DevOps｜服务治理与服务保障实践指南

朱晋君@君哥聊技术

我自己为了消化里边的内容，整理了一个脑图，希望对你有帮助。

凌晨四点被公司的监控告警叫醒了，告警的原因是生产环境跑批任务发生故障。即刻起床处理故障，但还是花了不少时间才解决。

这次故障是一次数据校验的跑批任务，校验前面跑批任务的数据是否正确。幸运的是，之前的核心任务已经完成，并没有影响到生产上的交易系统工作。

为什么我这里提到了交易工作呢？因为交易系统是整个系统业务流量的入口，如果交易系统发生故障，那会给公司带来直接的收入损失。

今天我们聊的话题是服务治理，服务治理最终达到的结果就是系统 「7 * 24」 小时不间断服务。

1 监控告警

公司的这次生产告警很准确，找到系统的直接维护人，并且通知到是哪个跑批任务出了故障。这次告警是通过监控跑批任务中间件的任务执行结果来触发的。

一般情况下，告警有哪些类型呢？我们看下图：

1.1 批处理效率

❝

多数情况下批处理任务是不阻碍业务入口的，所以不需要监控。

❞

在阻碍业务入口的情况下，批处理任务必须要监控。我举两个业务场景：

• 域名系统要通过dns信息和数据库记录来找出脏数据进行交易补偿，这期间客户查询域名信息可能是脏数据
• 银行日终跑批期间是不允许实时交易的，这个「7 * 24」小时不间断服务相违背

这些场景下批处理效率是非常重要的一个监控指标，必须配置超时阈值并进行监控。

1.2 流量监控

常用的限流的指标如下图:

流量监控我们需要注意几点：

• 不同的系统，使用的监控指标是不同的，比如redis，可以用QPS指标，对于交易系统，可以用TPS
• 通过测试和业务量的预估来配置合适的监控阈值
• 监控阈值需要考虑突发情况，比如秒杀、抢券等场景

1.3 异常监控

异常监控对于系统来说非常重要。在生产环境中很难保证程序不发生异常，配置合理的异常报警对快速定位和解决问题至关重要。比如开篇提到的跑批告警，告警信息中带着异常，让我很快就定位到了问题。

异常监控需要注意下面几个方面：

• 客户端read timeout,这时要尽快从服务端找出原因
• 对客户端收到响应的时间设置一个阈值，比如1秒，超出后触发告警
• 对业务异常一定要监控，比如失败响应码

1.4 资源使用率

生产环境配置系统资源时，一般要对系统资源的使用率有一个预测。比如redis在当前的内存增长速率下，多久会耗尽内存，数据库在当前的增长速率下多久会用光磁盘。

系统资源需要设置一个阈值，比如70%，超过这个限制就要触发告警。因为资源使用快要饱和时，处理效率也会严重下降。

配置资源使用率的阈值时，一定要考虑突增流量和突发业务的情况，提前预留额外的资源来应对。

对核心服务要做好限流措施，防止突增流量把系统压垮。

1.5 请求延迟

请求延迟并不是一个很容易统计的指标，下图是一个电商购物系统：

这个图中，我们假设组合服务会并发地调用下面的订单、库存和账户服务。客户端发出请求后，组合服务处理请求需要花费2秒的处理时间，账户服务需要花费3秒的处理时间，那客户端配置的read timeout最小是5秒。

监控系统需要设置一个阈值来监控，比如1秒内如果有100个请求延迟都大于了5秒就触发报警，让系统维护人员去查找问题。

❝

客户端设置的read timeout不能太大，如果因为服务端故障导致延迟，要保证fail-fast，防止因为资源不能释放造成系统性能大幅度降低。

❞

1.6 监控注意事项

监控是为了能让系统维护人员快速发现生产问题并定位到原因，不过监控系统也有几个指标需要考虑：

• 根据监控目标来制定监控指标采样频率，频率太高会增加监控成本。
• 监控覆盖率，最好能够覆盖到所有核心的系统指标。
• 监控有效性，监控指标不是越多越好，太多会给分辨报警有效性带来额外工作量，也会让开发人员习以为常。
• 告警时效，对于跑批任务这种非实时交易类系统，可以不用实时告警，记录事件后定一个时间，比如早晨8点触发告警，责任人到公司后处理。
• 为避免长尾效应，最好不要使用平均值。如下图：10个请求，有9个延迟都是1秒，但有1个延迟是10秒，所以平均值参考意义并不大。

