一、寫在前面

相信不少朋友都在自己公司使用Spring Cloud框架來構建微服務架構，畢竟現在這是非常火的一門技術。

如果只是用戶量很少的傳統IT系統，使用Spring Cloud可能還暴露不出什么問題。

如果是較多用戶量，高峰每秒高達上萬并發請求的互聯網公司的系統，使用Spring Cloud技術就有一些問題需要注意了。

二、場景引入，問題初現

先不空聊原理、理論，來講一個真實的例子，這是我的一個朋友在創業互聯網公司發生過的真實案例。

朋友A的公司做互聯網類的創業，組建了一個小型研發團隊，上來就用了Spring Cloud技術棧來構建微服務架構的系統。

一段時間沒日沒夜的加班，好不容易核心業務系統給做出來了，平時正常QA測試沒發現什么大毛病，感覺性能還不錯，一切都很完美。

然后系統就這么上線了，一開始用戶規模很小，注冊用戶量小幾十萬，日活幾千用戶。

每天都有新的數據進入數據庫的表中，就這么日積月累的，沒想到數據規模居然慢慢吞吞增長到了單表幾百萬。

這個時候呢，看起來也沒太大的毛病，就是有用戶反映，系統有些操作，會感覺卡頓幾秒鐘，會刷不出來頁面。

這是為啥呢？

• 核心原因是單表數據量大了一些，達到了幾百萬。
• 有個別服務，跑的SQL比較復雜，一大堆的多表關聯
• 并且還沒有設計好索引，或者是設計了索引，但無奈一些小弟寫了上百行的大SQL，SQL實在太復雜了，那么一個SQL跑出來好幾秒肯定是正常的。

