日單量從百萬到千萬，滴滴全鏈路壓測實踐
?? ??
穩定性是技術團隊的命根子，滴滴也在搞全鏈路壓測了。雖然才四五年，滴滴內部已經有了眾多系統，而且號稱四大語言，八大框架，改造成本可想而知。
如何做到釜底抽薪，支持線上環境的全鏈路壓測?而且與一般電商不同，滴滴的交易是實時的，乘客發單，附近需要有司機能立即接單，順風車尤為復雜，研發壓測工具又面臨著怎樣的挑戰?
滴滴出行創立于 2012 年，是全球領先的一站式多元化出行平臺。經歷過各種燒錢補貼大戰、多次合并，滴滴成為繼阿里之后，國內第二個日訂單量超過千萬的公司。
?? ??
業務飛速增長，IT 系統面臨的挑戰通常更甚于業務，因為不僅需求規模增加，技術人員數量增加，面臨問題的復雜度也增加。
?? 
2016 年的滴滴，正在經歷這樣的階段，一方面日單量從百萬沖到千萬，另一方面 IT 系統屢次出現線上故障，穩定性建設成為支撐業務發展的重要保障。在此背景下，滴滴啟動了全鏈路壓測項目。
壓測方案
滴滴的業務與普通電商差別較大，一次典型的用戶打車流程是這樣的：乘客發單，0-3 分鐘內派給附近的司機，司機搶單后，去接乘客，到達目的地。這不但要求司乘的位置相近，而且交易必須是實時的。
基于滴滴業務的特殊性，同時借鑒了業內的經驗，我們制定了滴滴的全鏈路壓測方案，一句話描述就是：在線上環境，針對全業務核心鏈路，以數據隔離的方式進行壓測，如下圖所示：
?? 
線上環境
基于阿里等公司之前的經驗，壓測在線上環境進行，線上***的優點就是環境真實，不需要擔心配置不一致、結果是否可以同比例放大等問題，壓測的結果自然也更為精確。
但在線上做壓測，需要保證安全性，風險不言而喻：不能搞垮線上系統。這就需要將壓測的時間窗口限定在低峰期;監控必須給力，在系統出現單點故障前，要能夠提前預警，萬一真的出現故障，必須緊急停止壓力，最短時間內進行恢復。
全業務核心鏈路
它支持出租車、專車、快車、順風車等幾個主要的業務線，覆蓋主要的業務場景，以出租車為例，從乘客打開 APP 輸入上車點、目的地、發單，到司機出車、搶單、接乘客上車、到達目的地，甚至取消訂單等完整流程。
流程圖如下所示：
?? 
數據隔離
壓測方案的核心是數據隔離，需要做到壓測司乘要與真實司乘區分，壓測訂單不能與真實訂單混淆，絕不能把真實乘客的單派給虛擬司機等問題。
下面將專門介紹壓測的數據隔離方案。
01數據隔離方案
與其談隔離方案，不如讓我們想象幾種數據隔離不好的場景：
- 某真實司機的歷史訂單突然多了一些假訂單，積分、券、余額等出錯。
- 某真實乘客的訂單被派給了虛擬司機，乘客一直在等待司機來接。
- 某城市的 BI 報表出錯，莫名其妙的多了一些訂單，貌似財務也對不上。
- 某城市的運力估計及動調出現異常波動。
- 清理虛擬訂單及相關數據時，不小心誤刪了真實訂單和數據......
