阿里巴巴稳定性保障体系

前言

我从业之初便开始扮演“救火队员”角色，经常去线上执行“救火”、止损、攻关等应急工作，再通过一系列的分析、推理、验证…“抽丝剥茧”的找出背后的根本原因并解决掉，仿佛“经验丰富、从容冷静、思维缜密”的侦探，非常有成就感。

以前我一直认为线上问题定位、分析处理能力是技术人员的“看家功底”并常引以为傲。但最近这两年我开始思考，发现其实“防火”比“救火”更为重要，正如一句古话“上医治未病，中医治欲病，下医治已病”。

稳定性治理的常见场景

突发大流量

相信大家对上图并不陌生，尤其在刚刚过去的双11、双12中。这是电商大促场景中执行了最常用的自动预案 - “限流保护”，并非很多朋友说的“宕机”、“崩溃”。

“限流”是应对高并发或者突发大流量场景下的“三板斧”之一，不管是在电商大促、社交媒体突发热点事件（例如：遇到“知名女星出轨”），还是在常态下都是非常有必要的保护手段。本质上就是检查到当前请求量即将超出自身处理能力时，自动执行拒绝（或者执行“请求排队”），从而防止系统被彻底压垮。

不稳定服务

讲到“限流”，那就不得不提另外一板斧“降级”。除了我们之前所提到的 “开关降级”（关闭次要功能或服务）、兜底、降低一致性等之外，在技术层面最常用就是“自动熔断降级”。“限流”是为了防止大流量压垮系统，而“熔断”是为了防止不稳定的服务引发超时或等待，从而级联传递并最终导致整个系统雪崩。

如图所示，假设服务D此时发生了故障或者FullGC等，则会导致上游的服务G、F中产生大量等待和异常，并级联传递给最上游的服务A、B。即便在服务G、F中设置了“超时”（如果没有设置“超时”那情况就更糟糕了），那么也会导致线程池中的大量线程资源被占用。如果服务H、 I和服务G、F在同一个应用中且默认共用同一个线程池，那么也会因为资源耗尽变得不可用，并最终导致最上游的服务A和服务B整体不可用，全部链路都将异常，线上核心系统发生这种事故那就是灾难。

假如我们在检查到服务G和服务F中RT明显变长或者异常比例增加时，能够让其自动关闭并快速失败，这样H和I将不会受影响，最上游的服务A和服务B还能保证“部分可用”。

举个现实生活中更通俗的例子，当你们家的电器发生短路时空气开关会自动跳闸（保险丝会自动 “熔断”），这就是通过牺牲你们家的用电而换回小区的正常供电，否则整个线路都会烧毁，后果会不堪设想。

所以，你得结合实际业务场景先找出哪些接口、服务是可以被“降级”的。

架构单点

这个事件大概发生在2015年，被载入了支付宝的“史册”，也推动了蚂蚁金服整体LDC架构（三地五中心的异地多活架构）的演进。

异地多活架构

突破单机房容量限制
防机房单点，高可用

内建质量

根据以往的经验，60%以上的故障都是由变更引起的，请牢记变更“三板斧”：

可回滚/可应急
可灰度
可监控

预防质量事故的常用手段：

做好分析、设计、评审，容量评估，规避风险
制定规范，控制流程，加入代码扫描和检查等
做好Code Review ，要有checkList和记录，代码合并流程上就要强制
测试用例覆盖（通过率、行覆盖率、分支覆盖率），变更全量回归
尽可能的自动化，避免人肉（易出错），关键时刻执行double check

高可用架构的基石--稳定性保障体系

从故障视角来看稳定性保障

稳定性保障的核心目标

尽早的预防故障，降低故障发生几率。
及时预知故障，发现定义故障。
故障将要发生时可以快速应急。
故障发生后能快速定位，及时止损，快速恢复。
故障后能够从中吸取教训，避免重复犯错。

