所謂高可用性指的是系統如何保證比較高的服務可用率，在出現故障時如何應對，包括及時發現、故障轉移、盡快從故障中恢復等等。本文主要以點評的交易系統的演進為主來描述如何做到高可用，并結合了一些自己的經驗。需要強調的是，高可用性只是一個結果，應該更多地關注迭代過程，關注業務發展。

可用性的理解

　　1.理解目標

　　業界高可用的目標是幾個9，對于每一個系統，要求是不一樣的。研發人員對所設計或者開發的系統，要知道用戶規模及使用場景，知道可用性的目標。比如，5個9的目標對應的是全年故障5分鐘。

　　2.拆解目標

　　幾個9的目標比較抽象，需要對目標進行合理的分解，可以分解成如下兩個子目標。

　　（1）頻率要低：減少出故障的次數

　　不出問題，一定是高可用的，但這是不可能的。系統越大、越復雜，只能盡量避免問題，通過系統設計、流程機制來減少出問題的概率。但如果經常出問題，后面恢復再快也是沒有用的。

　　（2）時間要快：縮短故障的恢復時間

　　故障出現時，不是解決或者定位到具體問題，而是快速恢復是***要務的，防止次生災害，問題擴大。這里就要求要站在業務角度思考，而不僅是技術角度思考。

　　下面，我們就按這兩個子目標來分別闡述。

　　頻率要低：減少出故障的次數

　　設計：根據業務變化不斷進行迭代

　　以點評交易系統的演進過程為例。

　　幼兒時期：2012年前

　　使命：滿足業務要求，快速上線。

　　因為2011年要快速地把團購產品推向市場，臨時從各個團隊抽取的人才，大部分對.NET更熟悉，所以使用.NET進行了***代的團購系統設計。畢竟滿足業務要求是***的，還沒有機會遇到可用性等質量問題。考慮比較簡單，即使都掛了，量也比較小，出現問題，重啟、擴容、回滾就解決問題了。

　　系統架構如下圖所示。

　　少年時期：垂直拆分(2012-2013)

　　使命：研發效率&故障隔離。

　　當2012年在團單量從千到萬量級變化，用戶每日的下單量也到了萬級時候，需要考慮的是迭代速度、研發效率。垂直拆分，有助于保持小而美的團隊，研發效率才能更高。另外一方面也需要將各個業務相互隔離，比如商品首頁的展示、商品詳情頁的展示，訂單、支付流程的穩定性要求不一樣。前面可以緩存，可以做靜態化來保證可用性，提供一些柔性體驗。后面支付系統做異地容災，比如我們除了南匯機房支付系統，在寶山機房也部署了，只是后來發現這個系統演進太快，沒有工具和機制保證雙機房更新，所以后來也不好使用了。

　　系統演進如下圖所示。服務垂直化了，但是數據沒有完整隔離開，服務之間還需要互相訪問非自己的數據。

　　青年時期：服務做小，不共享數據(2014-2015)

　　使命：支撐業務快速發展，提供高效、高可用的技術能力。

　　從2013年開始，Deal-service (商品系統)偶爾會因為某一次大流量(大促或者常規活動)而掛掉，每幾個月總有那么一次，基本上可用性就在3個9徘徊。這里訂單和支付系統很穩定，因為流量在商品詳情頁到訂單有一個轉化率，流量大了詳情頁就掛了，訂單也就沒有流量了。后來詳情頁的靜態化比較好了，能減少恢復的速度，能降級，但是Deal- service的各個系統依賴太深了，還是不能保證整體端到端的可用性。

　　所以，2014年對Deal-service做了很大的重構，大系統做小，把商品詳情系統拆成了無數小服務，比如庫存服務、價格服務、基礎數據服務等等。這下商品詳情頁的問題解決了，后面壓力就來了，訂單系統的壓力增大。2014年10月起，訂單系統、支付系統也啟動了全面微服務化，經過大約1年的實踐，訂單系統、促銷系統、支付系統這3個領域后面的服務總和都快上百個了，后面對應的數據庫20多個，這樣能支撐到每日訂單量***。

　　業務的增長在應用服務層面是可以擴容的，但是***的單點——數據庫是集中式的，這個階段我們主要是把應用的數據訪問在讀寫上分離，數據庫提供更多的從庫來解決讀的問題，但是寫入仍然是***的瓶頸(MySQL的讀可以擴展，而寫入QPS也就小2萬)。