虛擬訂單方案
隔離不好的場景，光是想想就不寒而栗，可以讓我們輕易排除這種看似最簡單的方案：使用真實司機乘客，發送虛擬訂單。
虛擬訂單通過 ID 或者標志字段進行區分，派單時做特殊處理。這種方式對業務有較大的侵入性，不僅是修改派單那么簡單，還需要從各個維度適時地屏蔽司乘與虛擬訂單的關系，如訂單歷史、通知推送、積分統計等，不但多而且是強依賴，顯然不是一種合理的方案。
提升虛擬的層次
每個城市啟用一批虛擬的乘客，發送虛擬訂單，派發給虛擬司機，司乘及訂單上通過 ID 或者標志字段進行區分。
這可以解決司乘及訂單強依賴的問題。但從城市的角度看，需要隔離真實司乘與虛擬司乘，又會涉及到城市的動態調價、供需預測、BI 統計等各個方面的隔離。
再提升虛擬的層次
與傳統電商不同，Uber、滴滴這樣的出行平臺，都是按城市運營的，通過配置的方式開城，從而實現業務的橫向快速擴展。
那有沒有可能在中國開辟一個甚至多個虛擬的城市呢，壓測只在虛擬城市進行呢? 開辟虛擬城市，可以避免前面提到的諸多問題，尤其是隔離問題，但需要考慮虛擬乘客發布路線、虛擬司機地圖導航的問題，城市的位置、道路怎么模擬?
干脆再進一步，虛擬一個完整的中國了，看似比較瘋狂，但這就是滴滴全鏈路壓測時的隔離方案。
在某虛擬國家，有很多虛擬的城市，每個虛擬城市都有一群虛擬的司機和乘客，他們使用虛擬的手機號和客戶端，進行線上交易，由此產生了虛擬的訂單。
這里仍然要解決位置、道路的問題，我們把中國的坐標全部偏移到太平洋，“太平洋足夠大，完全容得下中美兩個國家”，那一個中國自然不再話下。至于虛擬城市的位置、道路，把真實城市偏移一定的經緯度就可以。
02壓測流量標記方案
考慮這樣的場景：在新開辟的虛擬城市，某虛擬的乘客要打車，他打開虛擬的手機端，輸入目的地，點擊“立即預約”，請求發送到滴滴的后臺系統，后臺應該怎樣處理?
談論方案之前，先了解一下現狀：
?? 
傳說有一種系統叫別人家的系統，有一個語言叫別人家的語言，有一種協議叫別人家的協議。
正所謂人比人氣死人，回頭看看自己家的，雖然與很多前輩不敢相提并論，但已號稱四大語言八大框架，這個鍋得讓歷史遺留問題來背，而這段歷史，只有短短的幾年而已。
也有好消息，與 Google 的 Dapper、阿里的鷹眼類似，滴滴內部有一套自己的 Trace 系統，專門用來跟蹤系統之間的調用鏈路，其基本原理如下圖所示：
?? 
但并不全是好消息，全鏈路壓測啟動的時候，Trace 系統在滴滴內部并未完全推廣，不少系統不支持。
壓測流量標記方案面臨兩重選擇：
- 每個系統使用業務 ID 或標記來判斷壓測流量，只要能拿到司乘、訂單等業務數據，系統就可以正確區分。
- 擴展 Trace 通路，在通路上添加壓測標記，統一使用 Trace 來判斷壓測流量。
最終我們選擇了方案 2，不但與業務完全解耦，還可以避免方案 1 中某些系統或接口無法拿到業務標記的情況。而且這種方式，客觀上也可以推進 Trace 通路在公司的應用。
做不到語言和框架收斂，盡量讓中間件收斂，為每種語言提供一個基礎組件類庫，中間件盡量收斂到該類庫。
?? 
于是結合全鏈路壓測，開始了內部系統痛苦的改造之路，最終基于 Trace 通路的壓測標記在主要系統之間可以跑通。
03工具端方案
鏈路已通，該考慮工具端的實現方案了，內部我們管工具端叫做虛擬的“司機端”和“乘客端”，可以用來模擬批量甚至大量的用戶，而不僅僅是一個用戶。
分布式的虛擬司乘端： 滴滴的客戶端與后臺通信，不僅僅有 HTTP 協議，還有 TCP 長連接，甚至還有 Thrift 協議。
拿司機來說，接單等消息是通過 TCP 長連接下發的，意味著 TCP 長連接協議是必須的，而且需要為每個司機維護一個長連接。
考慮到需要模擬的司乘數量，虛擬的司機端、乘客端是分布式部署的，每個司乘端從數據中心獲取司乘用戶，包含基本信息、乘客路線、司機起始位置等信息，并且模擬批量司乘的發單等行為。
使用數據中心的目的是，當端需要擴展時，拉取的司乘不能重復，不然重復登錄可能導致被踢下線。
?? 
