流量洪峰下要做好高服務質量的架構是一件具備挑戰的事情，本文詳細闡述了從 Google SRE 的系統方法論以及實際業務的應對過程中出發，一些體系化的可用性設計。對我們了解系統的全貌、上下游的聯防有更進一步的幫助。

[[324088]]

本文來自公眾號云加社區(ID：QcloudCommunity)

負載均衡

負載均衡具體分成兩個方向，一個是前端負載均衡，另一個是數據中心內部的負載均衡。

前端負載均衡方面，一般而言用戶流量訪問層面主要依據 DNS，希望做到最小化用戶請求延遲。

將用戶流量最優地分布在多個網絡鏈路上、多個數據中心、多臺服務器上，通過動態 CDN 的方案達到最小延遲。

以上圖為例，用戶流量會先流入 BFE 的前端接入層，第一層的 BFE 實際上起到一個路由的作用，盡可能選擇跟接入節點比較近的一個機房，用來加速用戶請求。

然后通過 API 網關轉發到下游的服務層，可能是內部的一些微服務或者業務的聚合層等，最終構成一個完整的流量模式。

基于此，前端服務器的負載均衡主要考慮幾個邏輯：

• 盡量選擇最近節點
• 基于帶寬策略調度選擇 API 進入機房
• 基于可用服務容量平衡流量

數據中心內部的負載均衡方面，理想情況下會像上圖右邊顯示那樣，最忙和最不忙的節點所消耗的 CPU 相差幅度較小。

但如果負載均衡沒做好，情況可能就像上圖左邊一樣相差甚遠。由此可能導致資源調度、編排的困難，無法合理分配容器資源。

因此，數據中心內部負載均衡主要考慮：

• 均衡流量分發
• 可靠識別異常節點
• scale-out，增加同質節點以擴容
• 減少錯誤，提高可用性

我們此前通過同質節點來擴容就發現，內網服務出現 CPU 占用率過高的異常，通過排查發現背后 RPC 點到點通信間的 Health Check 成本過高，產生了一些問題。

另外一方面，底層的服務如果只有單套集群，當出現抖動的時候故障面會比較大，因此需要引入多集群來解決問題。

通過實現 Client 到 Backend 的子集連接，我們做到了將后端平均分配給客戶端，同時可以處理節點變更，持續不斷均衡連接，避免大幅變動。

多集群下，則需要考慮集群遷移的運維成本，同時集群之間業務的數據存在較小的交集。

回到 CPU 忙時、閑時占用率過大的問題，我們會發現這背后跟負載均衡算法有關。

第一個問題：對于每一個 QPS，實際上就是每一個 query、查詢、API 請求，它們的成本是不同的。

節點與節點之間差異非常大，即便你做了均衡的流量分發，但是從負載的角度來看，實際上還是不均勻的。

第二個問題：存在物理機環境上的差異。因為我們通常都是分年采購服務器，新買的服務器通常主頻 CPU 會更強一些，所以服務器本質上很難做到強同質。

基于此，參考 JSQ(最閑輪訓)負載均衡算法帶來的問題，發現缺乏的是服務端全局視圖，因此我們的目標需要綜合考慮負載和可用性。

我們參考了《The power of two choices in randomized load balancing》的思路，使用 the choice-of-2 算法，隨機選取的兩個節點進行打分，選擇更優的節點：

• 選擇 Backend：CPU，client：health、inflight、latency 作為指標，使用一個簡單的線性方程進行打分。
• 對新啟動的節點使用常量懲罰值(penalty)，以及使用探針方式最小化放量，進行預熱。
• 打分比較低的節點，避免進入“永久黑名單”而無法恢復，使用統計衰減的方式，讓節點指標逐漸恢復到初始狀態(即默認值)。

