十幾億用戶中心系統(tǒng)，ES+Redis+MySQL架構(gòu)輕松搞定

雙中心ES主備集群做到這一步，感覺應(yīng)該沒啥大問題了，但去年的一次恐怖流量沖擊讓我們改變了想法。那是一個(gè)節(jié)假日，某個(gè)業(yè)務(wù)上線了一個(gè)營(yíng)銷活動(dòng)，在用戶的一次請(qǐng)求中，循環(huán)10多次調(diào)用了會(huì)員系統(tǒng)，導(dǎo)致會(huì)員系統(tǒng)的tps暴漲，差點(diǎn)把ES集群打爆。這件事讓我們后怕不已，它讓我們意識(shí)到，一定要對(duì)調(diào)用方進(jìn)行優(yōu)先級(jí)分類，實(shí)施更精細(xì)的隔離、熔斷、降級(jí)、限流策略。首先，我們梳理了所有調(diào)用方，分出兩大類請(qǐng)求類型。第一類是跟用戶的下單主流程密切相關(guān)的請(qǐng)求，這類請(qǐng)求非常重要，應(yīng)該高優(yōu)先級(jí)保障。第二類是營(yíng)銷活動(dòng)相關(guān)的，這類請(qǐng)求有個(gè)特點(diǎn)，他們的請(qǐng)求量很大，tps很高，但不影響下單主流程。基于此，我們又構(gòu)建了一個(gè)ES集群，專門用來應(yīng)對(duì)高tps的營(yíng)銷秒殺類請(qǐng)求，這樣就跟ES主集群隔離開來，不會(huì)因?yàn)槟硞€(gè)營(yíng)銷活動(dòng)的流量沖擊而影響用戶的下單主流程。如下圖所示：

講完了ES的雙中心主備集群高可用架構(gòu)，接下來我們深入講解一下ES主集群的優(yōu)化工作。有一段時(shí)間，我們特別痛苦，就是每到飯點(diǎn)，ES集群就開始報(bào)警，搞得每次吃飯都心慌慌的，生怕ES集群一個(gè)扛不住，就全公司炸鍋了。那為什么一到飯點(diǎn)就報(bào)警呢？因?yàn)榱髁勘容^大， 導(dǎo)致ES線程數(shù)飆高，cpu直往上竄，查詢耗時(shí)增加，并傳導(dǎo)給所有調(diào)用方，導(dǎo)致更大范圍的延時(shí)。那么如何解決這個(gè)問題呢？通過深入ES集群，我們發(fā)現(xiàn)了以下幾個(gè)問題：?

• ES負(fù)載不合理，熱點(diǎn)問題嚴(yán)重。ES主集群一共有幾十個(gè)節(jié)點(diǎn)，有的節(jié)點(diǎn)上部署的shard數(shù)偏多，有的節(jié)點(diǎn)部署的shard數(shù)很少，導(dǎo)致某些服務(wù)器的負(fù)載很高，每到流量高峰期，就經(jīng)常預(yù)警。

  
  

• ES線程池的大小設(shè)置得太高，導(dǎo)致cpu飆高。我們知道，設(shè)置ES的threadpool，一般將線程數(shù)設(shè)置為服務(wù)器的cpu核數(shù)，即使ES的查詢壓力很大，需要增加線程數(shù)，那最好也不要超過“cpu core * 3 / 2 + 1”。如果設(shè)置的線程數(shù)過多，會(huì)導(dǎo)致cpu在多個(gè)線程上下文之間頻繁來回切換，浪費(fèi)大量cpu資源。

  
  

• shard分配的內(nèi)存太大，100g，導(dǎo)致查詢變慢。我們知道，ES的索引要合理分配shard數(shù)，要控制一個(gè)shard的內(nèi)存大小在50g以內(nèi)。如果一個(gè)shard分配的內(nèi)存過大，會(huì)導(dǎo)致查詢變慢，耗時(shí)增加，嚴(yán)重拖累性能。

  
  

• string類型的字段設(shè)置了雙字段，既是text，又是keyword，導(dǎo)致存儲(chǔ)容量增大了一倍。會(huì)員信息的查詢不需要關(guān)聯(lián)度打分，直接根據(jù)keyword查詢就行，所以完全可以將text字段去掉，這樣就能節(jié)省很大一部分存儲(chǔ)空間，提升性能。

