。

 

应用层接收到请求以后，根据自己所在的单元生成路由信息，将路由信息返回给接入层或者APP。

 

接下来APP或者接入层的请求，都会带着路由信息，选择相应的单元进行发送，从而实现了请求的处理集中在本单元。

 

             

 

第三，中间件层

在中间件层，我们以zookeeper为例，分为以下两个场景。

 

场景一、ZooKeeper 单元化主从多活

 

在这种场景下，主机房和单元化机房距离相隔较近，时延很小，可以当做一个机房来对待。可以采用ZooKeeper高可用保障通过多ZooKeeper实例部署来达成。

 

如图所示，主机房zookeeper有leader和follower，单元化机房的zookeeper仅为observer。

 

 

             

 

场景二、 ZooKeeper 单元化多集群复制

 

两个机房相距较远，每个机房部署一套ZooKeeper集群，集群之间进行数据同步。各机房应用连接机房内的ZooKeeper集群，注册的信息通过数据同步，能够被其他机房应用获取到。

 

单一机房ZooKeeper集群不可用，其余机房不受影响。当前不考虑做不同机房之间的集群切换。

 

             

 

第四，数据库层

在数据库层，首先要解决的问题是，分布式数据库DDB集群多机房同步复制。

 

在单元内采用同城主从复制模式，跨单元采用DTS/NDC实现应用层数据双向同步能力。

 

             

 

对于数据的ID分配，应该采取全局ID分配，有两种实现方式，如果主机房和单元化机房距离较近，可采用ID分配依然采用中心式, 所有机房的单元全部向同一中心服务申请ID的方式。如果主机房和单元化机房相隔较远，可采用每个单元各自分配, 通过特定规则保证每个机房得到的终ID不冲突的方式。

 

             

 

第五，缓存层

在缓存层，有两种方式，方式一是集群热备，新增Redis集群作为热备份集群。

 

             

 

主集群与备份集群之间在服务端进行数据同步，通过Redis Replication协议进行同步处理。

 

离线监听主集群状态，探测到故障则进行主备之间切换，信息通过配置中心下达客户端，类哨兵方式进行监听探活

 

在这种场景下，集群之间数据在服务端进行同步，正常情况下，集群之间数据会一致。但会存在一定的复制时延。

 

在故障切换时，可能存在极短时间内的数据丢失。如果将缓存仅仅当缓存使用，不要做内存数据库使用，则没有问题。

 

第二种方式，集群多活。新增集群作为多活集群，正常情况下客户端根据Key哈希策略选择分发到不同集群。

 

             

 

客户端通过Proxy连接集群中每一个节点，Proxy的用处是区分客户端写入与集群复制写入。

集群之间在服务端进行数据双向复制，数据变更通过Redis Replication协议获取。

离线监听主集群状态，探测到故障则进行切换，信息通过配置中心下达客户端，类哨兵方式进行监听探活。

 

此方案应用于单纯的集群间高可用时，同一个Key在同一段时间内只会路由到同一个集群，数据一致性可以保证。

在故障切换情况下，可能存在极端时间内的数据丢失。

第六，微服务治理平台

作为大规模微服务的微服务治理平台，一方面自己要实现单元化，另外一方面要实现流量在不同单元之间的染色与穿梭。

 

从API网关，NSF服务治理和管理中心，APM性能管理，GXTS分布式事务管理，容器平台的管控都需要进行跨机房单元化部署。

 

当请求到达一个单元之后，API网关上就带有此单元的路由信息，NSF服务治理与管理平台在服务之间相互调用的时候，同样会插入此单元的路由信息，当一个单元某实例全挂的时候，可以穿梭到另一个单元进行调用，并在下一跳调用回本单元，这种方式称为流量染色。