快看，我們的分散式快取就是這樣把註冊中心搞崩塌的

題圖：from Zoommy

寫公眾號兩年以來，每當有機會寫故障類主題的時候，我都會在開始前靜靜地望著顯示器很久，經過多次煎熬和掙扎之後才敢提起筆來，為什麼呢？因為這樣的話題很容易招來吐槽，比如 “說了半天，不就是配置沒配好嗎？”，或者 “這程式碼是豬寫的嗎？你們團隊有懂效能測試的同學嗎？”，這樣的評論略帶挑釁，而且充滿了鄙視之意。

不過我覺得，在技術的世界裡，多數情況都是客觀場景決定了主觀結果，而主觀結果又反映了客觀場景，把場景與結果串起來，用自己的方式寫下來，傳播出去，與有相同經歷的同學聊上一聊，也未嘗不是一件好事。

上個月，我們的系統因註冊中心崩塌而引發的一場事故，本是一件稀鬆平常的事件，可我們猜中了開始卻沒料到原因，始作俑者竟是已在產線執行多年的某分散式快取系統。

這到底是怎麼一回事呢？

先來回顧一下故障過程

11月，某交易日的上午10點左右。

在中介軟體監控系統沒有觸發任何報警的情況下，某應用團隊負責人突然跑過來說：“怎麼快取響應怎麼慢？你們在幹什麼事嗎？”

由於此正在交易盤中，中介軟體運維團隊瞬間炸鍋，緊急檢視了一系列監控資料，先是透過Zabbix檢視了如CPU、記憶體、網路及磁碟等基礎預警，一切正常，再檢視服務健康狀況，經過一圈折騰之後，也沒發現任何疑點。

懵圈了，沒道理啊。

10點30分，收到一通報警資訊，內容為 “ZK叢集中的某一個節點故障，埠不通，不能獲取node資訊，請迅速處理！”。

這簡單，ZK服務埠不通，重啟，立即恢復。

10點40分，ZK叢集全部癱瘓，無法獲取Node資料，由於應用系統的Dubbo服務與分散式快取使用的是同一套ZK叢集，而且在此期間應用未重啟過，因此應用服務自身暫時未受到影響。

沒道理啊，無論應用側還是快取側，近一個月以來都沒有釋出過版本，而且分散式快取除了在ZK中存一些節點相關資訊之外，基本對ZK無依賴。

10點50分，ZK叢集全部重啟，10分鐘後，再次癱瘓。

神奇了，到底哪裡出了問題呢？

10點55分，ZK叢集全部重啟，1分鐘後，發現Node Count達到近22W+，再次崩潰。

10點58分，透過增加監控指令碼，查明Node源頭來自分散式快取系統的本地快取服務

11點00分，透過控制檯關閉本地快取服務後，ZK叢集第三次重啟，透過指令碼刪除本地化快取所產生的大量node資訊。

11點05分，產線ZK叢集全部恢復，無異常。

一場風波雖說過去了，但每個人的臉上流露出茫然的表情，邪了門了，這本地快取為什麼能把註冊中心搞崩塌？都上線一年多了，之前為什麼不出問題？為什麼偏偏今天出事？

一堆的問好，充斥著每個人的大腦。

我們本地快取的工作機制

去年，我曾經在 #好買的分散式快取中介軟體# 的內容中對我們的分散式快取做過相對詳細的說明，所以在這裡，我就透過系統流程示意圖的方式，簡要的說明下我們本地快取系統的一些核心工作機制。

| 非本地快取的工作機制

| 本地快取的工作機制 - KEY預載入/更新

| 本地快取的工作機制 - Set/Delete操作

| 本地快取的工作機制 - Get操作

順帶提一句，由於歷史性與資源緊缺的原因，我們部分快取系統與應用系統的ZK叢集是混用的，正因如此，給本次事故埋下了隱患。

ZK叢集是怎樣被搞掛的呢？

說到這裡，相信對中介軟體有一定了解的人基本能猜出本事件的全貌。

簡單來說，就是在上線初期，由於流量小，應用系統接入量小，我們本地快取的訊息通知是利用ZK來實現的，而且還用到了廣播。但隨著流量的增加與應用系統接入量的增多，訊息傳送量成倍增長，最終達到承載能力的上限，ZK叢集崩潰。

的確，原因基本猜對了，但訊息傳送量為什麼會成倍的增長呢？

根據本地快取的工作機制，我們一般會在裡面存些什麼呢？

1. 更新頻率較低，但訪問卻很頻繁，比如系統引數或業務引數。

2. 單個Key/Value較大，網路消耗比較大，效能下降明顯。

3. 服務端資源匱乏或不穩定（如I/O），但對穩定性要求極高。

懵圈了，就放些引數類資訊，而且更新頻率極低，這樣就把五個節點的ZK叢集發爆了？

為了找到真相，我們立即進行了程式碼走讀，最終發現了蹊蹺。

根據設計，在 “本地快取的工作機制 - Set/Delete操作” 的工作機制中，當一個Key完成服務端快取操作後，如果沒有被加到本地快取規則列表中的KEY，是不可能被觸發訊息通知的，但這裡明視訊記憶體在BUG，導致把所有的KEY都發到了ZK中。

這樣就很好理解了，雖然應用系統近期沒有釋出版本，但卻透過快取控制檯，悄悄地把分散式鎖加到了這套快取分片中，所以交易一開盤，只需幾十分鐘，立馬打爆。

另外，除了發現BUG之外，透過事後測試驗證，我們還得出了以下幾點結論：

1. 利用ZK進行訊息同步，ZK本身的負載能力較弱，是否切換到MQ？

2. 監控手段的單一，監控的薄弱；

3. 系統部署結構不合理，基礎架構的ZK不應該與應用的ZK混用；

說到這裡，這個故事也該結束了。

講在最後

看完這個故事，一些愛好懟人的小夥伴也許會忍不住發問。你們自己設計的架構，你們自己編寫的程式碼，難道不知道其中的邏輯嗎？這麼低階的錯誤，居然還有臉拿出來說？

那可未必，對每個技術團隊而言，核心成員的離職與業務形態的變化，都或多或少會引發技術團隊對現有系統形成 “知其然而，卻不知其所以然” 的情況，雖說每個團隊都在想方設法進行避免，但想完全杜絕，絕非易事。

作為技術管理者，具備良好的心態，把每次故障都看成是一次蟬變的過程，從中得到總結與經驗，並加以傳承，今後不再就犯，那就是好樣的。

不過，萬一哪天失手，給系統來了個徹底癱瘓，該怎麼辦呢？

祝大家一切順利吧。