高可用性系統在大眾點評的實踐與經驗

所謂高可用性指的是系統如何保證比較高的服務可用率，在出現故障時如何應對，包括及時發現、故障轉移、儘快從故障中恢復等等。本文主要以點評的交易系統的演進為主來描述如何做到高可用，並結合了一些自己的經驗。需要強調的是，高可用性只是一個結果，應該更多地關注迭代過程，關注業務發展。

可用性的理解

理解目標

業界高可用的目標是幾個9，對於每一個系統，要求是不一樣的。研發人員對所設計或者開發的系統，要知道使用者規模及使用場景，知道可用性的目標。

比如，5個9的目標對應的是全年故障5分鐘。

拆解目標

幾個9的目標比較抽象，需要對目標進行合理的分解，可以分解成如下兩個子目標。

頻率要低：減少出故障的次數

不出問題，一定是高可用的，但這是不可能的。系統越大、越複雜，只能儘量避免問題，通過系統設計、流程機制來減少出問題的概率。但如果經常出問題，後面恢復再快也是沒有用的。

時間要快：縮短故障的恢復時間

故障出現時，不是解決或者定位到具體問題，而是快速恢復是第一要務的，防止次生災害，問題擴大。這裡就要求要站在業務角度思考，而不僅是技術角度思考。

下面，我們就按這兩個子目標來分別闡述。

頻率要低：減少出故障的次數

設計：根據業務變化不斷進行迭代

以點評交易系統的演進過程為例。

幼兒時期：2012年前

使命：滿足業務要求，快速上線。

因為2011年要快速地把團購產品推向市場，臨時從各個團隊抽取的人才，大部分對.NET更熟悉，所以使用.NET進行了第一代的團購系統設計。畢竟滿足業務要求是第一的，還沒有機會遇到可用性等質量問題。考慮比較簡單，即使都掛了，量也比較小，出現問題，重啟、擴容、回滾就解決問題了。

系統架構如下圖所示。

少年時期：垂直拆分（2012-2013）

使命：研發效率&故障隔離。

當2012年在團單量從千到萬量級變化，使用者每日的下單量也到了萬級時候，需要考慮的是迭代速度、研發效率。垂直拆分，有助於保持小而美的團隊，研發效率才能更高。另外一方面也需要將各個業務相互隔離，比如商品首頁的展示、商品詳情頁的展示，訂單、支付流程的穩定性要求不一樣。前面可以快取，可以做靜態化來保證可用性，提供一些柔性體驗。後面支付系統做異地容災，比如我們除了南匯機房支付系統，在寶山機房也部署了，只是後來發現這個系統演進太快，沒有工具和機制保證雙機房更新，所以後來也不好使用了。

系統演進如下圖所示。服務垂直化了，但是資料沒有完整隔離開，服務之間還需要互相訪問非自己的資料。

青年時期：服務做小，不共享資料（2014-2015）

使命：支撐業務快速發展，提供高效、高可用的技術能力。

從2013年開始，Deal－service （商品系統）偶爾會因為某一次大流量（大促或者常規活動）而掛掉，每幾個月總有那麼一次，基本上可用性就在3個9徘徊。這裡訂單和支付系統很穩定，因為流量在商品詳情頁到訂單有一個轉化率，流量大了詳情頁就掛了，訂單也就沒有流量了。後來詳情頁的靜態化比較好了，能減少恢復的速度，能降級，但是Deal-service的各個系統依賴太深了，還是不能保證整體端到端的可用性。

所以2014年對Deal-service做了很大的重構，大系統做小，把商品詳情繫統拆成了無數小服務，比如庫存服務、價格服務、基礎資料服務等等。這下商品詳情頁的問題解決了，後面壓力就來了，訂單系統的壓力增大。2014年10月起，訂單系統、支付系統也啟動了全面微服務化，經過大約1年的實踐，訂單系統、促銷系統、支付系統這3個領域後面的服務總和都快上百個了，後面對應的資料庫20多個，這樣能支撐到每日訂單量百萬級。

業務的增長在應用服務層面是可以擴容的，但是最大的單點——資料庫是集中式的，這個階段我們主要是把應用的資料訪問在讀寫上分離，資料庫提供更多的從庫來解決讀的問題，但是寫入仍然是最大的瓶頸（MySQL的讀可以擴充套件，而寫入QPS也就小2萬）。