　　這時系統演變成如下圖所示。這個架構大約能支撐QPS 3000左右的訂單量。

　　成年時期：水平拆分(2015至今)

　　使命：系統要能支撐大規模的促銷活動，訂單系統能支撐每秒幾萬的QPS，每日上千萬的訂單量。

　　2015年的917吃貨節，流量***峰，如果我們仍然是前面的技術架構，必然會掛掉。所以在917這個大促的前幾個月，我們就在訂單系統進行了架構升級和水平拆分，核心就是解決數據單點，把訂單表拆分成了1024張表，分布在32個數據庫，每個庫32張表。這樣在可見的未來都不用太擔心了。

　　雖然數據層的問題解決了，但是我們還是有些單點，比如我們用的消息隊列、網絡、機房等。舉幾個我過去曾經遇到的不容易碰到的可用性問題：

　　服務的網卡有一個壞了，沒有被監測到，后來發現另一個網卡也壞了，這樣服務就掛了。

　　我們使用 cache的時候發現可用性在高峰期非常低，后來發現這個cache服務器跟公司監控系統CAT服務器在一個機柜，高峰期的流量被CAT占了一大半，業務的網絡流量不夠了。

　　917大促的時候我們對消息隊列這個依賴的通道能力評估出現了偏差，也沒有備份方案，所以造成了一小部分的延遲。

　　這個時期系統演進為下圖這樣：

　　未來：思路仍然是大系統做小，基礎通道做大，流量分塊

　　大系統做小，就是把復雜系統拆成單一職責系統，并從單機、主備、集群、異地等架構方向擴展。

　　基礎通道做大就是把基礎通信框架、帶寬等高速路做大。

　　流量分塊就是把用戶流量按照某種模型拆分，讓他們聚合在某一個服務集群完成，閉環解決。

　　系統可能會演進為下圖這樣：

　　上面點評交易系統的發展幾個階段，只以業務系統的演進為例。除了這些還有CDN、DNS、網絡、機房等各個時期遇到的不同的可用性問題，真實遇到過的就有：聯通的網絡掛了，需要切換到電信；數據庫的電源被人踢掉了，等等。

　　易運營

　　高可用性的系統一定是可運營的。聽到運營，大家更多想到的是產品運營，其實技術也有運營——線上的質量、流程的運營，比如，整個系統上線后，是否方便切換流量，是否方便開關，是否方便擴展。這里有幾個基本要求：

　　可限流

　　線上的流量永遠有想不到的情況，在這種情況下，系統的穩定吞吐能力就非常重要了，高并發的系統一般采取的策略是快速失敗機制，比如系統QPS能支撐 5000，但是1萬的流量過來，我能保證持續的5000，其他5000我快速失敗，這樣很快1萬的流量就被消化掉了。比如917的支付系統就是采取了流量限制，如果超過某一個流量峰值，我們就自動返回“請稍后再試”等。

無狀態

　　應用系統要完全無狀態，運維才能隨便擴容、分配流量。

　　降級能力

　　降級能力是跟產品一起來看的，需要看降級后對用戶體驗的影響。簡單的比如：提示語是什么。比如支付渠道，如果支付寶渠道掛了，我們掛了50% ，支付寶旁邊會自動出現一個提示，表示這個渠道可能不穩定，但是可以點擊；當支付寶渠道掛了100% ，我們的按鈕變成灰色的，不能點擊，但也會有提示，比如換其他支付渠道(剛剛微信支付還掛了，就又起作用了)。另一個案例，我們在917大促的時候對某些依賴方，比如誠信的校驗，這種如果判斷比較耗資源，又可控的情況下，可以通過開關直接關閉或者啟用。

　　可測試

　　無論架構多么***，驗證這一步必不可少，系統的可測試性就非常重要。

　　測試的目的要先預估流量的大小，比如某次大促，要跟產品、運營討論流量的來源、活動的力度，每一張頁面的，每一個按鈕的位置，都要進行較準確的預估。

　　此外還要測試集群的能力。有很多同學在實施的時候總喜歡測試單臺，然后水平放大，給一個結論，但這不是很準確，要分析所有的流量在系統間流轉時候的比例。尤其對流量模型的測試(要注意高峰流量模型跟平常流量模型可能不一致)系統架構的容量測試，比如我們某一次大促的測試方法。

