高性能高并发系统的稳定性保障

作者：肖飞，于2011年8月份加入京东，曾亲身参与到京东的应用性能监控、统一日志、流式计算、内存缓存、四层防攻击等一些基础技术平台的研发和搭建工作，经历了京东的技术系统从简单粗放向复杂精细化的演变过程。目前主要工作为多中心交易项目中的数据复制中间件JingoBUS的研发。平时也会开发一些公共的平台和工具，关注分布式系统的实现、程序设计、性能优化、开发语言等。

　　性能、并发、稳定性三者关系

• 高性能：高吞吐量、低延时

• 公式：吞吐量（并发）=单位时间/平均延时

• N-th% Latency：TP99, TP999

• 稳定性：低延时的稳定性标准为TP99/TP999是隐含的必要条件；系统的稳定性标准：高+可用；用户标准

　　吞吐量：QPS， TPS，OPS等等，并发。并不是越高越好，需要考虑TP99。用户角度：系统是个黑盒，复杂系统中的任何一环到会导致稳定性问题。SLA：在某种吞吐量下能提供TP99为n毫秒的服务能力。降低延时，会提高吞吐量，但是延时的考核是TP99这样的稳定的延时。

　　如何改善延时

　　你应该知道如下表格

　　

　　原文：http://www.eecs.berkeley.edu/~rcs/research/interactive_latency.html

　　JeffDean

　　Disk random read IOPS:

　　IOPS = 1000 / (4 + 60000/7200/2) = 122

　　IOPS = 1000 / (4 + 60000/10000/2) = 142

　　IOPS = 1000 / (4 + 60000/15000/2) = 166

　　SSD random read IOPS:

　　IOPS = 1000000/16=62500

　　数字的启示

• 高速缓存的威力；

• 线程切换代价cache miss

• 顺序写优于随机写

• 局域网络快于本地HDD

• 大块读优于小块读

• SSD解决随机读写

• 跨地域IDC网络是最大的延时

　　策略

• 关键路径：“28原则”（20%的代码影响了80%的性能问题，抓重点）、“过早优化是万恶之源”。不同解读；

• 优化代码：空间换时间：各级缓存；时间换空间：比如传输压缩，解决网络传输的瓶颈；多核并行：减少锁竞争；lesscode；各类语言、框架、库的trick；算法+数据结构，保持代码的清晰、可读、可维护和扩展；

• 通过性能测试和监控找出瓶颈

　　metric

　　

　　原文：http://www.vpsee.com/2014/09/linux-performance-tools/

　　通过性能测试和监控：

• 单系统operf/jprofiler etc；

• Java的一系列工具：jstat, jstack, jmap, jvisualvm,HeapAnalyzer, mat

• 分布式跟踪系统：Dapper，鹰眼等

　　benchmark

　　

　　原文：http://www.vpsee.com/2014/09/linux-performance-tools/

　　微观

• 内存分配

　　吞吐量和利用率的权衡

　　显式分配器：jemalloc/tcmalloc代替默认的ptmalloc

　　隐式分配器：JVM GC的各种调优

　　是否使用hugepagen预分配和重用：Netty的Pooled ByteBuf

　　减少拷贝：new ArrayList(int), new StringBuilder(int)

　　内存分配器利用率：减少内部或外部碎片；Page Table（页表）， TLB（页表寄存器缓冲），减少TLB miss,pin cache。增加COW的开销, 与内存分配器的实现冲突。JVM的GC调优是很多Java应用的关注重点。