❝

可以采用按照区间分组的方式，比如延迟1秒以内的请求数量，1-2秒的请求数量，2-3秒的请求数量分组进行统计，按照指数级增长的方式来配置监控阈值。

❞

2 故障管理

2.1 常见故障原因

故障发生的原因五花八门，但常见的无非下面几种：

• 发布升级带来的故障
• 硬件资源故障
• 系统过载
• 恶意攻击
• 基础服务故障

2.2 应对策略

应对故障，我们分两步走：

• 立即解决故障，比如因为数据问题引起的故障，修改问题数据即可。
• 找出故障原因，可以通过查找日志或者调用链追踪系统来定位问题并解决

2.2.1 软件升级故障

升级带来的故障，有的是上线后能很快暴露的。有的是上线很长时间才会暴露，比如有的业务代码可能之前一直执行不到。

对于第一种情况，可以采用灰度发布的方式进行验证解决。

对于第二种情况，完全避免是很难的，我们只能最大限度地提高测试用例覆盖率。

2.2.2 硬件资源故障

这类故障主要分为两类：

• 硬件资源超载，比如内存不够
• 硬件资源老化

对于第一种故障一般用监控告警的方式来通知责任人处理，处理的方式主要是增加资源，找出消耗资源严重的程序进行优化。

对于第二种故障需要运维人员对硬件资源进行记录和监控，对于老化的资源及时进行更换。

2.3 系统过载

系统过载可能是遇到秒杀之类的突增流量，也可能是随着业务发展慢慢地超过系统承受能力，可以使用增加资源或者限流的方式来应对。

2.4 恶意攻击

恶意攻击的类型非常多，比如DDOS攻击、恶意软件、浏览器攻击等。

针对恶意攻击，防止手段也很多，比如对请求报文进行加密、引入专业的网络安全防火墙、定期安全扫描、核心服务部署在非默认端口等。

2.5 基础软件故障

如下图所示，除了业务服务外每个组件都是基础软件，都需要考虑高可用。

3 发布管理

发布通常指软硬件的升级，包括业务系统版本升级、基础软件升级、硬件环境升级等。作为程序员，本文讲的升级是针对业务系统的升级。

3.1 发布流程

一般情况下，业务系统升级流程如下：

发布到生产环境，验证没有问题表示发布成功。

3.2 发布质量

在升级软件的时候，发布质量非常重要，为保证发布质量需要注意下面这些问题。

3.2.1 CheckList

为了保证发布质量，发布前维护一份CheckList，并且开发团队对所有的问题进行确认。等这份清单都确认完成后进行构建发布。下面是一些比较典型的问题：

• 上线sql是否正确
• 生产配置文件配置项是否完备
• 外部依赖的服务是否已经发布并验证完成
• 新机器路由权限是否已经开通
• 多个服务的发布顺序是否已经明确
• 如果上线后发生故障怎么应对

3.2.2 灰度发布

灰度发布是指在黑与白之间，能够平滑过渡的一种发布方式。如下图：

升级时采用金丝雀部署的方式，先把其中一个server作为金丝雀进行发布升级，这个server在生产环境运行后没有问题，再升级其他的server。有问题则进行回滚。

3.2.2 蓝绿部署

蓝绿部署的方式如下图：

升级之前客户端的请求发送到绿色服务上，升级发布之后，通过负载均衡把请求转到蓝色系统，绿色系统暂时不下线，如果生产测试没有问题，则下线绿色系统，否则切回绿色系统。

❝

蓝绿部署跟金丝雀部署的区别是，金丝雀部署不用增加新的机器，而蓝绿部署相当于是增加了一套新机器，需要额外的资源成本。

❞

3.2.4 ab测试

ab测试是指在生产环境发布多个版本，主要目的是测试不同版本的不同效果。比如页面样式不一样，操作流程不一样，这样可以让用户选择一个最喜欢的版本作为最终版本。如下图：