　　從上到下評估流量，從下至上評估能力：發現一次訂單提交有20次數據庫訪問，讀寫比例高峰期是1:1，然后就跟進數據庫的能力倒推系統應該放入的流量，然后做好前端的異步下單，讓整個流量平緩地下放到數據庫。

　　降低發布風險

　　嚴格的發布流程

　　目前點評的發布都是開發自己負責，通過平臺自己完成的。上線的流程，發布的常規流程模板如下：

　　灰度機制

　　服務器發布是分批的，按照10%、30%、50%、100%的發布，開發人員通過觀察監控系統的曲線及系統的日志，確定業務是否正常。

　　線上的流量灰度機制，重要功能上線能有按照某種流量灰度上線能力。

　　可回滾是標配，***有最壞情況的預案。

時間要快：縮短故障的恢復時間

　　如果目標就要保證全年不出故障或者出了故障在5分鐘之內能解決，要對5分鐘進行充分的使用。5分鐘應該這樣拆解：1分鐘發現故障，3分鐘定位故障出現在哪個服務，再加上后面的恢復時間。就是整個時間的分解，目前我們系統大致能做到前面2步，離整體5個9的目標還有差距，因為恢復的速度跟架構的設計，信息在開發、運維、DBA之間的溝通速度及工具能力，及處理問題人員的本身能力有關。

　　生命值：

　　持續關注線上運行情況

　　熟悉并感知系統變化，要快就要熟，熟能生巧，所以要關注線上運營情況。

　　了解應用所在的網絡、服務器性能、存儲、數據庫等系統指標。

　　能監控應用的執行狀態，熟悉應用自己的QPS、響應時間、可用性指標，并對依賴的上下游的流量情況同樣熟悉。

保證系統穩定吞吐

　　系統如果能做好流量控制、容錯，保證穩定的吞吐，能保證大部分場景的可用，也能很快地消化高峰流量，避免出現故障，產生流量的多次高峰。

　　故障時

　　快速的發現機制

　　告警的移動化

　　系統可用性的告警應該全部用微信、短信這種能保證找到人的通信機制。

　　告警的實時化

　　目前我們只能做到1分鐘左右告警。

　　監控的可視化

　　我們系統目前的要求是1分鐘發現故障，3分鐘定位故障。這就需要做好監控的可視化，在所有關鍵service里面的方法層面打點，然后做成監控曲線，不然3分鐘定位到具體是哪個地方出問題，比較困難。點評的監控系統CAT能很好的提供這些指標變化，我們系統在這些基礎上也做了一些更實時的能力，比如訂單系統QPS就是秒級的監控曲線。

有效的恢復機制

　　比如運維的四板斧：回滾、重啟、擴容、下服務器。在系統不是很復雜、流量不是很高的情況下，這能解決問題，但大流量的時候就很難了，所以要更多地從流量控制、降級體驗方面下功夫。

　　幾點經驗

　　珍惜每次真實高峰流量，建立高峰期流量模型。

　　因為平常的壓力測試很難覆蓋到各種情況，而線上的真實流量能如實地反映出系統的瓶頸，能較真實地評估出應用、數據庫等在高峰期的表現。

　　珍惜每次線上故障復盤，上一層樓看問題，下一層樓解決問題。

　　線上出問題后，要有一套方法論來分析，比如常見的“5W”，連續多問幾個為什么，然后系統思考解決方案，再逐漸落地。

　　可用性不只是技術問題。

　　系統初期：以開發為主；

　　系統中期：開發+DBA+運維為主；

　　系統后期：技術+產品+運維+DBA。

　　系統較簡單、量較小時，開發同學能比較容易地定位問題并較容易解決問題。

　　當系統進入較復雜的中期時，就需要跟運維、數據庫的同學一起來看系統的瓶頸。

　　當系統進入復雜的后期時，系統在任何時候都要考慮不可用的時候如何提供柔性體驗，這就需要從產品角度來思考。

　　單點和發布是可用性***的敵人。

　　可用性要解決的核心問題就是單點，比如常見的手段：垂直拆分、水平拆分、灰度發布；單機到主備、集群、異地容災等等。

　　另外，系統發布也是引起系統故障的關鍵點，比如常見的系統發布、數據庫維護等其他引起系統結構變化的操作。