• 减少系统调用

　　批处理: buffer io，pipeline

　　使用用户态的等价函数: gettimeofday ->clock_gettime

　　减少锁竞争

　　RWMutex

　　CAS

　　Thread local

　　最小化锁范围

　　最小化状态，不变类

　　批处理增加了内存拷贝的开销，但是减少了系统调用开销，减少了上下文切换的影响。bufferio的例子：日志、网络读写。pipeline的例子：redis。

• 减少上下文切换

　　触发：中断、系统调用、时间片耗尽、IO阻塞等

　　危害：L1/L2 Cache Missing，上下文保存/恢复

　　单线程：基于状态机redis和Master/Worker的nginx

　　CPU亲和性绑定

　　ThreadPool的配置，不同任务类型不同的ThreadPool

　　几个例子：1、docker中线程池大小的核数自动设定；2、CPU节能模式；3、CENTOS-7.1内核BUG。

• 网络

　　内核TCP Tuning参数和SocketOption：net.ipv4.tcp_*

　　TCP Socket连接池

　　网络I/O模型

　　传输压缩

　　编解码效率

　　超时、心跳和重试机制

　　网卡：多队列中断CPU绑定；增加带宽：万兆、Bonding；Offload特性：ethtool -k eth0；UIO Driver: DPDK

　　连接池：减少握手、减少服务端session创建消耗。网络I/O模型：BIO、Non-Blocking IO、AIO；select/poll、epoll/kqueue、aio；netty使用nativetransport。Offload特性：ethtool-k eth0。 将数据包分组、重组、chksum等从内核层放到硬件层做。

　　如何提高吞吐量

　　改善和降低单机的延时，一般就能提高我们的吞吐量。从集群化上讲，因素就比较多。

　　宏观

• 提升系统扩展能力

• 应用的无状态架构

• 缓存/存储的集群架构：冗余复制（负载均衡、异构解除系统依赖）；分布式（数据sharding , 副本，路由，数据一致性）；切换

• 微服务/SOA

• 扩容

• 异步化

• 缓存

复制

• 通过复制提高读吞吐量、容灾、异构

• 通过数据分片，提高写吞吐量

• 程序双写：一致性难以控制，逻辑复杂，幂等性要求。完全把控复制和切换时机。异构系统唯一选择。 同步双写（数据一致性高，影响性能，不适合多个复制集）；异步双写（数据一致性差，性能高，适合多个复制集）；CDC[Change Data Capture]（canal,databus等）

• 底层存储复制机制：一致性由底层控制，对应用端透明。程序和底层存储配合切换

扩容

• 每年大促前的核心工作：该扩容了吗？现状分析；扩容规划（关键系统峰值20倍吞吐量）；扩容依据（架构梳理、线上压测）；

• 扩容checklist：前（部署、DB授权....）；后（配置更新、LB更新、接入日志、接入监控....）

• 应用扩容、数据扩容、写扩容、读扩容

• 垂直扩容：加内存、升级SSD、更换硬件。数据复制、切换

• 水平扩容：数据迁移或初始化

　　现状分析：去年双十一到目前，峰值时的性能数据；软硬件性能指标；数据存储容量。

　　扩容规划；流量规划：核心系统20倍吞吐量；数据增长量规划；扩容依据；架构梳理；线上压测。

　　读扩容比写扩容难；读写分离。

　　异步化

• 解耦利器

• 削峰填谷

• 页面异步化

• 系统异步化

• JMQ

• 状态机（worker）+DB

• 本地队列

• 集中式缓存队列

　　本地内存队列：实时价格回源服务响应之后，通过BlockingQueue异步更新前端缓存。本地日志队列：库存预占。集中式缓存队列：商品变更任务下发系统。

　　异步化的一些例子：

　　1、操作系统内核的高速缓存队列，磁盘延迟刷盘；

　　2、mysql数据库复制、redis复制；

　　异步化需要注意的是：

　　1、任务要落地；

　　2、不可避免的重复执行，需要幂等；

　　3、是否需要保证顺序、如何保证顺序。

　　缓存

• 久经考验的局部性原理

• 多级缓存：浏览器browser cache、cdn、nginx本地redis缓存、本地JVM缓存、集中式缓存...

• 缓存前置：2/8原则、单品页、实时价格、库存状态

• 一致性、延迟权衡

• 缓存主节点负责写，和最重要的校验

• 通过CDC监听数据库binlog主动更新缓存

• CPU不是瓶颈，网络才是

• 优化编码，减少尺寸

• 优化操作

• 优化拓扑

　　如何保障稳定性

　　宏观

• 提高可用性

• 分组和隔离

• 限流

• 降级

• 监控和故障切换

　　可用性

• 可用性衡量指标：几个9

• 可用性度量：A = MTBF / (MTBF + MTTR)

• 减少故障、加长可用时间

• 减少故障修复时间（发现、定位、解决）

• 冗余复制、灾备切换，高可用的不二法门

• 如何快速切换？

• 切换的影响

• 监控、ThoubleShooting、软件质量的影响

　　可行性指标：999,一周10分钟；9999，一周1分钟不可用。可用性：从客户角度。可用性度量：A = MTBF / (MTBF + MTTR) ，其中MTBF表示mean time betweenfailures，而MTTR表示maximum time to repair or resolve。