  
  

• ES查詢，使用filter，不使用query。因?yàn)閝uery會(huì)對(duì)搜索結(jié)果進(jìn)行相關(guān)度算分，比較耗cpu，而會(huì)員信息的查詢是不需要算分的，這部分的性能損耗完全可以避免。

  
  

• 節(jié)約ES算力，將ES的搜索結(jié)果排序放在會(huì)員系統(tǒng)的jvm內(nèi)存中進(jìn)行。

  
  

• 增加routing key。我們知道，一次ES查詢，會(huì)將請(qǐng)求分發(fā)給所有shard，等所有shard返回結(jié)果后再聚合數(shù)據(jù)，最后將結(jié)果返回給調(diào)用方。如果我們事先已經(jīng)知道數(shù)據(jù)分布在哪些shard上，那么就可以減少大量不必要的請(qǐng)求，提升查詢性能。

經(jīng)過以上優(yōu)化，成果非常顯著，ES集群的cpu大幅下降，查詢性能大幅提升。ES集群的cpu使用率：?

會(huì)員系統(tǒng)的接口耗時(shí)：

一直以來，會(huì)員系統(tǒng)是不做緩存的，原因主要有兩個(gè)：第一個(gè)，前面講的ES集群性能很好，秒并發(fā)3萬多，99線耗時(shí)5毫秒左右，已經(jīng)足夠應(yīng)付各種棘手的場(chǎng)景。第二個(gè)，有的業(yè)務(wù)對(duì)會(huì)員的綁定關(guān)系要求實(shí)時(shí)一致，而會(huì)員是一個(gè)發(fā)展了10多年的老系統(tǒng)，是一個(gè)由好多接口、好多系統(tǒng)組成的分布式系統(tǒng)。所以，只要有一個(gè)接口沒有考慮到位，沒有及時(shí)去更新緩存，就會(huì)導(dǎo)致臟數(shù)據(jù)，進(jìn)而引發(fā)一系列的問題，例如：用戶在APP上看不到微信訂單、APP和微信的會(huì)員等級(jí)、里程等沒合并、微信和APP無法交叉營(yíng)銷等等。那后來為什么又要做緩存呢？是因?yàn)榻衲隀C(jī)票的盲盒活動(dòng)，它帶來的瞬時(shí)并發(fā)太高了。雖然會(huì)員系統(tǒng)安然無恙，但還是有點(diǎn)心有余悸，穩(wěn)妥起見，最終還是決定實(shí)施緩存方案。

在做會(huì)員緩存方案的過程中，遇到一個(gè)ES引發(fā)的問題，該問題會(huì)導(dǎo)致緩存數(shù)據(jù)的不一致。我們知道，ES操作數(shù)據(jù)是近實(shí)時(shí)的，往ES新增一個(gè)Document，此時(shí)立即去查，是查不到的，需要等待1秒后才能查詢到。如下圖所示：

ES的近實(shí)時(shí)機(jī)制為什么會(huì)導(dǎo)致redis緩存數(shù)據(jù)不一致呢？具體來講，假設(shè)一個(gè)用戶注銷了自己的APP賬號(hào)，此時(shí)需要更新ES，刪除APP賬號(hào)和微信賬號(hào)的綁定關(guān)系。而ES的數(shù)據(jù)更新是近實(shí)時(shí)的，也就是說，1秒后你才能查詢到更新后的數(shù)據(jù)。而就在這1秒內(nèi)，有個(gè)請(qǐng)求來查詢?cè)撚脩舻臅?huì)員綁定關(guān)系，它先到redis緩存中查，發(fā)現(xiàn)沒有，然后到ES查，查到了，但查到的是更新前的舊數(shù)據(jù)。最后，該請(qǐng)求把查詢到的舊數(shù)據(jù)更新到redis緩存并返回。就這樣，1秒后，ES中該用戶的會(huì)員數(shù)據(jù)更新了，但redis緩存的數(shù)據(jù)還是舊數(shù)據(jù)，導(dǎo)致了redis緩存跟ES的數(shù)據(jù)不一致。如下圖所示：