可動態調整的業務模型： 虛擬端要模擬相對復雜、實時的交易模型，并且需要模擬不同的業務場景，以順風車舉例，平日高峰期的訂單多為市內訂單，而節假日的跨城訂單比率增加很多。
如何在不改代碼的情況下可以壓測不同的業務場景?我們實現了可動態調整的業務模型。
?? 
該模型中，司乘基本的交易過程、狀態變化可以通過模型編輯完成，通過權重，可以調整用戶本地單、跨城單的比例。即使更多的業務場景，只需生成業務模型即可支持。
更多實現細節： 當然除了上面提到的，方案上還有很多細節需要考慮。為了與線上實際場景更貼近，我們從線上高峰期截取了一段時間內的乘客路線和司機位置，分階段壓測時，逐漸投放更多的司乘到虛擬城市，但這樣有一個問題。
假設 A 城市有 1 萬司機，高峰期有 1 萬乘客在發單，他們都是隨機而均勻分布的，如果把全部司機瞬間投放完成，所有乘客立即發單，絕大多數訂單應該是可以派出并完成交易的。
但是考慮分階段投放的場景：投放 1% 的司乘，上百名司機，上百個訂單，雖然司機位置、乘客路線來自線上真實訂單的采樣，由于位置的隨機性，成單量可能很少。即使投放了 10%，上千名司乘，實際成單量也遠遠達不到 1000 個。
?? 
而我們分階段投放要求的 10%，不光是投放數量達到線上 10%，也期望成單量等數據同步達到 10%，這樣才能驗證工具端方案是否合理、線上壓力是否正常。
在這里，我們采用了一個簡單的算法：東單是北京的一個熱點區域，***個司機、乘客投放在東單，基本上可以保證成單;前 1000 名司機、乘客投放在東單附近，成單量雖不能上千，但比完全隨機要好很多。
控制好司乘投放的位置，基本可以保證成單量與投放數量成比例增長。
?? 
壓測實錄
2016 年上半年是滴滴 Uber 合并前***的瘋狂，運營活動頻繁，業務峰值不斷攀升，平臺出現的線上事故也較為多些。
?? 
從 2016 年中項目啟動，經過多次嘗試、探索，終于在線上成功進行了全鏈路壓測。為了不影響線上業務，壓測的窗口期選擇在凌晨，并且嚴格掌控壓測節奏，把壓測過程劃分成幾個不同階段，逐漸提升壓力，邊壓測邊監控后臺系統的壓力：
?? 
幾個主要的業務線先后進行了十余次壓測，并發現了一些線上問題，如某 API 接口耗時明顯增長;長連接服務器的參數配置有誤;分單服務 codis 訪問超時;日志過多導致分單算法超時等。
除了驗證線上系統的穩定性，全鏈路壓測項目還帶來一些附加的收益：
- 不同語言下的基礎組件類庫趨向收斂，Trace 通道覆蓋了更多模塊。
- 建立了一套完整隔離的線上環境，未來可以在線上做更多正確性驗證。
現在的滴滴，越來越重視平臺穩定性，對事故的預警、降級處理和事故處理預案越來越成熟，事故時長也明顯縮短，但仍然存在單點故障、魯棒性不高等潛在風險。
展望將來，期望全鏈路壓測能在更多領域發揮作用：
- 線上環境的故障注入和故障演練。
- 線上灰度發布環境的正確性驗證。
- 線上系統的容量預估等。
?? ??
張曉慶
滴滴出行技術專家
全棧工程師，現任滴滴技術專家，曾就職于 ThoughtWorks，有多年的軟件開發、敏捷咨詢經驗。
