云原生时代-微服务/分布式系统组件

介绍一些微服务中的常见问题，包括常见概念，中间件，开源系统等，佛系更新中。

限流器

某些业务需要针对 IP 或者用户来进行一个限流操作，减少恶意请求，减轻服务器压力或者根据业务需求来进行频率控制。 限流可以在很多层面去做，比如 nginx+lua, API Gateway，或者在接口层直接来做，一般可以结合 redis 来做为计数器。 解决高并发问题有一下一些实现方式，可以根据业务场景选择：

  • 扩容

  • 静态化(cdn)

  • 限流

  • 缓存

  • 队列(削峰，解耦)

常见的几种限流算法有计数器算法、漏桶算法、令牌桶算法。

  • token bucket。令牌桶算法。允许突发流量。https://github.com/juju/ratelimit 或者 go 自带的 https://github.com/golang/time

  • leaky bucket。漏桶算法。以恒定速率处理(恒定速率漏水) https://github.com/uber-go/ratelimit

  • redis incr/expire。最简单的一种方式，通过 redis 针对用户或者 ip key 来计数，可以加上用户信息作为 key

  • redis zset。可以实现基于时间窗口来限流。不过不适合短期内大量 qps 限流，适合用户行为限流

你可以在网上很方便的搜索 『rate limiter』 来找到对应的实现。

断路器/熔断器(Circuit Breaker)

在分布式系统中，为了防止级联错误，导致服务雪崩，经常需要使用断路器来保护系统。断路器原理如下：

../_images/%E7%86%94%E6%96%AD%E5%99%A8%E5%8E%9F%E7%90%86.png

Netflix 开源的 Hystrix 是比较流行的开源实现，对应的有各种其他语言的实现，比如 Hystrix-go

参考:

分布式 id 生成器(发号器)

单机 mysql 一般我们直接使用 mysql 提供的自增 id 作为主键，但是分布式系统下需要别的算法来保证多机 mysql 全局自增唯一 id。 一般有如下一些实现方式，各有优劣，可以根据自己的业务灵活选取：

  • 发号器(snowflake 算法)

  • uuid

一般来说单调递增整形 id 对于索引更加友好，所以一般我们可以使用 snowflake 之类的算法来分配 id，其大致原理如下：

../_images/slowflake.png

网上依旧很多开源实现，你可以搜索到一些 snowflake 的 golang 实现，注意依赖时间戳有些可能有时钟回拨问题。

RPC

在分布式系统中，不同业务模块之间可以通过消息队列或者 rpc 来进行通信。

服务注册与发现

  • 注册: 服务启动的时候通过某种形式比如 http 请求、消息等将自己的信息通知到服务注册中心(zookeeper/consul等)

  • 维护: 健康检查、异常剔除

  • 发现: 服务名称获取 ip 等信息。高可用（本机文件缓存）；高性能（内存缓存）；负载均衡(优先级)

常用组件(倾向于 AP 模型优先保证可用性)：

  • Consul

  • Etcd

  • Zookeeper: CP 模型

  • Eureka: AP 模型

../_images/%E6%9C%8D%E5%8A%A1%E5%8F%91%E7%8E%B0%E5%AF%B9%E6%AF%94.png

微服务网关

入口网关的功能：

  • 协议转换。为客户端提供统一的接入地址和协议，屏蔽掉后端服务不同的协议细节

  • 植入服务熔断、服务降级、流量控制、分流控制等服务治理相关的策略

  • 认证和授权。统一处理不同端的认证和授权，为后端服务屏蔽掉认证细节

  • 黑白名单限制

常见组件：

  • Nginx

  • Netflix Zuul

  • Kong

配置中心

健康检查

日志聚合(ELK)

分布式跟踪(tracing)

异常跟踪

分布式系统中，和追踪日志一样也会遇到集中收集程序异常的问题。这里推荐笔者公司常用的一个系统叫做 sentry。它可以收集 和展示比如 Python 的异常或者 golang 的 error并收集上下文，方便我们快速排查程序中的严重问题。

应用程序指标

分布式锁

单机上可以使用 go 提供的 sync 包加锁，分布式情况下一般有几种方式：

参考:

消息队列

消息队列在分布式系统中一般用在异步解耦、削峰填谷等场景。消息队列的核心模型由生产者消费者和消息中间件(Broker)组成。 常用的开源解决方案有ActiveMQ、RabbitMQ、Kafka、RocketMQ和近年比较火的Pulsar。 但是消息会有延迟、乱序、丢失等问题，需要根据业务做好设计和取舍。