仔细思考一下，所有的稳定性保障手段都是围绕这些目标展开的。

稳定性保障体系

上图涵盖了稳定性体系的各个方面，下面我来一一讲解。

应用架构稳定性

应用架构稳定性相对是比较广的话题，按我的理解主要包括很多设计原则和手段：

架构设计简单化。系统架构简单清晰，易于理解，同时也需要考虑到一定的扩展性，符合软件设计中KISS原则。现实中存在太多的“过度设计”和“为了技术而技术”，这些都是反例，架构师需懂得自己权衡；
拆分。拆分是为了降低系统的复杂度，模块或服务“自治”，符合软件设计中“单一职责”原则。拆分的太粗或者太细都会有问题，这里没有什么标准答案。应该按照领域拆分（感兴趣同学可以学习下DDD中的限界上下文），结合业务复杂程度、团队规模（康威定律）等实际情况来判断。可以想象5个人的小团队去维护超过30多个系统，那一定是很痛苦的;
隔离。拆分本质上也是一种系统级、数据库级的隔离。此外，在应用内部也可以使用线程池隔离等。分清“主、次”，找出“高风险”的并做好隔离，可以降低发生的几率;
冗余。避免单点，容量冗余。机房是否单点，硬件是否单点，应用部署是否单点，数据库部署是否单点，链路是否单点…硬件和软件都是不可靠的，冗余（“备胎”）是高可用保障的常规手段;
无状态、一致性、并发控制、可靠性、幂等性、可恢复性…等。比如：投递了一个消息，如何保障消费端一定能够收到？上游重试调用了你的接口，保证数据不会重复？Redis节点挂了分布式锁失效了怎么办？… 这些都是在架构设计和功能设计中必须考虑的;
尽可能的异步化，尽可能的降低依赖。异步化某种程度可以提升性能，降低RT，还能减少直接依赖，是常用的手段;
容错模式（上篇文章中有介绍）

我在团队中经常强调学会“面向失败和故障的设计”，尽可能做一个“悲观主义者”，或许有些同学会不屑的认为我是“杞人忧天”，但事实证明是非常有效的。

从业以来我有幸曾在一些高手身边学习，分享受益颇多的两句话：

出来混，迟早要还的;

不要心存侥幸，你担心的事情迟早要发生的;

上图是比较典型的互联网分布式服务化架构，如果其中任意红色的节点出现任何问题，确定都不会影响你们系统正常运行吗？

限流降级

前面介绍过了限流和降级的一些场景，这里简单总结下实际使用中的一些关键点。

以限流为例，你需要先问自己并思考一些问题：

你限流的实际目的是什么？仅仅只做过载保护？
需要什么限流策略，是“单机限流”还是“集群限流”？
需要限流保护的资源有哪些？网关？应用？
水位线在哪里？限流阈值配多少？
…

同理，降级你也需要考虑：

系统、接口依赖关系
哪些服务、功能可以降级掉
是使用手工降级（在动态配置中心里面加开关）还是自动熔断降级？熔断的依据是什么？
哪些服务可以执行兜底降级的？怎么去兜底（例如：挂了的时候走缓存或返回默认值）？
…

这里我先卖下关子，篇幅关系，下篇文章中我会专门讲解限流、降级。

监控预警

上图是我个人理解的一家成熟的互联网公司应该具备的监控体系。

前面我提到过云原生时代 “可观测性”，也就是监控系统的三大基石。

这里再简单补充一下 “健康检查”，形成经典的“四部曲”：

关于健康检查，主要就分为“服务端轮询”和“客户端主动上报”2种模式，总的来讲各有优缺点，对于类似MySql这类服务是无法主动上报的（除非借助第三方代理）。需要注意的是传统基于端口的健康检查很难识别“进程僵死”的问题。

