[[411727]]

背景

哈啰已進化為包括兩輪出行(哈啰單車、哈啰助力車、哈啰電動車、小哈換電)、四輪出行(哈啰順風車、全網叫車、哈啰打車)等的綜合化移動出行平臺，并向酒店、到店團購等眾多本地生活化生態探索。

隨著公司業務的不斷發展，流量也在不斷增長。我們發現生產中的一些重大事故，往往是被突發的流量沖跨的，對流量的治理和防護，保障系統高可用就尤為重要。

本文就哈啰在消息流量和微服務調用的治理中踩過的坑、積累的經驗進行分享。 

聊聊治理這件事

開始之前先聊聊治理這件事情，下面是老梁個人理解：

治理在干一件什么事?

• 讓我們的環境變得美好一些

需要知道哪些地方還不夠好?

• 以往經驗
• 用戶反饋
• 業內對比

還需要知道是不是一直都是好的?

• 監控跟蹤
• 告警通知

不好的時候如何再讓其變好?

• 治理措施
• 應急方案

目錄

1. 打造分布式消息治理平臺
2. RocketMQ 實戰踩坑和解決
3. 打造微服務高可用治理平臺

背景

裸奔的 RabbitMQ

公司之前使用 RabbitMQ ，下面在使用 RabbitMQ 時的痛點，其中很多事故由于 RabbitMQ 集群限流引起的。

• 積壓過多是清理還是不清理?這是個問題，我再想想。
• 積壓過多觸發集群流控?那是真的影響業務了。
• 想消費前兩天的數據?請您重發一遍吧。
• 要統計哪些服務接入了?您要多等等了，我得去撈IP看看。
• 有沒有使用風險比如大消息?這個我猜猜。

裸奔的服務

曾經有這么一個故障，多個業務共用一個數據庫。在一次晚高峰流量陡增，把數據庫打掛了。

• 數據庫單機升級到最高配依然無法解決
• 重啟后緩一緩，不一會就又被打掛了
• 如此循環著、煎熬著、默默等待著高峰過去

思考：無論消息還是服務都需要完善的治理措施

打造分布式消息治理平臺

設計指南

哪些是我們的關鍵指標，哪些是我們的次要指標，這是消息治理的首要問題。

設計目標

旨在屏蔽底層各個中間件( RocketMQ / Kafka )的復雜性，通過唯一標識動態路由消息。同時打造集資源管控、檢索、監控、告警、巡檢、容災、可視化運維等一體化的消息治理平臺，保障消息中間件平穩健康運行。

消息治理平臺設計需要考慮的點

• 提供簡單易用 API
• 有哪些關鍵點能衡量客戶端的使用沒有安全隱患
• 有哪些關鍵指標能衡量集群健康不健康
• 有哪些常用的用戶/運維操作將其可視化
• 有哪些措施應對這些不健康

盡可能簡單易用

設計指南

把復雜的問題搞簡單，那是能耐。

極簡統一 API

提供統一的 SDK 封裝了( Kafka / RocketMQ )兩種消息中間件。

一次申請

主題消費組自動創建不適合生產環境，自動創建會導致失控，不利于整個生命周期管理和集群穩定。需要對申請流程進行控制，但是應盡可能簡單。例如：一次申請各個環境均生效、生成關聯告警規則等。

客戶端治理

設計指南

監控客戶端使用是否規范，找到合適的措施治理

場景回放

• 場景一 瞬時流量與集群的流控

假設現在集群 Tps 有 1 萬，瞬時翻到 2 萬甚至更多，這種過度陡增的流量極有可能引發集群流控。針對這類場景需監控客戶端的發送速度，在滿足速度和陡增幅度閾值后將發送變的平緩一些。

• 場景二 大消息與集群抖動

當客戶端發送大消息時，例如：發送幾百KB甚至幾兆的消息，可能造成 IO 時間過長與集群抖動。針對這類場景治理需監控發送消息的大小，我們采取通過事后巡檢的方式識別出大消息的服務，推動使用同學壓縮或重構，消息控制在 10KB 以內。

• 場景三 過低客戶端版本

隨著功能的迭代 SDK 的版本也會升級，變更除了功能外還有可能引入風險。當使用過低的版本時一個是功能不能得到支持，另外一個是也可能存在安全隱患。為了解 SDK 使用情況，可以采取將 SDK 版本上報，通過巡檢的方式推動使用同學升級。

• 場景四 消費流量摘除和恢復

消費流量摘除和恢復通常有以下使用場景，第一個是發布應用時需要先摘流量，另外一個是問題定位時希望先把流量摘除掉再去排查。為了支持這種場景，需要在客戶端監聽摘除/恢復事件，將消費暫停和恢復。