面對(duì)該問題，如何解決呢？我們的思路是，在更新ES數(shù)據(jù)時(shí)，加一個(gè)2秒的redis分布式并發(fā)鎖，為了保證緩存數(shù)據(jù)的一致性，接著再刪除redis中該會(huì)員的緩存數(shù)據(jù)。如果此時(shí)有請(qǐng)求來查詢數(shù)據(jù)，先獲取分布式鎖，發(fā)現(xiàn)該會(huì)員ID已經(jīng)上鎖了，說明ES剛剛更新的數(shù)據(jù)尚未生效，那么此時(shí)查詢完數(shù)據(jù)后就不更新redis緩存了，直接返回，這樣就避免了緩存數(shù)據(jù)的不一致問題。如下圖所示：

上述方案，乍一看似乎沒什么問題了，但仔細(xì)分析，還是有可能導(dǎo)致緩存數(shù)據(jù)的不一致。例如，在更新請(qǐng)求加分布式鎖之前，恰好有一個(gè)查詢請(qǐng)求獲取分布式鎖，而此時(shí)是沒有鎖的，所以它可以繼續(xù)更新緩存。但就在他更新緩存之前，線程block了，此時(shí)更新請(qǐng)求來了，加了分布式鎖，并刪除了緩存。當(dāng)更新請(qǐng)求完成操作后，查詢請(qǐng)求的線程活過來了，此時(shí)它再執(zhí)行更新緩存，就把臟數(shù)據(jù)寫到緩存中了。發(fā)現(xiàn)沒有？主要的問題癥結(jié)就在于“刪除緩存”和“更新緩存”發(fā)生了并發(fā)沖突，只要將它們互斥，就能解決問題。如下圖所示：

實(shí)施了緩存方案后，經(jīng)統(tǒng)計(jì)，緩存命中率90%+，極大緩解了ES的壓力，會(huì)員系統(tǒng)整體性能得到了很大提升。

接下來，我們看一下如何保障Redis集群的高可用。如下圖所示：?

關(guān)于Redis集群的高可用，我們采用了雙中心多集群的模式。在機(jī)房A和機(jī)房B各部署一套R(shí)edis集群。更新緩存數(shù)據(jù)時(shí)，雙寫，只有兩個(gè)機(jī)房的redis集群都寫成功了，才返回成功。查詢緩存數(shù)據(jù)時(shí)，機(jī)房?jī)?nèi)就近查詢，降低延時(shí)。這樣，即使機(jī)房A整體故障，機(jī)房B還能提供完整的會(huì)員服務(wù)。

上述講到，全平臺(tái)會(huì)員的綁定關(guān)系數(shù)據(jù)存在ES，而會(huì)員的注冊(cè)明細(xì)數(shù)據(jù)存在關(guān)系型數(shù)據(jù)庫。最早，會(huì)員使用的數(shù)據(jù)庫是SqlServer，直到有一天，DBA找到我們說，單臺(tái)SqlServer數(shù)據(jù)庫已經(jīng)存儲(chǔ)了十多億的會(huì)員數(shù)據(jù)，服務(wù)器已達(dá)到物理極限，不能再擴(kuò)展了。按照現(xiàn)在的增長(zhǎng)趨勢(shì)，過不了多久，整個(gè)SqlServer數(shù)據(jù)庫就崩了。你想想，那是一種什么樣的災(zāi)難場(chǎng)景：會(huì)員數(shù)據(jù)庫崩了，會(huì)員系統(tǒng)就崩了；會(huì)員系統(tǒng)崩了，全公司所有業(yè)務(wù)線就崩了。想想就不寒而栗，酸爽無比，為此我們立刻開啟了遷移DB的工作。