如果大家對微服務框架有點了解的話，應該知道，比如Feign + Ribbon組成的服務調用框架，是有接口調用超時這一說的，有一些參數可以設置接口調用的超時時間。

如果你調用一個接口，好幾秒刷不出來，人家就超時異常返回，用戶就刷不出來頁面了。

三、揚湯止沸，飲鴆止渴

一般碰到這種事情，一大坨屎一樣的SQL擺在那兒，寫SQL的人過一個月自己都看不懂了，80%的工程師看著都不愿意去花時間重寫和優化。

一是修改的人力成本太高，二是誰敢負擔這責任呢？

系統跑的好好的，就是慢了點而已，結果你硬是亂改一通，重構，把系統核心業務流程搞掛了怎么辦？

所以，那些兄弟第一反應是：增加超時時間啊！接口慢點可以，但是別超時不響應啊！

咱們讓接口執行個幾秒把結果返回，用戶不就可以刷出來頁面了！不用重構系統了啊！輕松+愉快！

如何增加呢？很簡單，看下面的參數就知道了：

大家如果看過之前的文章，應該知道，Spring Cloud里一般會用hystrix的線程池來執行接口調用的請求。

所以設置超時一般設置兩個地方，feign和ribbon那塊的超時，還有hystrix那塊的超時。其中后者那塊的超時一般必須大于前者。

Spring Cloud玩兒的好的兄弟，可千萬別看著這些配置發笑，因為我確實見過不少Spring Cloud玩兒的沒那么溜的哥們，真的就這么干了。

好了，日子在繼續。。。

優化了參數后，看上去效果不錯，用戶雖然覺得有的頁面慢是慢點，但是起碼過幾秒能刷出來。

這個時候，日活幾千的用戶量，壓根兒沒什么并發可言，高峰期每秒最多一二十并發請求罷了。

大家看看下面這張圖，感受一下現場氛圍：

四、問題爆發，洪水猛獸

隨著時間的推移，公司業務高速發展……

那位兄弟的公司，在系統打磨成熟，幾萬用戶試點都ok之后，老板立馬拿到一輪幾千萬的融資。

公司上上下下意氣風發啊！緊接著就是組建運營團隊，地推團隊，全國大范圍的推廣。

總之就是三個字：推！推！推！

這一推不打緊！研發人員在后臺系統發現，自己的用戶量蹭蹭蹭的直線增長。

注冊用戶增長了幾十倍，突破了千萬級別，日活用戶也翻了幾十倍，在活動之類的高峰期，居然達到了上百萬的日活用戶量！

幸福的煩惱。。。

為什么這么說？因為用戶量上來后，悲劇的事情就發生了。

高峰期每秒的并發請求居然達到了近萬的程度，研發團隊的兄弟們哪里敢怠慢！在這個過程中，先是緊張的各種擴容服務，一臺變兩臺，兩臺變四臺。

然后數據庫主從架構掛上去，讀寫分離是必須的，否則單個數據庫服務器哪能承載那么大的請求！多搞幾個從庫，扛一下大量的讀請求，這樣基本就扛住了。

正準備坐下來喝口茶、松口氣，更加悲劇的事情就發生了。

在這個過程中，那些兄弟經常會發現高峰期，系統的某個功能頁面，突然就整個hang死了，就是沒法再響應任何請求！所有用戶刷新這個頁面全部都是無法響應！

這是為什么呢？原因很簡單啊！一個服務A的實例里，專門調用服務B的那個線程池里的線程，總共可能就幾十個。每個線程調用服務B都會卡住5秒鐘。

那如果每秒鐘過來幾百個請求這個服務實例呢？一下子那個線程池里的線程就全部hang死了，沒法再響應任何請求了。

大家來看看下面這張圖，再直觀的感受一下這個無助的過程！

這個時候咋辦？兄弟們只能祭出程序員最古老的法寶，重啟機器！

遇到頁面刷不出來，只能重啟機器，相當于短暫的初始化了一下機器內的資源。

然后接著運行一段時間，又卡死，再次重啟！真是令人崩潰啊！用戶們的體驗是極差的，老板的心情是憤怒的！

畫外音：

其實這個問題本身不大，但如果對Spring Cloud沒有高并發場景的真實經驗，確實可能會跟這幫兄弟一樣，搞出些莫名其妙的問題。

比如這個公司，明明應該去優化服務接口性能，結果硬是調大了超時時間。結果導致并發量高了，對那個服務的調用直接hang死，系統的核心頁面刷不出來，影響用戶體驗了，這怪誰呢？

五、追本溯源，治標治本

沒法子了，那幫兄弟們只能找人求助。下面就是作者全程指導他們完成系統優化的過程。

第一步

關鍵點，優化圖中核心服務B的性能。互聯網公司，核心業務邏輯，面向C端用戶高并發的請求，不要用上百行的大SQL，多表關聯，那樣單表幾百萬行數據量的話，會導致一下執行好幾秒。

其實最佳的方式，就是對數據庫就執行簡單的單表查詢和更新，然后復雜的業務邏輯全部放在java系統中來執行，比如一些關聯，或者是計算之類的工作。

這一步干完了之后，那個核心服務B的響應速度就已經優化成幾十毫秒了，是不是很開心？從幾秒變成了幾十毫秒！

第二步

那個超時的時間，也就是上面那段ribbon和hystrix的超時時間設置。

奉勸各位同學，不要因為系統接口的性能過差而懶惰，搞成幾秒甚至幾十秒的超時，一般超時定義在1秒以內，是比較通用以及合理的。

為什么這么說？

因為一個接口，理論的最佳響應速度應該在200ms以內，或者慢點的接口就幾百毫秒。

如果一個接口響應時間達到1秒+，建議考慮用緩存、索引、NoSQL等各種你能想到的技術手段，優化一下性能。

否則你要是胡亂設置超時時間是幾秒，甚至幾十秒，萬一下游服務偶然出了點問題響應時間長了點呢？那你這個線程池里的線程立馬全部卡死！

這兩步解決之后，其實系統表現就正常了，核心服務B響應速度很快，而且超時時間也在1秒以內，不會出現hystrix線程池頻繁卡死的情況了。

第三步

事兒還沒完，你要真覺得兩步就搞定了，那還是經驗不足。

如果你要是超時時間設置成了1秒，如果就是因為偶然發生的網絡抖動，導致接口某次調用就是在1.5秒呢？這個是經常發生的，因為網絡的問題，接口調用偶然超時。

所以此時配合著超時時間，一般都會設置一個合理的重試，如下所示：

設置這段重試之后，Spring Cloud中的Feign + Ribbon的組合，在進行服務調用的時候，如果發現某臺機器超時請求失敗，會自動重試這臺機器，如果還是不行會換另外一臺機器重試。

這樣由于偶爾的網絡請求造成的超時，不也可以通過自動重試避免了？

第四步

其實事兒還沒完，如果把重試參數配置了，結果你居然就放手了，那還是沒對人家負責任啊！

你的系統架構中，只要涉及到了重試，那么必須上接口的冪等性保障機制。

否則的話，試想一下，你要是對一個接口重試了好幾次，結果人家重復插入了多條數據，該怎么辦呢？

其實冪等性保證本身并不復雜，根據業務來，常見的方案：

• 可以在數據庫里建一個唯一索引，插入數據的時候如果唯一索引沖突了就不會插入重復數據
• 或者是通過redis里放一個唯一id值，然后每次要插入數據，都通過redis判斷一下，那個值如果已經存在了，那么就不要插入重復數據了。

類似這樣的方案還有一些。總之，要保證一個接口被多次調用的時候，不能插入重復的數據。

六、總結全文，回眸再看

有圖有真相！老規矩，最后給大家上一張圖，最終優化后的系統表現大概是長下面這樣子的。