提到监控那就不得不提Google SRE团队提出的监控四项黄金指标：

延迟：响应时间

流量：请求量、QPS

错误：错误数、错误率

饱和度：资源利用率

类似的还有USE方法，RED方法，感兴趣的读者可以自行查阅相关资料。

云原生时代通常是应用/节点暴露端点，监控服务端采用pull的方式采集指标，当前比较典型的就是Prometheus监控系统，感兴趣的可以详细了解。

当然，以前也有些监控是通过agent采集指标数据然后上报到服务端的。

除了监控自身，告警能力也是非常重要的。告警的阈值配多少也需要技巧，配太高了不灵敏可能会错过故障，配太低了容易“监控告警疲劳”。

强弱依赖治理

这是网上找的一张“系统依赖拓扑图”，可见面对这种复杂性，无论是通过个人经验，还是借助“链路跟踪工具”都很难快速理清的。

何为强弱依赖

A系统需要借助B系统的服务完成业务逻辑，当B挂掉的时候会影响A系统中主业务流程的推进，这就是“强依赖”。举个例子：下单服务依赖“生成订单号”，这就是“强依赖”，“扣库存”这也是 “强依赖”;

同理，当A依赖的B系统挂掉的时候，不会影响主流程推进，那么就是“弱依赖”。例如：购物车页面中显示的库存数是非必须的;

如何梳理出这种强弱依赖，这个在阿里内部是有专门的中间件可以做的，目前开源社区没有替代品，可能就要结合链路跟踪+个人的经验，针对系统级，接口级去做链路梳理。我们重点关注的是 “强依赖”，而“弱依赖” 通常是可以执行容灾策略的，例如：可以直接降级掉，可以返回为空或者默认值、执行兜底等;

总结出来关键有几点：当前业务功能/应用/服务、依赖的服务描述、依赖类型（比如：RPC调用），峰值调用量、链路的流量调用比例、强弱等级、挂掉的后果等。

容量规划

容量规划是非常重要的，无论是成本控制还是稳定性保障都需要。否则压根不知道需要投入多少资源以及资源投入到哪里。需要了解系统极限水位在哪里，再推算出合理的“阈值”来做好“过载保护”，这也是执行是限流、降级等预案体系的关键依据和基础。

第一阶段：主要依靠经验值、理论值等来预估的，或者是靠“拍脑袋”的。

前几年资本市场情况比较好，互联网公司比较典型的现象：老板，我需要买100台服务器，50台跑应用，20台跑中间件，10台做数据库…预计可以扛住日均1000W访问量，每天100W订单…

靠谱一点的人还能扯出 “MySql并发连接数在几core几G大概能到xxx”、 “Redis官方称可以达到10W TPS”之类的参考值，这种至少听起来还有那么一点道理。不靠谱的人呢。那可能就真是瞎说的一个数字，或者会说“我上家公司就用了这么多支撑的”，其实纯靠拍脑袋的。

总之，这都是很不靠谱的。会造成资源分配不合理，有些浪费而有些饥荒。

第二阶段：通过线下压测手段来进行。线下压测通常是压测的单接口、单节点，压测结果可以帮助我们了解应用程序的性能状况、定位性能瓶颈，但是要说做整体的容量规划，那参考价值不大。因为实际情况往往复杂太多，网络带宽、公共资源、覆盖场景不一致、线上多场景混合等各种因素。根据“木桶短板”的原理，系统的容量往往取决于最弱的那一环节。正所谓 “差之毫厘，失之千里”。

第三阶段：通过线上单机压测来做。比较常见的手段有：线上引流、流量复制、日志回放等。其中线上引流实施起来最简单，但需要中间件统一。通过接入层或服务注册中心（软负载中心）调整流量权重和比例，将单机的负载打到极限。这样就比较清楚系统的实际水位线在哪里了。

第四阶段：全链路压测，弹性扩容。

这个是阿里首创的，目前很多公司在效仿。属于是业务倒逼技术创造出来的手段。全链路压测涉及到的内容会比较多，关键的步骤包括：

链路梳理
基础数据准备、脱敏等
中间件改造（透传影子标，软负载/消息/缓存/分库分表等路由，建立影子表）
建立压测模型、流量模型、流量引擎
预案体系的检查
执行压测，紧盯监控告警
数据清理

对业务开发团队同学来讲，关于链路梳理、流量模型的评估是其中最重要的环节，全链路压测就是模拟用户真实的访问路径构造请求，对生产环境做实际演练。这里我以大家熟悉的购买电影票的场景为例。如下图，整个链路中业务流量其实是呈“漏斗模型”的，至于每一层的比例是多少，这个第一就是参考当前的监控，第二就是参考历史数据去推算平均值了。

