所謂高可用性指的是系統(tǒng)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(fā)現、故障轉移、盡快從故障中恢復等等。本文主要以點評的交易 系統(tǒng)的演進為主來描述如何做到高可用，并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(yè)務發(fā)展。
可用性的理解
理解目標
業(yè)界高可用的目標是幾個9，對于每一個系統(tǒng)，要求是不一樣的。研發(fā)人員對所設計或者開發(fā)的系統(tǒng)，要知道用戶規(guī)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(tǒng)越大、越復雜，只能盡量避免問題，通過系統(tǒng)設計、流程機制來減少出問題的概率。但如果經常出問題，后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。這里就要求要站在業(yè)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(yè)務變化不斷進行迭代
以點評交易系統(tǒng)的演進過程為例。
幼兒時期：2012年前
使命：滿足業(yè)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(tǒng)設計。畢 竟?jié)M足業(yè)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(tǒng)架構如下圖所示。
#FormatImgID_1#
少年時期：垂直拆分（2012-2013）
使命：研發(fā)效率&故障隔離。
當2012年在團單量從千到萬量級變化，用戶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(fā)效率。垂直拆分，有助于保持小而美的團隊，研 發(fā)效率才能更高。另外一方面也需要將各個業(yè)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(wěn)定性要求不一樣。前面可以緩存，可以做 靜態(tài)化來保證可用性，提供一些柔性體驗。后面支付系統(tǒng)做異地容災，比如我們除了南匯機房支付系統(tǒng)，在寶山機房也部署了，只是后來發(fā)現這個系統(tǒng)演進太快，沒 有工具和機制保證雙機房更新，所以后來也不好使用了。
系統(tǒng)演進如下圖所示。服務垂直化了，但是數據沒有完整隔離開，服務之間還需要互相訪問非自己的數據。
青年時期：服務做小，不共享數據(2014-2015)
使命：支撐業(yè)務快速發(fā)展，提供高效、高可用的技術能力。
從2013年開始，Deal-service (商品系統(tǒng))偶爾會因為某一次大流量(大促或者常規(guī)活動)而掛掉，每幾個月總有那么一次，基本上可用性就在3個9徘徊。這里訂單和支付系統(tǒng)很穩(wěn)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。后來詳情頁的靜態(tài)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(tǒng)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(tǒng)做小，把商品詳情系統(tǒng)拆成了無數小服務，比如庫存服務、價格服務、基礎數據服務等 等。這下商品詳情頁的問題解決了，后面壓力就來了，訂單系統(tǒng)的壓力增大。2014年10月起，訂單系統(tǒng)、支付系統(tǒng)也啟動了全面微服務化，經過大約1年的實 踐，訂單系統(tǒng)、促銷系統(tǒng)、支付系統(tǒng)這3個領域后面的服務總和都快上百個了，后面對應的數據庫20多個，這樣能支撐到每日訂單量百萬級。
業(yè)務的增長在應用服務層面是可以擴容的，但是最大的單點——數據庫是集中式的，這個階段我們主要是把應用的數據訪問在讀寫上分離，數據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的讀可以擴展，而寫入QPS也就小2萬)。
這時系統(tǒng)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(tǒng)要能支撐大規(guī)模的促銷活動，訂單系統(tǒng)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(jié)，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(tǒng)進行了架構 升級和水平拆分，核心就是解決數據單點，把訂單表拆分成了1024張表，分布在32個數據庫，每個庫32張表。這樣在可見的未來都不用太擔心了。
雖然數據層的問題解決了，但是我們還是有些單點，比如我們用的消息隊列、網絡、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：
服務的網卡有一個壞了，沒有被監(jiān)測到，后來發(fā)現另一個網卡也壞了，這樣服務就掛了。
我們使用 cache的時候發(fā)現可用性在高峰期非常低，后來發(fā)現這個cache服務器跟公司監(jiān)控系統(tǒng)CAT服務器在一個機柜，高峰期的流量被CAT占了一大半，業(yè)務的網絡流量不夠了。
917大促的時候我們對消息隊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(tǒng)演進為下圖這樣：
未來：思路仍然是大系統(tǒng)做小，基礎通道做大，流量分塊
大系統(tǒng)做小，就是把復雜系統(tǒng)拆成單一職責系統(tǒng)，并從單機、主備、集群、異地等架構方向擴展。
基礎通道做大就是把基礎通信框架、帶寬等高速路做大。
流量分塊就是把用戶流量按照某種模型拆分，讓他們聚合在某一個服務集群完成，閉環(huán)解決。
系統(tǒng)可能會演進為下圖這樣：
上面點評交易系統(tǒng)的發(fā)展幾個階段，只以業(yè)務系統(tǒng)的演進為例。除了這些還有CDN、DNS、網絡、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(lián)通的網絡掛了，需要切換到電信;數據庫的電源被人踢掉了，等等。