三个颜色的服务部署了，客户端的请求分别发送到跟自己颜色一样的服务上。

❝

ab测试的版本都是已经是验证没有问题的，这点不同于灰度发布。

❞

3.2.4 配置变更

好多时候我们把配置写在代码里，比如yaml文件。这样我们修改配置后就需要重新发布新版本。如果配置修改频繁，可以考虑下面两种方法：

• 引入配置中心
• 使用外部系统保存配置

4 容量管理

在2.3节中讲到系统过载导致的系统故障。容量管理是保证系统上线后稳定运行的一个重要环节，主要是保证系统流量不超过系统能承受的阈值，防止系统崩溃。一般情况下，系统容量超载的原因如下：

• 业务持续增加给系统带来的流量不断增加
• 系统资源收缩，比如一台机器上新部署了一个应用，占用了一些资源
• 系统处理请求变慢，比如因为数据量变大，数据库响应变慢，导致单个请求处理时间变长，资源不能释放
• 重试导致的请求增加
• 突增流量，比如微博系统遇到明星离婚案之类的新闻。

4.1 重试

对于一些失败的请求进行重试，能够很好地增加系统的用户体验。重试一般分为两类，一类是对连接超时的请求，一类是对响应超时的请求。

对于连接超时的请求，可能是网络瞬时故障造成的，这种情况下重试并不会对服务端造成压力，因为失败的请求压根就没有到达服务端。

但是对于响应超时的请求，如果进行重试，可能会给服务端带来额外的压力。如下图：

正常情况下，客户端先调用服务A，服务A再调用服务B，服务B只被调用了一次。

如果服务B响应慢导致超时，客户端配置了失败重试2次，服务A也配置了失败重试2次，在服务B最终不能响应的情况下，服务B最终被调了9次。

在大型分布式系统中，如果调用链很长，每个服务都配置了重试，那重试会给调用链下游服务造成巨大的压力甚至让系统崩溃。可见重试不是越多越好，合理的设置重试对系统有保护作用。

对于重试，有如下3个建议：

• 非核心业务不重试，如果重试，必须限定次数
• 重试时间间隔需要指数增加
• 根据返回失败的状态进行重试，比如服务端定义一个拒绝码，客户端就不重试了

4.2 突增流量

对于突增流量，是很难提前规划到的。

遇到突增的流量时，我们可以先考虑增加资源。以K8S为例，如果原来有2个pod，使用deploy编排扩容到4个pod。命令如下：

kubectl scale deployment springboot-deployment --replicas=4

如果资源已经用完了，那就得考虑限流了。推荐几个限流框架：

• google guava
• netflix/concurrency-limits
• sentinel

4.3 容量规划

系统建设初期做好容量规划是非常重要的。

可以根据业务量来估算系统的QPS，基于QPS进行压力测试。针对压力测试的结果估算的容量，并不一定能应对生产环境的真实场景和突发情况，可以根据预估容量给出预留资源，比如2倍容量。

4.4 服务降级

服务降级对于服务端来说，可以有三种方式：

• 服务端容量超载后，直接拒绝新的请求
• 非核心服务暂停，预留资源给核心服务用
• 客户端可以根据服务端拒绝的请求比例来进行降级处理，比如观察1分钟，如果服务端对1000个请求，拒绝了100个，客户端可以作为参考，以后每分钟超过90个，就直接拒绝。

5 总结

微服务化的架构给系统带来了很多好处，但同时也带来了一些技术上的挑战。这些挑战包括服务注册与发现、负载均衡、监控管理、发布升级、访问控制等。而服务治理就是对这些问题进行管理和预防，保证系统持续平稳地运行。

本文所讲的服务治理方案，也算是传统意义上的方案，有时会有一些代码的侵入，而框架的选择也会对编程语言有限制。

在云原生时代，Service Mesh的出现又把服务治理的话题带入一个新的阶段。后续再做分享。

---

相关文章

研发效能之技术治理

infra ｜ devops工具链基建建设评价标准

阿里云香港节点全面故障给我们的启示

陈宗绵｜关于研发效能的理想与现实

数字化转型趋势｜汽车电子软件开发工具链必看