场景：系统崩溃；服务处理能力受限；链路耗时长尾请求；日志处理

延时队列(延迟队列)

在分布式系统中经常需要触发一些延后执行的任务，比如用户下单超过30 分钟未支付取消订单、定时给预定会议的人员发送消息、外卖下单后提醒小哥即将超时， 这个时候一般会使用到延时队列。延时队列很像是一种以时间为权重的堆结构。常见的实现方式是使用 redis zset/死信队列/时间轮/多层时间轮等。 从调研结果来看，很多方案和框架都是使用的基于 redis 实现。

  • 定时轮询数据库。只适合非常小规模的业务比如一些公司内部系统，拿出所有任务扫一遍执行到期任务。

  • redis zset/redis过期回调。把topic作为key，时间作为score加入到 zset，定时器通过 ZREANGEBYSCORE 查询 zset 中 score 最小的元素拿出来执行。(防止大 key 一般可能分散多个zset)

  • RabbitMQ: 依赖 TTL 和死信队列实现延迟队列效果。(需要有熟悉的运维支持)

  • RocketMQ 支持延时消息。消息延迟级别分别为1s 5s 10s 30s 1m 2m 3m 4m 5m 6m 7m 8m 9m 10m 20m 30m 1h 2h，共18个级别。

  • kafka: 用 kafka topic 模拟死信队列（不过不太优雅）

  • 时间轮/多级时间轮: 在 kafka/netty 内部实现中有用到

有一些语言框架直接帮我们实现好了，也可以直接拿来用，一般需要一个消息队列作为broker。现有方案：

  • celery: python 社区常用的异步任务框架，支持定时、延时任务

  • machinery: golang 社区的 celery，支持延时任务

  • LMSTFY: 美图开源的基于 go和redis 实现的任务队列

  • asynq: https://github.com/hibiken/asynq 基于go redis的简单高效的任务队列

参考：

分布式缓存

常见缓存使用模式

  • Cache Aside: 如果数据在缓存中直接读取缓存；如果没有缓存 应用从数据库读取 ；更新数据到缓存(下次直接可以从缓存读取了)

  • Read Through: 如果数据在缓存中直接读取缓存；如果不存在 缓存负责从数据库读取 ；缓存返回给应用。应用只和缓存交互

  • Write Through: 应用写到缓存；缓存直接写到数据库

  • Write Back (Write Behind): 应用直接写到缓存(缓存高可用)；缓存定期把更新刷新到数据库。Write behind 模式下适合大量写操作的场景，常用于电商秒杀场景中库存的扣减。

  • Write-Around。对一致性的要求较弱，可以选择在 cache aside 读模式下增加一个缓存过期时间，在写请求中仅仅更新数据库，不做任何删除或更新缓存的操作，这样，缓存仅能通过过期时间失效

读多写少的场景下，可以选择采用“ Cache-Aside 结合消费数据库日志做补偿”的方案，写多的场景下，可以选择采用“ Write-Through 结合分布式锁”的方案 ， 写多的极端场景下，可以选择采用“ Write-Behind ” 的方案。

参考：

缓存问题（雪崩，击穿，穿透，回源，预热）

  • 缓存和数据库双写一致性问题

  • 缓存雪崩: 缓存同一时间全部失效导致数据库瞬间压力陡增引起雪崩。缓存宕机，设置相同过期时间可能导致。(热数据集中淘汰)

    • 做好熔断

    • 缓存时间加上超时随机，防止同时大量缓存失效

    • 加锁或者队列的方式保证不会同时对数据库进行读写

  • 缓存击穿: 某个key缓存过期的那一刻，同时大量请求击穿打到数据库，瞬时数据库压力陡增。可以使用 singleflight 模式避免，原 理就是当缓存失效的时候，相同 key 的请求只放行一个到后台数据库，减少请求压力。多线程获取应该用锁限制只有一个线程回源。

  • 缓存穿透: 大量查询 key 不存在导致请求回源到数据库，导致数据库压力增大甚至宕机。(比如爬虫遍历抓取碰到大量不存在内容)

    • 业务层直接过滤不合理数据

    • 可以把所有可能存在的数据放到足够到的bitmap 或者布隆过滤器中，查询之前如果不在其中则过滤掉

    • 查询不到的值也放到缓存中加上较短的失效时间

  • 缓存污染：爬虫批量抓取导致缓存了很多冷数据

  • 缓存并发竞争: 串行化操作或者加锁

  • 缓存预热。上线之前可以通过脚本来进行预热，定期刷新

  • 热点key。热点 key 导致单机 redis 压力陡增，通过 key hash分散热点或者使用本地缓存的方式(多级缓存)，减小 redis 压力

  • 大 key。string过大或者复合结构存的值过多，可能造成内存使用不均、网络阻塞、带宽占满。可以通过对 key 进行 hash 的方式分散到 多个 key 存储。