易運營
高可用性的系統(tǒng)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(tǒng)上線后，是否方便切換流量，是否方便開關，是否方便擴展。這里有幾個基本要求：
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(tǒng)的穩(wěn)定吞吐能力就非常重要了，高并發(fā)的系統(tǒng)一般采取的策略是快速失敗機制，比如系統(tǒng)QPS能支撐 5000，但是1萬的流量過來，我能保證持續(xù)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(tǒng)就是采取了流量 限制，如果超過某一個流量峰值，我們就自動返回“請稍后再試”等。
無狀態(tài)
應用系統(tǒng)要完全無狀態(tài)，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，需要看降級后對用戶體驗的影響。簡單的比如：提示語是什么。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(wěn)定，但是可以點擊;當支付寶渠道掛了100% ，我們的按鈕變成灰色的，不能點擊，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
無論架構多么完美，驗證這一步必不可少，系統(tǒng)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。
此外還要測試集群的能力。有很多同學在實施的時候總喜歡測試單臺，然后水平放大，給一個結論，但這不是很準確，要分析所有的流量在系統(tǒng)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(tǒng)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(fā)現一次訂單提交有20次數據庫訪問，讀寫比例高峰期是1:1，然后就跟進數據庫的能力倒推系統(tǒng)應該放入的流量，然后做好前端的異步下單，讓整個流量平緩地下放到數據庫。
降低發(fā)布風險
嚴格的發(fā)布流程
目前點評的發(fā)布都是開發(fā)自己負責，通過平臺自己完成的。上線的流程，發(fā)布的常規(guī)流程模板如下：
灰度機制
服務器發(fā)布是分批的，按照10%、30%、50%、100%的發(fā)布，開發(fā)人員通過觀察監(jiān)控系統(tǒng)的曲線及系統(tǒng)的日志，確定業(yè)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(fā)現故障，3分鐘定位故障出 現在哪個服務，再加上后面的恢復時間。就是整個時間的分解，目前我們系統(tǒng)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， 信息在開發(fā)、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。
持續(xù)關注線上運行情況
熟悉并感知系統(tǒng)變化，要快就要熟，熟能生巧，所以要關注線上運營情況。
了解應用所在的網絡、服務器性能、存儲、數據庫等系統(tǒng)指標。
能監(jiān)控應用的執(zhí)行狀態(tài)，熟悉應用自己的QPS、響應時間、可用性指標，并對依賴的上下游的流量情況同樣熟悉。
保證系統(tǒng)穩(wěn)定吞吐
系統(tǒng)如果能做好流量控制、容錯，保證穩(wěn)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(fā)現機制
告警的移動化
系統(tǒng)可用性的告警應該全部用微信、短信這種能保證找到人的通信機制。
告警的實時化
目前我們只能做到1分鐘左右告警。
監(jiān)控的可視化
我們系統(tǒng)目前的要求是1分鐘發(fā)現故障，3分鐘定位故障。這就需要做好監(jiān)控的可視化，在所有關鍵service里面的方法層面打點，然后做成監(jiān)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(jiān)控系統(tǒng)CAT能很好的提供這些指標變化，我們系統(tǒng)在這些基礎上也做了一些更實時的能力，比 如訂單系統(tǒng)QPS就是秒級的監(jiān)控曲線。
有效的恢復機制
比如運維的四板斧：回滾、重啟、擴容、下服務器。在系統(tǒng)不是很復雜、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(tǒng)的瓶頸，能較真實地評估出應用、數據庫等在高峰期的表現。
珍惜每次線上故障復盤，上一層樓看問題，下一層樓解決問題。
線上出問題后，要有一套方法論來分析，比如常見的“5W”，連續(xù)多問幾個為什么，然后系統(tǒng)思考解決方案，再逐漸落地。
可用性不只是技術問題。
系統(tǒng)初期：以開發(fā)為主;
系統(tǒng)中期：開發(fā)+DBA+運維為主;
系統(tǒng)后期：技術+產品+運維+DBA。
系統(tǒng)較簡單、量較小時，開發(fā)同學能比較容易地定位問題并較容易解決問題。
當系統(tǒng)進入較復雜的中期時，就需要跟運維、數據庫的同學一起來看系統(tǒng)的瓶頸。
當系統(tǒng)進入復雜的后期時，系統(tǒng)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。
單點和發(fā)布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、灰度發(fā)布;單機到主備、集群、異地容災等等。
另外，系統(tǒng)發(fā)布也是引起系統(tǒng)故障的關鍵點，比如常見的系統(tǒng)發(fā)布、數據庫維護等其他引起系統(tǒng)結構變化的操作。
分享到微信 ×
打開微信，點擊底部的“發(fā)現”，
使用“掃一掃”即可將網頁分享至朋友圈。
轉型的最終目的 -提質降本增效
