作者：京東零售 劉慧卿
一 前言
關於軟件的高可用，是一個老生常談的話題。“高可用性”（High Availability）通常來描述一個系統經過專門的設計，從而減少停工時間，而保持其服務的高度可用性。其計算公式是：可用率=（總時間-不可用時間）/總時間。
本文重點從落地實踐的視角作爲切入點，帶領大家從協作效率，技術落地和運營規範幾個方面來展現高可用的實施步驟和落地細節。爲了方便理解，先來統一語言話術，看一下軟件交付過程中的各個階段，如下圖：
爲什麼說軟件的高可用會面臨着諸多挑戰呢？
◦
從需求交付鏈路來看，要完成目標交付，需要產品，研發，測試，運維，運營等多方利益相關者的密切配合。有些項目需求，合作者有時能夠達到上百人，每個人職責分工各不相同，但卻相互配合依賴，任何一個環節出現紕漏，可用率就有可能受到影響；
◦
從時間角度來看，如果要達到全年99.99%的可用率，就意味着一年當中，允許有故障的時間爲：365*24*60*（100%-99.99%）=52分鐘，如果要達到5個9的可用率，允許故障的時間僅爲5分鐘，這差不多是我們發現問題後，重啓應用的耗時；
◦
從迭代效率來看，不迭代，不上線，問題出現的概率一定會小很多。軟件的迭代效率和可用率之間存在着負相關的關係，平衡好兩者之間的關係，也會面臨着不小的挑戰。
總結一下，我們具體面臨的問題如下：
◦
如何解決需求交付相關協作者多，鏈路長的問題？
◦
如何應對故障時間容忍度低的問題？
◦
如何在頻繁需求迭代的現狀下，保持可用率不受到大的衝擊問題？
二 協作效率保障
認知誤區
從整個需求交付鏈路我們可以發現，隨着鏈路的逐級遞增，信息的傳遞鏈路分支就會越多，傳遞層級就會越深。這會導致兩個問題：
1.
信息傳遞效率降低；
2.
信息準確性變差。
這兩個問題最終導致的結果，就是協作效率的降低。
一個沒有實戰經驗的同學往往會認爲增加人數，就會提高需求交付效率。其實這種想法不完全正確，具體關係參考下圖：
這就像蓋樓房，如果一個人按部就班的建設，需要100天完成。如果請了100個人來幫忙，能否用1天的時間完成房子建設呢？答案是否定的。
這裏面有協作的成本，比如：團隊默契（設計師，瓦工，泥工，水電工），崗位匹配，風險控制；
這裏面有流程的依賴，比如：施工依賴於設計，軟裝總在硬裝之後；
這裏面有成本預算，比如：整個組織的人才梯度，規模大小（承建方，代理商，承包商）；
以上這些，都不是簡單的通過人力鋪設來解決的。
流程規範
提高協作效率的底層邏輯是通過減少交付鏈路層級，縮短信息傳遞鏈路，進而保證信息的準確性和傳遞效率。（組織建設層面的內容這裏不做展開）
這就要求具有今日事，今日畢的行動力。組織層面這叫流程規範，個人層面這叫做事方法，責任心。
儘量避免將當下的事情拖延到下一個環節，否則就會影響後續鏈路的排期計劃和交付效率，極端情況甚至會出現返工的情形。簡言之，考慮清楚，不埋坑。產品需求對研發，研發設計對測試，測試用例對產品等各個交付節點都是如此，交付物一定是靠譜的。
三 技術落地保障
在需求響應週期中，高質量的落實架構設計，編碼實現，安全上線，部署運營等生產階段，是軟件高可用落地保障的前提和基礎。
架構設計
架構設計往往影響着系統的前期實現成本（即ROI）和後續運維難度，屬於軟件的頂層設計，這裏面既包含宏觀的設計方案，也包含落地細節裏的範式約束。
•
流程保障
邀請架構師參與：核心交易節點、重大需求改動邀請架構師參與，這是閉坑最直接有效的方式；
重視設計文檔：方案描述清楚了，並取得相關利益者的認可，是走在正確道路上的前提。
•
設計保障
容災設計：要預留後路，提前想清楚，做好容災設計。可回滾，可熔斷，可重試，可降級。
魯棒性設計：無狀態設計，防重設計，冪等設計，數據一致性設計
編碼實現
如果說架構設計是骨架，那麼編碼實現就是神經，血管和肌肉。前者決定了能走多穩，走多久，後者決定着走多快，走多遠。落實到編碼層面，就是代碼的衰老腐敗程度。
•
流程規範
代碼評審機制：代碼評審不僅僅是發現系統中存在的問題這麼簡單。它是一種長期行爲，是進行組織文化貫徹和傳承的一種形式和載體。評審的過程中，明確了業務職責邊界，設計與編碼共識，優秀的標準導向等研發共識。相當於通過具象化的案例，給出針對性的指導，這些都是保證團隊戰鬥力的基石。
研發過程中的很多問題，通過代碼評審機制可以被發現和解決，比如：
◦
如何對待臨時需求的設計與實現？
◦
如何看待“Hello World!”的N中寫法？
◦
如何理解設計模式和過度設計的邊界？
◦
如何評價當前階段的交付物？
◦
是否有必要引入單元測試？
•
編碼規範
◦
有沒有對錯誤進行處理？對於調用的外部服務，是否檢查了返回值或處理了異常？
◦
設計是否遵從已知的設計模式或項目中常用的模式？
◦
開發者新寫的代碼能否用已有的SDK/Framework中的功能實現？在本項目中是否存在類似的功能可以調用而不用全部重新實現？
◦
工程中是否引入了無用的，功能重複的，不同版本的jar包依賴？（json類庫，各種utils）
◦
有沒有無用的代碼可以清除？
◦
代碼可讀性如何？有沒有足夠的註釋？
◦
參數傳遞有無錯誤，有沒有使用斷言（Assert）或判斷來保證我們認爲不變的條件真的得到滿足？
◦
邊界條件是如何處理的？ switch語句的default分支是如何處理的？循環有沒有可能出現死循環？
◦
對資源的利用，是在哪裏申請，在哪裏釋放的？有無可能存在資源泄漏（包括超時時間，內存、文件、對象引用，大對象，線程數等）？有沒有優化的空間？
◦
代碼的效能如何？最壞的情況是怎樣的？
◦
代碼中，特別是循環中是否有明顯可優化的部分（string的操作是否能用StringBuilder來優化）？
◦
對於系統和網絡的調用是否會超時？如何處理?