經(jīng)過調(diào)研，我們選擇了雙中心分庫分表的MySql集群方案，如下圖所示：

會(huì)員一共有十多億的數(shù)據(jù)，我們把會(huì)員主庫分了1000多個(gè)分片，平分到每個(gè)分片大概百萬的量級(jí)，足夠使用了。MySql集群采用1主3從的架構(gòu)，主庫放在機(jī)房A，從庫放在機(jī)房B，兩個(gè)機(jī)房之間通過專線同步數(shù)據(jù)，延遲在1毫秒內(nèi)。會(huì)員系統(tǒng)通過DBRoute讀寫數(shù)據(jù)，寫數(shù)據(jù)都路由到master節(jié)點(diǎn)所在的機(jī)房A，讀數(shù)據(jù)都路由到本地機(jī)房，就近訪問，減少網(wǎng)絡(luò)延遲。這樣，采用雙中心的MySql集群架構(gòu)，極大提高了可用性，即使機(jī)房A整體都崩了，還可以將機(jī)房B的Slave升級(jí)為Master，繼續(xù)提供服務(wù)。

雙中心MySql集群搭建好后，我們進(jìn)行了壓測(cè)，測(cè)試下來，秒并發(fā)能達(dá)到2萬多，平均耗時(shí)在10毫秒內(nèi)，性能達(dá)標(biāo)。

接下來的工作，就是把會(huì)員系統(tǒng)的底層存儲(chǔ)從SqlServer切到MySql上，這是個(gè)風(fēng)險(xiǎn)極高的工作，主要有以下幾個(gè)難點(diǎn)：

• 會(huì)員系統(tǒng)是一刻都不能停機(jī)的，要在不停機(jī)的情況下完成SqlServer到MySql的切換，就像是在給高速行駛的汽車換輪子。

  
  

• 會(huì)員系統(tǒng)是由很多個(gè)系統(tǒng)和接口組成的，畢竟發(fā)展了10多年，由于歷史原因，遺留了大量老接口，邏輯錯(cuò)綜復(fù)雜。這么多系統(tǒng)，必須一個(gè)不落的全部梳理清楚，DAL層代碼必須重寫，而且不能出任何問題，否則將是災(zāi)難性的。

  
  

• 數(shù)據(jù)的遷移要做到無縫遷移，不僅是存量10多億數(shù)據(jù)的遷移，實(shí)時(shí)產(chǎn)生的數(shù)據(jù)也要無縫同步到mysql。另外，除了要保障數(shù)據(jù)同步的實(shí)時(shí)性，還要保證數(shù)據(jù)的正確性，以及SqlServer和MySql數(shù)據(jù)的一致性。

基于以上痛點(diǎn)，我們?cè)O(shè)計(jì)了“全量同步、增量同步、實(shí)時(shí)流量灰度切換”的技術(shù)方案。

首先，為了保證數(shù)據(jù)的無縫切換，采用實(shí)時(shí)雙寫的方案。因?yàn)闃I(yè)務(wù)邏輯的復(fù)雜，以及SqlServer和MySql的技術(shù)差異性，在雙寫mysql的過程中，不一定會(huì)寫成功，而一旦寫失敗，就會(huì)導(dǎo)致SqlServer和MySql的數(shù)據(jù)不一致，這是絕不允許的。所以，我們采取的策略是，在試運(yùn)行期間，主寫SqlServer，然后通過線程池異步寫MySql，如果寫失敗了，重試三次，如果依然失敗，則記日志，然后人工排查原因，解決后，繼續(xù)雙寫，直到運(yùn)行一段時(shí)間，沒有雙寫失敗的情況。通過上述策略，可以確保在絕大部分情況下，雙寫操作的正確性和穩(wěn)定性，即使在試運(yùn)行期間出現(xiàn)了SqlServer和MySql的數(shù)據(jù)不一致的情況，也可以基于SqlServer再次全量構(gòu)建出MySql的數(shù)據(jù)，因?yàn)槲覀冊(cè)谠O(shè)計(jì)雙寫策略時(shí)，會(huì)確保SqlServer一定能寫成功，也就是說，SqlServer中的數(shù)據(jù)是全量最完整、最正確的。如下圖所示：