  • 回源。过期 key 会回源一般有两种方式，一种是被动更新，一种是主动更新。

    • 被动更新：缓存过期的时候回源到 db，注意防止击穿，使用 singleflight 模式或者分布式锁保证只有一个线程回源。

    • 主动更新：db 数据更新之后可以写入消息队列，消费者拉取信息更新本地缓存。

参考：

双写不一致性问题

分布式事务

超卖问题

在关系数据库之外进行热卖商品的库存扣减操作。使用分布式锁会比较重。有以下两种方式：

  • 基于乐观锁实现库存扣减。redis WATCH/MULTI/EXEC 命令结合即可实现乐观锁效果。

  • 结合 lua 脚本实现库存扣减。 redis执行 EVAL/EVALSHA 把它当做单条命令在执行，操作原子。扣减成功后，可以写入到消息队列实现削峰，保证写入到数据库的流量可控。

分布式高并发系统保护措施

  • 限流。限制资源数量上限，超过上限被缓冲或者失败。保护底层资源。常见有计数器、漏桶、令牌桶、滑动窗口等算法。

  • 熔断。防止级联错误雪崩(底层旁路故障导致雪崩)。一般由调用端提供，用在不太重要的旁路请求上，避免因为不重要的服务异常或者超时影响重要的逻辑业务。

  • 降级。一般考虑整体性从源头切断流量来源，比如暂停一些不重要服务，防止资源争夺。降级不重要服务，保证最核心服务的稳定

  • 预热。一般是由于冷启动或者负载均衡重分配，缓存没有准备完成，可以提前预热。避免资源死锁或者被打挂

  • 被压(Back Pressure): 智能化限流。被调用方通过反馈自己的处理能力，让调用方实时调整发送频率。典型的是 TCP 滑动窗口

容错策略：

  • 故障转移(Failover): 自动切换其他副本(具备幂等性)

  • 快速失败(Failfast): 非幂等，比如转账

  • 安全失败(Failsafe): 旁路调用失败，也当成正确的来返回

  • 沉默失败(Failsilent): 默认服务一段时间无法继续提供服务

  • 故障恢复(Failback): 失败信息放入消息队列，自动异步重试(最大重试次数)。适合幂等性的对实时性要求不高的主路或者不需要返回 值的旁路逻辑

  • 并行调用(Forking): 双重保障，选择第一个返回成功的

  • 广播调用(Broadcast): 要求所有请求都成功，比如“刷新分布式缓存”这类操作

容错设计模式：(熔断、隔离、重试、降级、超时)

  • 断路器模式:hystrix/sentinel (快速失败)

  • 舱壁隔离模式: 每个服务最大线程数限制 (静默失败)

  • 重试模式(注意幂等性；重试风暴；超时设置)

    • 主路关键逻辑同步重试

    • 仅对瞬时故障重试。比如 http 状态码

    • 仅对幂等性服务重试

    • 重试必须有终止条件：超时终止；次数终止

流量统计指标：

  • 每秒事务数(TPS): 衡量吞吐量最终标准。事务理解为一个逻辑上具备原子性的业务操作

  • 每秒请求数(HPS): 客户端向服务端的请求数

  • 每秒查询数(QPS): 一台服务器能够响应查询次数

限流设计模式：

  • 流量计数器模式

  • 滑动窗口限流 (否决式限流，超过阈值必须失败或者降级)

  • 漏桶模式

  • 令牌桶模式

  • 自适应模式。根据机器的 cpu/io/内存利用率等超过阈值自动触发

  • 单机与分布式

搜索引擎(Elasticsearch)

业务边界划分(领域驱动设计)

笔者感觉微服务的业务划分不光是一个技术问题，还是一个业务问题。笔者经历过的一些项目有时候感觉拆分太细，不像是微服务，反而 是微函数或者微接口了，维护和部署成本急剧升高。粒度太粗了可能又成了一个大的单体项目。 微服务有自己的优势，但也有缺点，比如需要较高的 devops 水平，良好的基础设施，合理的业务代码划分等，如果做不好可能微 服务带来的问题会比收益要多。所以微服务可能也不是银弹，需要根据当前的业务合理选择。

参考: