微服務架構如何保障雙11狂歡下的99.99%高可用
歡迎關注個人微訊號：石杉的架構筆記（id：shishan100）
週一至週五早8點半！精品技術文章準時送上！
往期文章
目錄
一、概述
二、業務場景
三、線上經驗—如何設定Hystrix執行緒池大小
四、線上經驗—如何設定請求超時時間
五、問題解決
六、總結
一、概述
上一篇文章講了一個朋友公司使用Spring Cloud架構遇到問題的一個真實案例，雖然不是什麼大的技術問題，但如果對一些東西理解的不深刻，還真會犯一些錯誤。
如果沒看過這篇的朋友，建議先看看：【雙11狂歡的背後】微服務註冊中心如何承載大型系統的千萬級訪問？ 因為本文的案例背景會基於上一篇文章。
這篇文章我們來聊聊在微服務架構中，到底如何保證整套系統的高可用？
其實排除掉一些基礎設施的故障，比如說Redis叢集掛了，Elasticsearch叢集故障了，MySQL宕機了。
微服務架構自己本身最最核心的保障高可用的措施，就是兩個：
一個是基於Hystrix做資源隔離以及熔斷；
另一個是做備用降級方案。
如果資源隔離和降級都做的很完善，那麼在比如雙11的這種高併發場景下，雖然可能會出現個別的服務故障，但是絕對是不會蔓延到整個系統全部宕機的。
這裡大家如果忘了如何基於hystrix做資源隔離、熔斷以及降級的話，可以回顧一下文章：《 拜託！面試請不要再問我Spring Cloud底層原理 》
二、業務場景
好的，那我們這就來深入的分析一下，在實際生產系統中，hystrix的執行緒池以及超時時間，這兩個引數應該如何根據系統的負載設定到最佳的狀態？
大家首先回顧下面這張圖，這是上篇文章中說到的一個公司的系統。
核心服務A呼叫了核心服務B和C，在核心服務B響應過慢時，會導致核心服務A的某個執行緒池全部卡死。
但是此時因為你用了hystrix做了資源隔離，所以核心服務A是可以正常呼叫服務C的，那麼就可以保證使用者起碼是可以使用APP的部分功能的，只不過跟服務B關聯的頁面刷不出來，功能無法使用罷了。
當然這種情況在生產系統中，是絕對不被允許的，所以大家千萬讓上述情況發生。
在上一篇文章中，我們最終把系統優化成了下圖這樣，要保證一個hystrix執行緒池可以輕鬆處理每秒鐘的請求，同時還有合理的超時時間設定，避免請求太慢卡死執行緒。
三、線上經驗—如何設定Hystrix執行緒池大小
好，現在問題來了，在生產環境中，我們到底應該如何設定服務中每個hystrix執行緒池的大小，以及如何設定超時時間呢？
下面就是我們線上大量系統優化後的生產經驗總結：
假設你的服務A，每秒鐘會接收30個請求，同時會向服務B發起30個請求，然後每個請求的響應時長經驗值大概在200ms，那麼你的hystrix執行緒池需要多少個執行緒呢？
計算公式是：30（每秒請求數量） * 0.2（每個請求的處理秒數） + 4（給點緩衝buffer） = 10（執行緒數量）。
如果大家對上述公式存在疑問，不妨反過來推算一下，為什麼10個執行緒可以輕鬆抗住每秒30個請求？
一個執行緒200毫秒可以執行完一個請求，那麼一個執行緒1秒可以執行5個請求，理論上，只要6個執行緒，每秒就可以執行30個請求。
也就是說，執行緒裡的10個執行緒中，就6個執行緒足以抗住每秒30個請求了。剩下4個執行緒都在玩兒，空閒著。
那為啥要多搞4個執行緒呢？很簡單，因為你要留一點buffer空間。
萬一在系統高峰期，系統性能略有下降，此時不少請求都耗費了300多毫秒才執行完，那麼一個執行緒每秒只能處理3個請求了，10個執行緒剛剛好勉強可以hold住每秒30個請求。所以你必須多考慮留幾個執行緒。
老規矩，給大家來一張圖，直觀的感受一下。
四、線上經驗—如何設定請求超時時間
接著來，那麼請求的超時時間設定為多少？答案是300毫秒。
為啥呢？很簡單啊，兄弟！如果你的超時時間設定成了500毫秒，想想可能會有什麼後果？
考慮極端情況，如果服務B響應變慢，要500毫秒才響應，你一個執行緒每秒最多隻能處理2個請求了，10個執行緒只能處理20個請求。
而每秒是30個請求過來，結局會如何？咱們回看一下第一張圖就知道了，大量的執行緒會全部卡死，來不及處理那麼多請求，最後使用者會刷不出來頁面。
還是有點不理解？再給你一張圖，讓你感受一下這個不合理的超時時間導致的問題！
如果你的執行緒池大小和超時時間沒有配合著設定好，很可能會導致服務B短暫的效能波動，瞬間導致服務A的執行緒池卡死，裡面的執行緒要卡頓一段時間才能繼續執行下一個請求。
哪怕服務B的介面效能恢復到200毫秒以內了，服務A的執行緒池裡卡死的狀況也要好一會兒才能恢復過來。你的超時時間不合理的設定的越長，比如設定1秒、2秒，那麼這種卡死的情況就需要越長的時間來恢復。
所以說，此時你的超時時間就得設定成300毫秒，保證一個請求300毫秒內執行不完，立馬超時返回。
這樣執行緒池裡的執行緒不會長時間卡死，可以有條不紊的處理多出來的請求，大不了就是300毫秒內處理不完立即超時返回，但是執行緒始終保持可以執行的狀態。
這樣當服務B的介面效能恢復到200毫秒以內了，服務A的執行緒池裡的執行緒很快就可以恢復。
這就是生產系統上的hystrix引數設定優化經驗，你必須考慮到各種引數應該如何設定。
否則的話，很可能會出現上文那樣的情況，用了高大上的Spring Cloud，結果跟黑盒子一樣，莫名其妙系統故障，各種卡死，宕機什麼的。
五、問題解決
好了，我們繼續。如果現在這套系統每秒有6000請求，然後核心服務A一共部署了60臺機器，每臺機器就是每秒會收到100個請求，那麼此時你的執行緒池需要多少個執行緒？
很簡單了，10個執行緒抗30個請求，30個執行緒抗100請求，差不多了吧。
這個時候，你知道你的服務A的執行緒池，呼叫服務B的那個執行緒池，應該分配多少執行緒了吧？超時時間如何設定應該也知道了！
其實這個東西不是固定死的，但是你要知道他的計算方法，根據服務的響應時間、系統高峰QPS、有多少臺機器，來計算出來，執行緒池的大小以及超時時間！
設定完這些之後，就應該要考慮服務降級的事情了。
如果你的某個服務掛了，那麼你的hystrix會走熔斷器，然後就會降級，你需要考慮到各個服務的降級邏輯。
舉一些常見的例子：
如果查詢資料的服務掛了，你可以查本地的快取
如果寫入資料的服務掛了，你可以先把這個寫入操作記錄日誌到比如mysql裡，或者寫入MQ裡，後面再慢慢恢復
如果redis掛了，你可以查mysql
如果mysql掛了，你可以把操作日誌記錄到es裡去，後面再慢慢恢復資料。
具體用什麼降級策略，要根據業務來定，不是一成不變的。
六、總結
總結一下，排除那些基礎設施的故障，你要玩兒微服務架構的話，需要保證兩點：
首先你的hystrix資源隔離以及超時這塊，必須設定合理的引數，避免高峰期，頻繁的hystrix執行緒卡死
其次，針對個別的服務故障，要設定合理的降級策略，保證各個服務掛了，可以合理的降級，系統整體可用！
如有收穫，請幫忙轉發，您的鼓勵是作者最大的動力，謝謝！
一大波微服務、分散式、高併發、高可用的原創系列文章正在路上：
《兄弟，用大白話告訴你小白都能看懂的Hadoop架構原理》，敬請期待
《大規模叢集下Hadoop的NameNode如何承載高併發訪問》，敬請期待
歡迎掃描下方二維碼，持續關注：
石杉的架構筆記（id:shishan100）
十餘年BAT架構經驗傾囊相授