流量洪峯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。對我們瞭解系統的全貌、上下游的聯防有更進一步的幫助。
本文來自公衆號雲加社區(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佈在多個網絡鏈路上、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。
以上圖爲例，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，儘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。
然後通過 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。
基於此，前端服務器的負載均衡主要考慮幾個邏輯：
- 儘量選擇最近節點
- 基於帶寬策略調度選擇 API 進入機房
- 基於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 佔用率過高的異常，通過排查發現背後 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羣，當出現抖動的時候故障面會比較大，因此需要引入多集羣來解決問題。
通過實現 Client 到 Backend 的子集連接，我們做到了將後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。
多集羣下，則需要考慮集羣遷移的運維成本，同時集羣之間業務的數據存在較小的交集。
回到 CPU 忙時、閒時佔用率過大的問題，我們會發現這背後跟負載均衡算法有關。
第一個問題：對於每一個 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。因爲我們通常都是分年採購服務器，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。
基於此，參考 JSQ(最閒輪訓)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 作爲指標，使用一個簡單的線性方程進行打分。
- 對新啓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後，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。隨着壓力增加，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，我們認爲主要關注以下幾點：
- 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，我們首先採用的是分佈式限流。我們通過實現一個 quota-server，用於給 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，獲取完以後直接本地消費。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飢餓。
在客戶端側，當出現某個用戶超過資源配額時，後端任務會快速拒絕請求，返回“配額不足”的錯誤。
有可能後端忙着不停發送拒絕請求，導致過載和依賴的資源出現大量錯誤，處於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 裏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峯值流量，以求自保護。
常見的做法有基於 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，這個時候可以認爲它接近過載，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，我們基於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 )作爲啓發閾值，一旦觸發就進入到過載保護階段。
算法爲：(MaxPass*AvgRT)<InFlight
限流效果生效後，CPU 會在臨界值(800)附近抖動，如果不使用冷卻時間，那麼一個短時間的 CPU 下降就可能導致大量請求被放行，嚴重時會打滿 CPU。
在冷卻時間後，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)然後經過 API 網關再到 BFF、微服務最後到數據庫，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，對於 Backend 部分節點過載的情況下，我們應該怎麼做?
- 首先我們需要限制重試的次數，以及基於重試分佈的策略。
- 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、指數型遞增的充實週期，這裏可以參考 Exponential Backoff 和 Jitter。
- 最後，我們需要設定重試速率指標，用於診斷故障。
而在客戶端側，則需要做限速。因爲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 返回的響應裏。
超時
我們之前講過，大部分的故障都是因爲超時控制不合理導致的。首當其衝的是高併發下的高延遲服務，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，就是讓我們的請求儘可能消耗，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，當上遊超時已經返回給用戶後，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禦性的編程，讓它儘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餘來處理請求。
另外，在進程內可能會有一些邏輯計算，我們通常認爲這種時間比較少，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，爲什麼要做這個?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，然後利用配額繼續傳遞，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，我們需要儘可能避免過載。因爲節點一個接一個掛了的話，最終服務會雪崩，有可能機羣都會跟着宕掉，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 對服務出現高流量併發請求時進行管控，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，在微服務內儘可能做退避，儘可能要考慮到重試放大的流量倍數對下游的衝擊。
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，這樣產生的流量衝擊，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爲一些變更導致的，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爲應該要進行懲罰，儘管是對事不對人，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麼表現?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後，繼續加壓，積極拒絕，然後結合熔斷的話，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、重啓、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，騰訊雲最具價值專家(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，微服務日誌收集，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，分佈式 IM 長連接廣播服務;https://github.com/Terry-Mao/bfs，分佈式小文件存儲。