• 場景五 發送/消費耗時檢測

發送/消費一條消息用了多久，通過監控耗時情況，巡檢摸排出性能過低的應用，針對性推動改造達到提升性能的目的。

• 場景六 提升排查定位效率

在排查問題時，往往需要檢索發了什么消息、存在哪里、什么時候消費的等消息生命周期相關的內容。這部分可以通過 msgId 在消息內部將生命周期串聯起來。另外是通過在消息頭部埋入 rpcId / traceId 類似鏈路標識，在一次請求中將消息串起來。

治理措施提煉

需要的監控信息

• 發送/消費速度
• 發送/消費耗時
• 消息大小
• 節點信息
• 鏈路標識
• 版本信息

常用治理措施

• 定期巡檢：有了埋點信息可以通過巡檢將有風險的應用找出來。例如發送/消費耗時大于 800 ms、消息大小大于 10 KB、版本小于特定版本等。
• 發送平滑：例如檢測到瞬時流量滿足 1 萬而且陡增了 2 倍以上，可以通過預熱的方式將瞬時流量變的平滑一些。
• 消費限流：當第三方接口需要限流時，可以對消費的流量進行限流，這部分可以結合高可用框架實現。
• 消費摘除：通過監聽摘除事件將消費客戶端關閉和恢復。

主題/消費組治理

設計指南

監控主題消費組資源使用情況

場景回放

• 場景一 消費積壓對業務的影響

有些業務場景對消費堆積很敏感，有些業務對積壓不敏感，只要后面追上來消費掉即可。例如單車開鎖是秒級的事情，而信息匯總相關的批處理場景對積壓不敏感。通過采集消費積壓指標，對滿足閾值的應用采取實時告警的方式通知到應用負責的同學，讓他們實時掌握消費情況。

• 場景二 消費/發送速度的影響

發送/消費速度跌零告警?有些場景速度不能跌零，如果跌零意味著業務出現異常。通過采集速度指標，對滿足閾值的應用實時告警。

• 場景三 消費節點掉線

消費節點掉線需要通知給應用負責的同學，這類需要采集注冊節點信息，當掉線時能實時觸發告警通知。

• 場景四 發送/消費不均衡

發送/消費的不均衡往往影響其性能。記得有一次咨詢時有同學將發送消息的key設置成常量，默認按照 key 進行 hash 選擇分區，所有的消息進入了一個分區里，這個性能是無論如何也上不來的。另外還要檢測各個分區的消費積壓情況，出現過度不均衡時觸發實時告警通知。

治理措施提煉

需要的監控信息

• 發送/消費速度
• 發送分區詳情
• 消費各分區積壓
• 消費組積壓
• 注冊節點信息

常用治理措施

• 實時告警：對消費積壓、發送/消費速度、節點掉線、分區不均衡進行實時告警通知。
• 提升性能：對于有消費積壓不能滿足需求，可以通過增加拉取線程、消費線程、增加分區數量等措施加以提升。
• 自助排查：提供多維度檢索工具，例如通過時間范圍、msgId 檢索、鏈路系統等多維度檢索消息生命周期。

集群健康治理

設計指南

度量集群健康的核心指標有哪些?

場景回放

• 場景一 集群健康檢測

集群健康檢測回答一個問題：這個集群是不是好的。通過檢測集群節點數量、集群中每個節點心跳、集群寫入Tps水位、集群消費Tps水位都是在解決這個問題。

• 場景二 集群的穩定性

集群流控往往體現出集群性能的不足，集群抖動也會引發客戶端發送超時。通過采集集群中每個節點心跳耗時情況、集群寫入Tps水位的變化率來掌握集群是否穩定。

• 場景三 集群的高可用

高可用主要針對極端場景中導致某個可用區不可用、或者集群上某些主題和消費組異常需要有一些針對性的措施。例如：MQ 可以通過同城跨可用區主從交叉部署、動態將主題和消費組遷移到災備集群、多活等方式進行解決。

治理措施提煉

需要的監控信息

• 集群節點數量采集
• 集群節點心跳耗時
• 集群寫入 Tps 的水位
• 集群消費 Tps 的水位
• 集群寫入 Tps 的變化率

常用治理措施

• 定期巡檢：對集群 Tps 水位、硬件水位定期巡檢。
• 容災措施：同城跨可用區主從交叉部署、容災動態遷移到災備集群、異地多活。
• 集群調優：系統版本/參數、集群參數調優。
• 集群分類：按業務線分類、按核心/非核心服務分類。

最核心指標聚焦

如果說這些關鍵指標中哪一個最重要?我會選擇集群中每個節點的心跳檢測，即：響應時間( RT )，下面看看影響 RT 可能是哪些原因。

 

關于告警

• 監控指標大多是秒級探測
• 觸發閾值的告警推送到公司統一告警系統、實時通知
• 巡檢的風險通知推送到公司巡檢系統、每周匯總通知

消息平臺圖示

架構圖

 

看板圖示

• 多維度：集群維度、應用維度
• 全聚合：關鍵指標全聚合

 

RocketMQ 實戰中踩過的坑和解決方案

行動指南

我們總會遇到坑，遇到就把它填了。

1. RocketMQ 集群 CPU 毛刺

問題描述

RocketMQ 從節點、主節點頻繁 CPU 飆高，很明顯的毛刺，很多次從節點直接掛掉了。

 

只有系統日志有錯誤提示

2020-03-16T17:56:07.505715+08:00 VECS0xxxx kernel:[] ? __alloc_pages_nodemask+0x7e1/0x960 
2020-03-16T17:56:07.505717+08:00 VECS0xxxx kernel: java: page allocation failure. order:0, mode:0x20 
2020-03-16T17:56:07.505719+08:00 VECS0xxxx kernel: Pid: 12845, comm: java Not tainted 2.6.32-754.17.1.el6.x86_64 #1 
2020-03-16T17:56:07.505721+08:00 VECS0xxxx kernel: Call Trace: 
2020-03-16T17:56:07.505724+08:00 VECS0xxxx kernel:[] ? __alloc_pages_nodemask+0x7e1/0x960 
2020-03-16T17:56:07.505726+08:00 VECS0xxxx kernel: [] ? dev_queue_xmit+0xd0/0x360 
2020-03-16T17:56:07.505729+08:00 VECS0xxxx kernel: [] ? ip_finish_output+0x192/0x380 
2020-03-16T17:56:07.505732+08:00 VECS0xxxx kernel: [] ? 

各種調試系統參數只能減緩但是不能根除，依然毛刺超過 50%

 

解決方案

將集群所有系統升級從 centos 6 升級到 centos 7 ，內核版本也從從 2.6 升級到 3.10 ，CPU 毛刺消失。

2. RocketMQ 集群線上延遲消息失效

問題描述

RocketMQ 社區版默認本支持 18 個延遲級別，每個級別在設定的時間都被會消費者準確消費到。為此也專門測試過消費的間隔是不是準確，測試結果顯示很準確。然而，如此準確的特性居然出問題了，接到業務同學報告線上某個集群延遲消息消費不到，詭異!

解決方案

將" delayOffset.json "和" consumequeue / SCHEDULE_TOPIC_XXXX "移到其他目錄，相當于刪除;逐臺重啟 broker 節點。重啟結束后，經過驗證，延遲消息功能正常發送和消費。

打造微服務高可用治理平臺

設計指南

哪些是我們的核心服務，哪些是我們的非核心服務，這是服務治理的首要問題

設計目標

服務能應對突如其來的陡增流量，尤其保障核心服務的平穩運行。

應用分級和分組部署

應用分級

根據用戶和業務影響兩個緯度來進行評估設定的，將應用分成了四個等級。

• 業務影響：應用故障時影響的業務范圍
• 用戶影響：應用故障時影響的用戶數量

S1：核心產品，產生故障會引起外部用戶無法使用或造成較大資損，比如主營業務核心鏈路，如單車、助力車開關鎖、順風車的發單和接單核心鏈路，以及其核心鏈路強依賴的應用。

S2: 不直接影響交易，但關系到前臺業務重要配置的管理與維護或業務后臺處理的功能。

S3: 服務故障對用戶或核心產品邏輯影響非常小，且對主要業務沒影響，或量較小的新業務;面向內部用戶使用的重要工具，不直接影響業務，但相關管理功能對前臺業務影響也較小。

S4: 面向內部用戶使用，不直接影響業務，或后續需要推動下線的系統。

分組部署

S1 服務是公司的核心服務，是重點保障的對象，需保障其不被非核心服務流量意外沖擊。

• S1 服務分組部署，分為 Stable 和 Standalone 兩套環境
• 非核心服務調用 S1 服務流量路由到 Standalone 環境
• S1 服務調用非核心服務需配置熔斷策略

 

多種限流熔斷能力建設

我們建設的高可用平臺能力

 

部分限流效果圖

• 預熱圖示

 

• 排隊等待

 

• 預熱+排隊

 

• 高可用平臺圖示
• 中間件全部接入
• 動態配置實時生效

每個資源和 IP 節點詳細流量

 

總結

• 哪些是我們的關鍵指標，哪些是我們的次要指標，這是消息治理的首要問題
• 哪些是我們的核心服務，哪些是我們的非核心服務，這是服務治理的首要問題
• 源碼&實戰 是一種比較好的工作學習方法。

作者介紹

梁勇 ( 老梁 ) ，《 RocketMQ 實戰與進階》專欄聯合作者、參與了《 RocketMQ 技術內幕》審稿工作。ArchSummit 全球架構師大會講師、QCon 案例研習社講師。