通過優化負載均衡算法以后，我們做到了比較好的收益。

限流

避免過載，是負載均衡的一個重要目標。隨著壓力增加，無論負載均衡策略如何高效，系統某個部分總會過載。

我們優先考慮優雅降級，返回低質量的結果，提供有損服務。在最差的情況，妥善的限流來保證服務本身穩定。

限流這塊，我們認為主要關注以下幾點：

• 針對 QPS 的限制，帶來請求成本不同、靜態閾值難以配置的問題。
• 根據 API 的重要性，按照優先級丟棄。
• 給每個用戶設置限制，全局過載發生時候，針對某些“異常”進行控制非常關鍵。
• 拒絕請求也需要成本。
• 每個服務都配置限流帶來的運維成本。

在限流策略上，我們首先采用的是分布式限流。我們通過實現一個 quota-server，用于給 Backend 針對每個 Client 進行控制，即 Backend 需要請求 quota-server 獲取 Quota。

這樣做的好處是減少請求 Server 的頻次，獲取完以后直接本地消費。算法層面使用最大最小公平算法，解決某個大消耗者導致的饑餓。

在客戶端側，當出現某個用戶超過資源配額時，后端任務會快速拒絕請求，返回“配額不足”的錯誤。

有可能后端忙著不停發送拒絕請求，導致過載和依賴的資源出現大量錯誤，處于對下游的保護兩種狀況，我們選擇在 Client 側直接進行流量，而不發送到網絡層。

我們在 Google SRE 里學到了一個有意思的公式，max(0, (requests- K*accepts) / (requests + 1))。

通過這種公式，我們可以讓 Client 直接發送請求，一旦超過限制，按照概率進行截流。

在過載保護方面，核心思路就是在服務過載時，丟棄一定的流量，保證系統臨近過載時的峰值流量，以求自保護。

常見的做法有基于 CPU、內存使用量來進行流量丟棄;使用隊列進行管理;可控延遲算法：CoDel 等。

簡單來說，當我們的 CPU 達到 80% 的時候，這個時候可以認為它接近過載，如果這個時候的吞吐達到 100，瞬時值的請求是 110，我就可以丟掉這 10 個流量。

這種情況下服務就可以進行自保護，我們基于這樣的思路最終實現了一個過載保護的算法。

我們使用 CPU 的滑動均值(CPU>800 )作為啟發閾值，一旦觸發就進入到過載保護階段。

算法為：(MaxPass*AvgRT)<InFlight

限流效果生效后，CPU 會在臨界值(800)附近抖動，如果不使用冷卻時間，那么一個短時間的 CPU 下降就可能導致大量請求被放行，嚴重時會打滿 CPU。

在冷卻時間后，重新判斷閾值(CPU>800 )，是否持續進入過載保護。

重試

流量的走向，一般會從 BFE 到 LB(負載均衡)然后經過 API 網關再到 BFF、微服務最后到數據庫，這個過程要經過非常多層。

在我們的日常工作中，當請求返回錯誤，對于 Backend 部分節點過載的情況下，我們應該怎么做?

• 首先我們需要限制重試的次數，以及基于重試分布的策略。
• 其次，我們只應該在失敗層進行重試，當重試仍然失敗時，我們需要全局約定錯誤碼，避免級聯重試。
• 此外，我們需要使用隨機化、指數型遞增的充實周期，這里可以參考 Exponential Backoff 和 Jitter。
• 最后，我們需要設定重試速率指標，用于診斷故障。

而在客戶端側，則需要做限速。因為用戶總是會頻繁嘗試去訪問一個不可達的服務，因此客戶端需要限制請求頻次，可以通過接口級別的 error_details，掛載到每個 API 返回的響應里。

超時

我們之前講過，大部分的故障都是因為超時控制不合理導致的。首當其沖的是高并發下的高延遲服務，導致 Client 堆積，引發線程阻塞，此時上游流量不斷涌入，最終引發故障。

所以，從本質上理解超時它實際就是一種 Fail Fast 的策略，就是讓我們的請求盡可能消耗，類似這種堆積的請求基本上就是丟棄掉或者消耗掉。

另一個方面，當上游超時已經返回給用戶后，下游可能還在執行，這就會引發資源浪費的問題。

再一個問題，當我們對下游服務進行調優時，到底如何配置超時，默認值策略應該如何設定?

生產環境下經常會遇到手抖或者錯誤配置導致配置失敗、出現故障的問題。所以我們最好是在框架層面做一些防御性的編程，讓它盡可能讓取在一個合理的區間內。

進程內的超時控制，關鍵要看一個請求在每個階段(網絡請求)開始前，檢查是否還有足夠的剩余來處理請求。

另外，在進程內可能會有一些邏輯計算，我們通常認為這種時間比較少，所以一般不做控制。

現在很多 RPC 框架都在做跨進程超時控制，為什么要做這個?跨進程超時控制同樣可以參考進程內的超時控制思路，通過 RPC 的源數據傳遞，把它帶到下游服務，然后利用配額繼續傳遞，最終使得上下游鏈路不超過一秒。

應對連鎖故障

結合我們上面講到的四個方面，應對連鎖故障，我們有以下幾大關鍵點需要考慮。

第一，我們需要盡可能避免過載。因為節點一個接一個掛了的話，最終服務會雪崩，有可能機群都會跟著宕掉，所以我們才提到要做自保護。

第二，我們通過一些手段去做限流。它可以讓某一個 Client 對服務出現高流量并發請求時進行管控，這樣的話服務也不容易死。

另外，當我們無法正常服務的時候，還可以做有損服務，犧牲掉一些非核心服務去保證關鍵服務，做到優雅降級。

第三，在重試策略上，在微服務內盡可能做退避，盡可能要考慮到重試放大的流量倍數對下游的沖擊。

另外還要考慮在移動端用戶用不了某個功能的情況下，通常會頻繁刷新頁面，這樣產生的流量沖擊，我們在移動端也要進行配合來做流控。

第四，超時控制強調兩個點，進程內的超時和跨進程的傳遞。最終它的超時鏈路是由最上層的一個節點決定的，只要這一點做到了，我覺得大概率是不太可能出現連鎖故障的。

第五，變更管理。我們通常情況下發布都是因為一些變更導致的，所以說我們在變更管理上還是要加強，變更流程中出現的破壞性行為應該要進行懲罰，盡管是對事不對人，但是還是要進行懲罰以引起重視。

第六，極限壓測和故障演練。在做壓測的時候，可能壓到報錯就停了。我建議最好是在報錯的情況下，仍然要繼續加壓，看你的服務到底是一個什么表現?它能不能在過載的情況下提供服務?

在上了過載保護算法以后，繼續加壓，積極拒絕，然后結合熔斷的話，可以產生一個立體的保護效果。

經常做故障演練可以產生一個品控手冊，每個人都可以學習，經常演練不容易慌亂，當在生產環境中真的出現問題時也可以快速投入解決。

第七，考慮擴容、重啟、消除有害流量。

如上圖所示的參考，就是對以上幾個策略的經典補充，也是解決各種服務問題的玄學。

作者：毛劍

簡介：bilibili 技術總監，騰訊云最具價值專家(TVP)。負責 bilibili 數據平臺部，擁有近十年的服務端研發經驗。擅長高性能、高可用的服務端研發，熟悉 Go、Java、C 等語言。在 B 站參與了，從巨石架構到微服務的完整轉型，包含微服務治理、微服務可用性設計，微服務數據一致性設計，微服務中間件，微服務監控，微服務日志收集，微服務負載均衡，和微服務 RPC 框架開發等。開源業內比較有影響力的項目：https://github.com/Terry-Mao/goim，分布式 IM 長連接廣播服務;https://github.com/Terry-Mao/bfs，分布式小文件存儲。

編輯：陶家龍

出處：轉載自微信公眾號云加社區(ID：QcloudCommunity),本文是 B 站技術總監毛劍老師在「云加社區沙龍 online」的分享整理。