LinuxEye - Linux系统教程

LinuxEye - Linux系统教程

当前位置: 主页 > 架构 >

高可用性系统在大众点评的实践与经验

时间:2016-01-26 14:18来源: 微信号:afroginwell 编辑:井底之蛙 点击:
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,并结合自己的经验作些分享。高可用性只是一个结果,要更多的关注迭代过程,关注业务发展。 主要从下面几个方面来分

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,并结合自己的经验作些分享。高可用性只是一个结果,要更多的关注迭代过程,关注业务发展。

主要从下面几个方面来分享

  • 可用性的理解

 1. 理解目标

 2.目标分解

  • 频率要低

          1. 高可用性的设计

            2.易运营&测试

            3.关注发布

  • 时间要快

   1.持续关注运行时

   2.充分利用故障时

  • 几点经验

   1.珍惜每次大流量机会

   2.复盘

   3.可用性不只是技术问题

   4.可用性最大的敌人

 

一、可用性的理解

1.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,要对设计或者开发的系统知道其用户规模及使用场景,知道可用性的目标。

比如5个9的目标能分解:全年故障5分钟。

 

2.拆解目标

  几个9的目标比较抽象,需要对目标进行合理的分解,可以分解成如下两个子目标

2.1 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,后面的恢复再快也是没有用的。

 2.2 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,而是快速恢复是第一要务的,防止次生灾害,问题扩大。这里就要求要站在业务角度思考,而不仅是技术角度思考。

 

二、频率要低:减少出故障的次数

1.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

1)幼儿时期:2012年前。

使命:满足业务要求,快速上线。

因为2011年要快速的把团购产品推向市场,团队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,回滚就解决问题了。

系统长成下图这样:

 

 

  2)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。

系统演进成下图这样:这个就是服务垂直化了,但是数据没有完整隔离开,互相摸。

 3)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,常规活动)会挂,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的,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,后来做了详情的静态化做得比较好了,能减少恢复的速度,能降级,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,基础数据服务等等。这下商品详情页的问题解决了,所以从2014年低订单系统的压力就来了,前面好了,后面压力就来了。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个领域后面的服务总和都快上百个了,后面对应的数据库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是可以扩容的,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,但是写入仍然式最大的瓶颈(mysql的读可以扩展,写入QPS 也就小2万)

系统演变成下图这样:这个架构大约能支撑QPS 3000左右的订单量。  

 

 4)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。这样能支撑到我们能看见到未来了。

虽然数据层的问题解决了,但是我们还是有些单点,我们用的MQ,网络,机房等。举几个曾经我过去遇到的不容易碰到的可用性问题:

1)服务的网卡有一个网卡坏了,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。

2)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,就影响了业务。

3)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。

这个时期系统演进下图这样:

 5)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,让他们聚合在某一个服务集群完成,闭环解决。

系统可能会演变下下图这样:

上面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、机房等各个时期遇到的不同的可用性问题,我们遇到过的问题,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。

2.易运营

高可用性的系统一定是可运营的,听到运营,大家更多的想到的是产品运营,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:

1)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。比如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等。

2)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。

3)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,比如我们支付渠道,如果支付宝渠道挂了,我们挂了50% ,我们支付宝的渠道是旁会自动出现一个提示,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,比如换其他支付渠道(刚刚微信支付还挂了,就又起作用了)。另一个案例,我们在啊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,又可控的情况下,可以通过开关直接关闭或者启用。

3.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,每一个按钮的位置,进行较准确的预估。

再测试集群的能力,有很多同学在实施的时候总喜欢测试单台,然后水平放大,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,然后做好前端的异步下单,让整个流量平缓的下放到数据库。

4.  降低发布风险

4.1 严格的发布流程

目前点评的发布都是开发自己负责的,通过平台自己完成的,上线的流程,发布的常规流程模版:

 

4.2  灰度机制

1)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。

2)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。

3)可回滚是标配,最好有最坏情况的预案。

 

三、时间要快 :故障恢复时间要快

如果目标就要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之间的沟通速度及工具能力,及处理问题人员的本身能力有关。

生命值:

 

 

 

1.持续关注线上运行情况

1)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、对应用的自己QPS、响应时间、可用性指标,并对依赖的上下游的流量情况同样熟悉。

2)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,能保证大部分场景的可用,也能很快的消化高峰流量,避免出现故障,产生流量的多次高峰。

2.故障时

2.1.快速的发现机制

1)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。

1)告警的实时化:目前我们只能做到1分钟左右告警。

3)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分钟定位到具体是那个地方出问题,比较困难。点评的监控系统cat能很好的提供这些指标变化,我们系统再这些基础上也做了一些更实时的能力,比如订单系统的我们的QPS 就是开发的秒级的监控曲线。

2.2.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,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。
 

四 、几点经验

1.珍惜每次真实高峰流量,建立高峰期流量模型。

2.珍惜每次线上故障复盘,上一层楼看问题,下一楼解决问题。

3.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:开发+DBA+运维为主;

系统后期是:技术+产品+运维+DBA ;

4.单点和发布是可用性最大的敌人

转载请保留固定链接: https://linuxeye.com/architecture/2874.html

------分隔线----------------------------
标签:大众点评
栏目列表
推荐内容