?講完了雙寫，接下來我們看一下“讀數(shù)據(jù)”如何灰度。整體思路是，通過A/B平臺(tái)逐步灰度流量，剛開始100%的流量讀取SqlServer數(shù)據(jù)庫，然后逐步切流量讀取MySql數(shù)據(jù)庫，先1%，如果沒有問題，再逐步放流量，最終100%的流量都走M(jìn)ySql數(shù)據(jù)庫。在逐步灰度流量的過程中，需要有驗(yàn)證機(jī)制，只有驗(yàn)證沒問題了，才能進(jìn)一步放大流量。那么這個(gè)驗(yàn)證機(jī)制如何實(shí)施呢？方案是，在一次查詢請(qǐng)求里，通過異步線程，比較SqlServer和 MySql的查詢結(jié)果是否一致，如果不一致，記日志，再人工檢查不一致的原因，直到徹底解決不一致的問題后，再逐步灰度流量。如下圖所示：

所以，整體的實(shí)施流程如下：

首先，在一個(gè)夜黑風(fēng)高的深夜，流量最小的時(shí)候，完成SqlServer到MySql數(shù)據(jù)庫的全量數(shù)據(jù)同步。接著，開啟雙寫，此時(shí)，如果有用戶注冊(cè)，就會(huì)實(shí)時(shí)雙寫到兩個(gè)數(shù)據(jù)庫。那么，在全量同步和實(shí)時(shí)雙寫開啟之間，兩個(gè)數(shù)據(jù)庫還相差這段時(shí)間的數(shù)據(jù)，所以需要再次增量同步，把數(shù)據(jù)補(bǔ)充完整，以防數(shù)據(jù)的不一致。剩下的時(shí)間，就是各種日志監(jiān)控，看雙寫是否有問題，看數(shù)據(jù)比對(duì)是否一致等等。這段時(shí)間是耗時(shí)最長(zhǎng)的，也是最容易發(fā)生問題的，如果有的問題比較嚴(yán)重，導(dǎo)致數(shù)據(jù)不一致了，就需要從頭再來，再次基于SqlServer全量構(gòu)建MySql數(shù)據(jù)庫，然后重新灰度流量，直到最后，100%的流量全部灰度到MySql，此時(shí)就大功告成了，下線灰度邏輯，所有讀寫都切到MySql集群。

做到這一步，感覺會(huì)員主庫應(yīng)該沒問題了，可dal組件的一次嚴(yán)重故障改變了我們的想法。那次故障很恐怖，公司很多應(yīng)用連接不上數(shù)據(jù)庫了，創(chuàng)單量直線往下掉，這讓我們意識(shí)到，即使數(shù)據(jù)庫是好的，但dal組件異常，依然能讓會(huì)員系統(tǒng)掛掉。所以，我們?cè)俅萎悩?gòu)了會(huì)員主庫的數(shù)據(jù)源，雙寫數(shù)據(jù)到ES，如下所示：

如果dal組件故障或MySql數(shù)據(jù)庫掛了，可以把讀寫切到ES，等MySql恢復(fù)了，再把數(shù)據(jù)同步到MySql，最后把讀寫再切回到MySql數(shù)據(jù)庫。如下圖所示：

會(huì)員系統(tǒng)不僅僅要保證系統(tǒng)的穩(wěn)定和高可用，數(shù)據(jù)的精準(zhǔn)和正確也同樣重要。舉個(gè)例子，一個(gè)分布式并發(fā)故障，導(dǎo)致一名用戶的APP賬戶綁定了別人的微信小程序賬戶，這將會(huì)帶來非常惡劣的影響。首先，一旦這兩個(gè)賬號(hào)綁定了，那么這兩個(gè)用戶下的酒店、機(jī)票、火車票訂單是互相可以看到的。你想想，別人能看到你訂的酒店訂單，你火不火，會(huì)不會(huì)投訴？除了能看到別人的訂單，你還能操作訂單。例如，一個(gè)用戶在APP的訂單中心，看到了別人訂的機(jī)票訂單，他覺得不是自己的訂單，就把訂單取消了。這將會(huì)帶來非常嚴(yán)重的客訴，大家知道，機(jī)票退訂費(fèi)用是挺高的，這不僅影響了該用戶的正常出行，還導(dǎo)致了比較大的經(jīng)濟(jì)損失，非常糟糕。

針對(duì)這些異常會(huì)員賬號(hào)，我們進(jìn)行了詳細(xì)的梳理，通過非常復(fù)雜燒腦的邏輯識(shí)別出這些賬號(hào)，并對(duì)會(huì)員接口進(jìn)行了深度優(yōu)化治理，在代碼邏輯層堵住了相關(guān)漏洞，完成了異常會(huì)員的治理工作。如下圖所示：