漏斗模型推演示例：

可以看出每一层（不同应用、不同服务）所需要承载的真实流量不一样，负载也是不一样的。当然，实际场景更复杂，实际情况是多场景混合并行的，A用户在拉排期的时候B用户已经在锁座了…

我们要做的，就是尽可能接近真实。还有最关键的一点要求：不能影响线上真实业务。这就需要非常强的监控告警和故障隔离能力了。

关于系统容量和水位标准，这里给大家一个建议参考值：

水位标准：单机房部署水位应在70%以下，双机房部署水位应在40%以下

单机水位：单机负载 / 单机容量

集群水位：集群负载 / 集群容量

理论机器数：实际机器数 * （集群水位 / 水位标准）

为什么双机房是40%？一个机房故障了流量全都切到另外一个机房去，要确保整体不受影响，不会被压垮。

预案体系

电影片段中 “检查到有未知生物入侵地球，联合国宣布启动进入一级戒备，马上启动宇宙飞船达到现场” ，“已经了解清楚，并按协议执行驱逐指令，目前已经离开” … 这就是典型的预案体系。触发条件、等级、执行动作、事后情况都非常清晰，整个过程还带有闭环的（当然这片段是我YY出来的）。

前面我讲过“面向失败的设计”，就是尽可能的考虑到各种异常场景和特殊情况。

这些零散的“知识点”，还有日常的一些复盘的经验都可以作为日后的预案。

当然，前面我们讲过的限流、降级等应急手段，容错模式也是整个预案体系中非常重要的。预案积累的越丰富，技术往往越成熟。

总的来讲，预案的生命周期包括：

从大的层面又可以分为：

事前制定和完善预案
日常演练预案
事中统一指挥，收集数据，决策并执行预案
事后总结并继续完善和改进预案

当然，这里说明下，有些预案是达到明确的触发条件后自动执行的，有些是需要依赖人工决策然后再触发执行的。这里我给一个简单的demo给大家参考。

线上演练

正所谓 “养兵千日，用兵一时”。现实生活中的“消防演习”就是一个好例子，否则时间久了根本不知道灭火器放在哪里，灭火器是怎么打开的？打开后还能喷出泡沫来吗？对应到我们技术领域也是一样的，你怎么知道你的预案都是有效的？你怎么保证on call值班机制没问题？你知道监控告警是否真的很灵敏？

在阿里内部不管是大促还是常态，都会不定期来一些线上演练。在蚂蚁内部每年都会有“红蓝军对抗演练”，这是一种非常好的“以战养兵”的做法。

先看一张关于故障画像的大图，这里列举了典型的一些故障场景，大家不妨思考下如何通过“故障注入”来验证系统的高可用能力。

简单总结故障演练主要场景和目的：

预案有效性、完整性
监控告警的准确性、时效性
容灾能力测试
检查故障是否会重现
检查on call机制，验证突发情况团队实际战斗能力
…

“混沌工程”是近年来比较流行的一种工程实践，概念由Netflix提出，Google、阿里在这方面的实践经验比较丰富（或者说是不谋而合，技术顶尖的公司大都很相似）。通俗点来讲就是通过不断的给现有系统“找乱子”（进行实验），以便验证和完善现有系统的高可用性、容错性等。

引用一句鸡汤就是： “杀不死我的必将使我更强大”

混沌工程的原则：

系统成熟度模型：

面向故障/失败的设计更是一种技术文化，应该在团队中大力推广。

小结

本文我主要讲解了稳定性治理的常见手段，稳定性保障体系。其中涉及到的知识、手段、内容都非常多。限于篇幅的关系，不可能每一项都特特别细致。还需读者慢慢消化，更重要的是好好思考现状并努力改进，也欢迎留言讨论。

作者介绍

步崖，曾就职于阿里巴巴和蚂蚁金服。熟悉高并发、高可用架构，稳定性保障等。热衷于技术研究和分享，发表过”分布式事务”、”分布式缓存”等多篇文章被广泛阅读和转载