這時系統演變成如下圖所示。這個架構大約能支撐QPS 3000左右的訂單量。

成年時期：水平拆分（2015至今）

使命：系統要能支撐大規模的促銷活動，訂單系統能支撐每秒幾萬的QPS，每日上千萬的訂單量。

2015年的917吃貨節，流量最高峰，如果我們仍然是前面的技術架構，必然會掛掉。所以在917這個大促的前幾個月，我們就在訂單系統進行了架構升級和水平拆分，核心就是解決資料單點，把訂單表拆分成了1024張表，分佈在32個資料庫，每個庫32張表。這樣在可見的未來都不用太擔心了。

雖然資料層的問題解決了，但是我們還是有些單點，比如我們用的訊息佇列、網路、機房等。舉幾個我過去曾經遇到的不容易碰到的可用性問題：

服務的網路卡有一個壞了，沒有被監測到，後來發現另一個網路卡也壞了，這樣服務就掛了。

我們使用 cache的時候發現可用性在高峰期非常低，後來發現這個cache伺服器跟公司監控系統CAT伺服器在一個機櫃，高峰期的流量被CAT佔了一大半，業務的網路流量不夠了。

917大促的時候我們對訊息佇列這個依賴的通道能力評估出現了偏差，也沒有備份方案，所以造成了一小部分的延遲。

這個時期系統演進為下圖這樣：

未來：思路仍然是大系統做小，基礎通道做大，流量分塊

大系統做小，就是把複雜系統拆成單一職責系統，並從單機、主備、叢集、異地等架構方向擴充套件。

基礎通道做大就是把基礎通訊框架、頻寬等高速路做大。

流量分塊就是把使用者流量按照某種模型拆分，讓他們聚合在某一個服務叢集完成，閉環解決。

系統可能會演進為下圖這樣：

上面點評交易系統的發展幾個階段，只以業務系統的演進為例。除了這些還有CDN、DNS、網路、機房等各個時期遇到的不同的可用性問題，真實遇到過的就有：聯通的網路掛了，需要切換到電信；資料庫的電源被人踢掉了，等等。

易運營

高可用性的系統一定是可運營的。聽到運營，大家更多想到的是產品運營，其實技術也有運營——線上的質量、流程的運營，比如，整個系統上線後，是否方便切換流量，是否方便開關，是否方便擴充套件。這裡有幾個基本要求：

可限流

線上的流量永遠有想不到的情況，在這種情況下，系統的穩定吞吐能力就非常重要了，高併發的系統一般採取的策略是快速失敗機制，比如系統QPS能支撐5000，但是1萬的流量過來，我能保證持續的5000，其他5000我快速失敗，這樣很快1萬的流量就被消化掉了。比如917的支付系統就是採取了流量限制，如果超過某一個流量峰值，我們就自動返回“請稍後再試”等。

無狀態

應用系統要完全無狀態，運維才能隨便擴容、分配流量。

降級能力

降級能力是跟產品一起來看的，需要看降級後對使用者體驗的影響。簡單的比如：提示語是什麼。比如支付渠道，如果支付寶渠道掛了，我們掛了50% ，支付寶旁邊會自動出現一個提示，表示這個渠道可能不穩定，但是可以點選；當支付寶渠道掛了100% ，我們的按鈕變成灰色的，不能點選，但也會有提示，比如換其他支付渠道（剛剛微信支付還掛了，就又起作用了）。另一個案例，我們在917大促的時候對某些依賴方，比如誠信的校驗，這種如果判斷比較耗資源，又可控的情況下，可以通過開關直接關閉或者啟用。

可測試

無論架構多麼完美，驗證這一步必不可少，系統的可測試性就非常重要。

測試的目的要先預估流量的大小，比如某次大促，要跟產品、運營討論流量的來源、活動的力度，每一張頁面的，每一個按鈕的位置，都要進行較準確的預估。

此外還要測試叢集的能力。有很多同學在實施的時候總喜歡測試單臺，然後水平放大，給一個結論，但這不是很準確，要分析所有的流量在系統間流轉時候的比例。尤其對流量模型的測試（要注意高峰流量模型跟平常流量模型可能不一致）系統架構的容量測試，比如我們某一次大促的測試方法