任何一個(gè)系統(tǒng)，都不能保證百分之一百不出問題，所以我們要有面向失敗的設(shè)計(jì)，那就是更精細(xì)化的流控和降級(jí)策略。

熱點(diǎn)控制。針對(duì)黑產(chǎn)刷單的場(chǎng)景，同一個(gè)會(huì)員id會(huì)有大量重復(fù)的請(qǐng)求，形成熱點(diǎn)賬號(hào)，當(dāng)這些賬號(hào)的訪問超過設(shè)定閾值時(shí)，實(shí)施限流策略。

基于調(diào)用賬號(hào)的流控規(guī)則。這個(gè)策略主要是防止調(diào)用方的代碼bug導(dǎo)致的大流量。例如，調(diào)用方在一次用戶請(qǐng)求中，循環(huán)很多次來調(diào)用會(huì)員接口，導(dǎo)致會(huì)員系統(tǒng)流量暴增很多倍。所以，要針對(duì)每個(gè)調(diào)用賬號(hào)設(shè)置流控規(guī)則，當(dāng)超過閾值時(shí)，實(shí)施限流策略。

全局流控規(guī)則。我們會(huì)員系統(tǒng)能抗下tps 3萬多的秒并發(fā)請(qǐng)求量，如果此時(shí)，有個(gè)很恐怖的流量打過來，tps高達(dá)10萬，與其讓這波流量把會(huì)員數(shù)據(jù)庫、es全部打死，還不如把超過會(huì)員系統(tǒng)承受范圍之外的流量快速失敗，至少tps 3萬內(nèi)的會(huì)員請(qǐng)求能正常響應(yīng)，不會(huì)讓整個(gè)會(huì)員系統(tǒng)全部崩潰。

基于平均響應(yīng)時(shí)間的降級(jí)。會(huì)員接口也有依賴其他接口，當(dāng)調(diào)用其他接口的平均響應(yīng)時(shí)間超過閾值，進(jìn)入準(zhǔn)降級(jí)狀態(tài)。如果接下來 1s 內(nèi)進(jìn)入的請(qǐng)求，它們的平均響應(yīng)時(shí)間都持續(xù)超過閾值，那么在接下的時(shí)間窗口內(nèi)，自動(dòng)地熔斷。

基于異常數(shù)和異常比例的降級(jí)。當(dāng)會(huì)員接口依賴的其他接口發(fā)生異常，如果1分鐘內(nèi)的異常數(shù)超過閾值，或者每秒異常總數(shù)占通過量的比值超過閾值，進(jìn)入降級(jí)狀態(tài)，在接下的時(shí)間窗口之內(nèi)，自動(dòng)熔斷。

目前，我們最大的痛點(diǎn)是會(huì)員調(diào)用賬號(hào)的治理。公司內(nèi)，想要調(diào)用會(huì)員接口，必須申請(qǐng)一個(gè)調(diào)用賬號(hào)，我們會(huì)記錄該賬號(hào)的使用場(chǎng)景，并設(shè)置流控、降級(jí)策略的規(guī)則。但在實(shí)際使用的過程中，申請(qǐng)了該賬號(hào)的同事，可能異動(dòng)到其他部門了，此時(shí)他可能也會(huì)調(diào)用會(huì)員系統(tǒng)，為了省事，他不會(huì)再次申請(qǐng)會(huì)員賬號(hào)，而是直接沿用以前的賬號(hào)過來調(diào)用，這導(dǎo)致我們無法判斷一個(gè)會(huì)員賬號(hào)的具體使用場(chǎng)景是什么，也就無法實(shí)施更精細(xì)的流控和降級(jí)策略。所以，接下來，我們將會(huì)對(duì)所有調(diào)用賬號(hào)進(jìn)行一個(gè)個(gè)的梳理，這是個(gè)非常龐大且繁瑣的工作，但無路如何，硬著頭皮也要做好。

PS：如果覺得我的分享不錯(cuò)，歡迎大家隨手點(diǎn)贊、轉(zhuǎn)發(fā)、在看。