◦
代碼是否易於測試（方法行數，圈複雜度，出入參定義是否合理）？
◦
改動是否影響到舊版本、歷史數據、上游能否兼容？
◦
接口設計是否有考慮冪等、併發、越權，降級等問題？
◦
是否存在緩存、數據庫性能問題以及多數據源數據一致性的問題？
◦
上線方案是否考慮了灰度方案，數據狀態不一致問題？
安全上線
線上70%的故障都是由某種變更而觸發的，其中相當一部分佔比是不規範的上線引起的。所以安全上線這一環節至關重要。
•
流程規範
◦
嚴禁頻繁上線：比如，每週不大於2次；
◦
嚴禁高峯期上線：降低問題影響範圍；
◦
嚴禁私自上線：有改動，必須通過測試驗證，產品迴歸確認；
•
過程規範
◦
摘流量：選擇第一批機器jsf下線/np摘流量(選爲冷備)；
◦
看日誌：觀察日誌確認摘除機器無流量；
◦
服務預熱：確認機器啓動成功，核心業務接口需要接口預熱；
◦
掛流量：掛載上線機器流量；
◦
看指標：觀察上線機器mdc指標是否異常(cpu、內存、負載)、日誌是否有異常
部署運營
實現高可用的一個很重要的手段就是能力冗餘。下面給出方向和思路，具體落地細節和策略，可以根據具體情況各自延展。
•
網絡
◦
運營商層面，聯通，電信，移動等；
◦
鏈路節點方面，VIP，CDN，路由器/交換機，反向代理，客戶端，瀏覽器等；
•
存儲
◦
無論是數據庫主從架構，還是ES的副本架構，都是實現存儲高可用的手段，重要數據要利用好相關特性；
◦
在進行數據結構設計時，同樣也需要做好分流策略，容量規劃，數據拆分或異構。比如：避免緩存熱key，數據庫表吞吐量瓶頸，數據庫連接數限制等各種影響高可用的問題出現。
•
服務
◦
橫向擴容：服務要保證可以通過添加資源的方式進行能力擴容，這一點非常重要；
◦
服務分組：按照業務方或使用場景，對服務進行不同粒度的隔離，防止極端情況導致服務相互影響；
◦
極限策略：主要是一些極端異常情況下的防禦策略，目的是意外發生後，儘量保持服務的可靠性。比如：限流，熔斷，重試，快速失敗等；
◦
灰度策略：新功能上線，往往是最容易出現問題的時候，擁有成熟的流量灰度能力，是控制問題影響範圍的關鍵；
四 運營規範保障
運營規範
1.
可監控：系統運行狀況
2.
可報警：異常情況能夠通知到系統相關人員
3.
可定位：出現問題後，能夠快速定位問題原因
4.
可修復：出現異常情況，能夠在第一時間進行問題修復；
應急預案
高可用意味着對故障時間的容忍性差，意味着沒有時間進行故障排查和修復，更沒有時間打開代碼進行漏洞排查。這就要求我們有一套完備的應急預案，這套預案能夠解決大部分可預見的故障問題。
•
流程規範
◦
恢復生產第一；
◦
排查問題第二；
詳細事故應急處理手冊，可以參照下圖：
•
過程規範
◦
網絡，服務，存儲分三個維度制定對應方案，並將應急預案清單（文件名：checklist）填寫到自己的代碼庫中，保持內容傳承和更新；
◦
可預見性，即問題觸發場景要寫清楚。舉例：按照當前進度（1萬/天），隨着數據庫數據的增加，預計10個月後，數據庫表（xxx表名）會出現慢查詢；
◦
可執行性，能夠消除問題的解決方案。舉例：啓動歷史數據歸檔任務（xxxWorker），將歷史數據進行轉移到歸檔數據庫中；
規範達標
再好的流程和規範都需要有對應的機制來貫徹執行，否則就是鏡中花，水中月，看着美好，實則沒用。可執行，能度量，是按照目標變好的前提。所以這裏給出一個《高可用達標定期自查表》的工具，輔助規範落地。
![]()
![]()
五 總結
本文從“高可用爲什麼存在着很大挑戰？”的問題展開探討，強調了需求交付過程中，協作效率的重要性，並指出了爲什麼要遵從“今日事，今日畢”的工作原則。又從架構設計，編碼實現，安全上線，部署運營等幾個方面，詳細介紹了技術落地保障相關的指導規範和落地細節。最後又從上線後運營的角度，給出了應急預案三板斧，規範達標定期自查表等比較實用的運營保障工具。希望能夠給讀者帶來幫助。