從上到下評估流量，從下至上評估能力：發現一次訂單提交有20次資料庫訪問，讀寫比例高峰期是1:1，然後就跟進資料庫的能力倒推系統應該放入的流量，然後做好前端的非同步下單，讓整個流量平緩地下放到資料庫。

降低釋出風險

嚴格的釋出流程

目前點評的釋出都是開發自己負責，通過平臺自己完成的。上線的流程，釋出的常規流程模板如下：

灰度機制

伺服器釋出是分批的，按照10%、30%、50%、100%的釋出，開發人員通過觀察監控系統的曲線及系統的日誌，確定業務是否正常。

線上的流量灰度機制，重要功能上線能有按照某種流量灰度上線能力。

可回滾是標配，最好有最壞情況的預案。

時間要快：縮短故障的恢復時間

如果目標就要保證全年不出故障或者出了故障在5分鐘之內能解決，要對5分鐘進行充分的使用。5分鐘應該這樣拆解：1分鐘發現故障，3分鐘定位故障出現在哪個服務，再加上後面的恢復時間。就是整個時間的分解，目前我們系統大致能做到前面2步，離整體5個9的目標還有差距，因為恢復的速度跟架構的設計，資訊在開發、運維、DBA之間的溝通速度及工具能力，及處理問題人員的本身能力有關。

生命值：

持續關注線上執行情況

熟悉並感知系統變化，要快就要熟，熟能生巧，所以要關注線上運營情況。

瞭解應用所在的網路、伺服器效能、儲存、資料庫等系統指標。

能監控應用的執行狀態，熟悉應用自己的QPS、響應時間、可用性指標，並對依賴的上下游的流量情況同樣熟悉。

保證系統穩定吞吐

系統如果能做好流量控制、容錯，保證穩定的吞吐，能保證大部分場景的可用，也能很快地消化高峰流量，避免出現故障，產生流量的多次高峰。

故障時

快速的發現機制

告警的移動化

系統可用性的告警應該全部用微信、簡訊這種能保證找到人的通訊機制。

告警的實時化

目前我們只能做到1分鐘左右告警。

監控的視覺化

我們系統目前的要求是1分鐘發現故障，3分鐘定位故障。這就需要做好監控的視覺化，在所有關鍵service裡面的方法層面打點，然後做成監控曲線，不然3分鐘定位到具體是哪個地方出問題，比較困難。點評的監控系統CAT能很好的提供這些指標變化，我們系統在這些基礎上也做了一些更實時的能力，比如訂單系統QPS就是秒級的監控曲線。

有效的恢復機制

比如運維的四板斧：回滾、重啟、擴容、下伺服器。在系統不是很複雜、流量不是很高的情況下，這能解決問題，但大流量的時候就很難了，所以要更多地從流量控制、降級體驗方面下功夫。

幾點經驗

珍惜每次真實高峰流量，建立高峰期流量模型。

因為平常的壓力測試很難覆蓋到各種情況，而線上的真實流量能如實地反映出系統的瓶頸，能較真實地評估出應用、資料庫等在高峰期的表現。

珍惜每次線上故障覆盤，上一層樓看問題，下一層樓解決問題。

線上出問題後，要有一套方法論來分析，比如常見的“5W”，連續多問幾個為什麼，然後系統思考解決方案，再逐漸落地。

可用性不只是技術問題。

系統初期：以開發為主；

系統中期：開發＋DBA＋運維為主；

系統後期：技術＋產品＋運維＋DBA。

系統較簡單、量較小時，開發同學能比較容易地定位問題並較容易解決問題。

當系統進入較複雜的中期時，就需要跟運維、資料庫的同學一起來看系統的瓶頸。

當系統進入複雜的後期時，系統在任何時候都要考慮不可用的時候如何提供柔性體驗，這就需要從產品角度來思考。

單點和釋出是可用性最大的敵人。

可用性要解決的核心問題就是單點，比如常見的手段：垂直拆分、水平拆分、灰度釋出；單機到主備、叢集、異地容災等等。

另外，系統釋出也是引起系統故障的關鍵點，比如常見的系統釋出、資料庫維護等其他引起系統結構變化的操作。