　　高可用行性的成本和收益，好钢用在刀刃上。

　　如何快速切换：有可以切换的？可以不重启应用么？ 操作快捷么？演练过么？

　　切换的影响：切换目标资源能否承受新增的压力；切换是否影响状态（数据的一致性、丢失问题）。

　　监控到位、即时，减少故障发现时间；监控全面，增加故障分析时可以参考的数据。

　　troubleshooting的能力，踩坑的精力， COE，问题本质、根源的追查。

　　软件质量：编码是否健壮、（异常处理、防御性、2/8原则）超时处理、日志是否全面合理、线程名称等等。

　　测试：case是否全面、自动回归。

　　上线：是否灰度：N+1, N+2；回滚方案、数据回滚。

　　分组和隔离

• 网络流量隔离：大数据单独部署，QOS；

• 业务系统隔离：秒杀系统独立出主交易；

• 流量分组：对使用者按照重要程度、请求量、SLA要求等因素分级

• 存储的分组：按照使用者重要程度、实时性要求等因素，将数据库的复制集分组

　　传统世界的例子：道路被划分为高速道路、自行道、人行道等，各行其道。

　　流量分组

　　举例：商品基础信息读服务。对使用者按照重要程度、请求量、SLA要求等因素分级，将服务实例和存储分组：交易、生产、网站、移动、promise、ERP...

　　读写分离

　　举例：商品主数据服务。按照使用者重要程度、实时性要求等因素，将数据库分组：ERP、POP、网站、大数据平台...

　　限流

• 限流原则：影响到用户体验，谨慎使用

• 区分正常流量和超预期流量：限流标准来自压力测试、折算

• 读少限，写多限

• 客户端配合限流

• 不同分组的限流阈值

• 各层限流手段

　　前置限流，快速失败：比如通过提供给调用方的JSF客户端，封装限流逻辑。

　　Nginx层限流：自主研发的模块；几个规则：账户，IP，系统调用流程。

　　应用限流：减少并发数线程数；读少限，写多限；DB限流；连接数。

　　降级

• 保证用户的核心需求

• 降级需要有预案和开关：确定系统和功能级别，是否可降，影响如何；降级需要有开关

• 非关键业务屏蔽：购物车的库存状态

• 业务功能模块降级：实时价格更新不及时；peking库，保订单管道、生产，暂停统计相关

• 数据降级：动态降级到静态；远程服务降级到本地缓存：采销岗服务

　　监控和切换

• 无所不在的监控：网络流量；操作系统指标；服务接口调用量、TP99、错误率...；日志；业务量变化；太多监控了，如何提高监控的质量

• 切换：切换开关；成熟的流程可自动化；数据的重要性、一致性，要求强一致的，可以人工介入；系统的指标没法判断、监控点不全的，需人工判断决定

　　review

　　

　　Nginx层限流：自主研发的模块；几个规则：账户，IP，系统调用流程。

　　应用限流：减少并发数线程数；读少限，写多限；DB限流；连接数。

　　如何验证性能和稳定性

• 线上压测：两类压力测试场景（读业务压测、写业务压测）；压力测试方案（从集群中缩减服务器、复制流量、模拟流量、憋单）

• 全流程演练：降级、切换等

　　读业务压力测试：是将线上业务隔离后,压测至系统临界点,通过分析系统在临界点时软硬件指标定位系统短板并优化。

　　写逻辑压力测试,如果数据具有不可恢复性,一定要提前做好数据隔离保护,如订单号压测,为避免影响线上业务,压测前后都要做好“跳号”以隔离线上数据。

　　从集群中缩减服务器。加大单台服务器的压力。大概估算出正常的集群规模能够承载的流量。

　　复制流量。主要通过 Tcpcopy 复制端口流量,多层翻倍放大流。

　　模拟流量。模拟流量主要脚本攻击工具和压测工具结合,主要用ab,siege,webbench,loadruner通过多台机器压测。分机房,按分支进行压测。

　　憋单。主要针对后续的订单生产系统压测。通过在管道积压一批订单,然后快速释放,形成对后续生产系统持续快速的冲击,达到压测的目的。

【扩展阅读】千万级规模高性能、高并发的网络架构经验分享 - 张善友 - 博客园 http://www.cnblogs.com/shanyou/p/5048099.html