阿里云块存储团队卓越工程实践

​作者：彭文文、石超、张小路

“我背上有个背篓，里面装了很多血泪换来的经验教训，我看着你们在台下嗷嗷待哺想要这个背篓里的东西，但事实上我给不了你们”，实践出真知。

这是阿里云块存储团队内部的一次新人培训材料，内容源自老同学们的踩坑经验，总结成案例和方法分享给大家，实践和方法论不限于分布式系统，希望对读者有所启发。本文主要包括以下三个方面的内容：



• 编码习惯（开发、测试、Review，Bad/Good Case）

• 研发流程（源码控制、每日构建、缺陷管理）

• 实践方法（效率工具、新人踩雷、学习推荐）

一、编码习惯

Ugly is easy to identify because the messes always have something in common, but not beauty.

—— C++ 之父 Bjarne Stroustrup

代码质量与其整洁度成正比。

——《代码整洁之道》作者 Robert C. Martin

1.1 开发

别人眼中的软件系统犹如灯火辉煌的摩天大厦，维护者眼中的软件系统犹如私搭乱建的城中村，我们要在这座城中村里生存，一直维护这些代码，添加新功能等，要让大家生活得更好，我们写代码不仅追求正确性，还有健壮性和可维护性。

图1 开发 理想与现实

✪ 要点1 ：语义简单明确

这是块存储 SDK 的一段代码，判断限流目标值是否合法；写代码时考虑读者，优先采取易于读者理解的写法。

#define THROTL_UNSET      -2#define THROTL_NO_LIMIT   -1​bool throttle_is_quota_valid(int64_t value){    // 复杂的判断条件    // 请你在三秒内说出 value 如何取值是合法的？    if (value < 0 && value != THROTL_UNSET && value != THROTL_NO_LIMIT)    {        return false;    }    return true;}​bool throttle_is_quota_valid(int64_t value){    // 这是修改后的代码，value 取值合法有三种情况，一目了然    return value >= 0 || value == THROTL_UNSET || value == THROTL_NO_LIMIT;}

✪ 要点2 ：简洁 ≠ 代码短

这是块存储的一段代码，它遍历回收站中的所有文件，统计每种介质上文件最早的时间戳；简洁≠代码短，复杂的问号表达式反而不如 if..else 方便理解。

void RecycleBin::Load(BindCallbackR1* done){    ......    FOREACH(iter, fileStats)    {        RecycleFile item;        Status status = ParseDeletedFileName(iter->path, &item.timestamp);        if (!status.IsOk() { ...... }        item.fileName = iter->path;        item.size = iter->size;        item.physicalSize = iter->refCount > 1 ? 0 : iter->physicalSize;        ......        // 这是修改前的代码        // earliestTimestamp[item.medium] =        //     item.timestamp != 0 && item.timestamp < earliestTimestamp[item.medium] ?        //     item.timestamp : earliestTimestamp[item.medium];        // }        // 这是修改后的代码        if (item.timestamp != 0 &&            item.timestamp < earliestTimestamp[item.medium])        {            earliestTimestamp[item.medium] = item.timestamp;        }    }    ......}

✪ 要点3 ：提前返错

提前返错能减少主体逻辑的缩进数量，让主体代码逻辑显得更醒目。

Bad Case如下：

void RecycleBin::Load(BindCallbackR1* done){    ......    FOREACH(iter, fileStats)    {        RecycleFile item;        Status status = ParseDeletedFileName(iter->path, &item.timestamp);        if (!status.IsOk() { ...... }        item.fileName = iter->path;        item.size = iter->size;        item.physicalSize = iter->refCount > 1 ? 0 : iter->physicalSize;        ......        // 这是修改前的代码        // earliestTimestamp[item.medium] =        //     item.timestamp != 0 && item.timestamp < earliestTimestamp[item.medium] ?        //     item.timestamp : earliestTimestamp[item.medium];        // }        // 这是修改后的代码        if (item.timestamp != 0 &&            item.timestamp < earliestTimestamp[item.medium])        {            earliestTimestamp[item.medium] = item.timestamp;        }    }    ......}要点3 ：提前返错提前返错能减少主体逻辑的缩进数量，让主体代码逻辑显得更醒目。Bad Case如下：Status Foo(){    Status status = Check1();    if (!status.IsOk())    {        return status;    }    else    {        status = Check2();        if (!status.IsOk())        {            return status;        }        else        {            status = Check3();            if (!status.IsOk())            {                return status;            }            else            {                DoSomeRealWork();                return OK;            // 四层潜套 if            }        }    }}

Good Case如下：

Status Foo(){   Status status = Check1();   if (!status.IsOk())   {       return status;   }​   status = Check2();   if (!status.IsOk())   {       return status;   }​   status = Check3();   if (!status.IsOk())   {       return status;   }​   DoSomeRealWork();   return OK;}

✪ 要点4 ：利用析构函数做清理工作

利用 C++ 析构函数做清理工作，在复杂冗长代码中不会漏掉。典型的清理工作有执行回调、关闭文件、释放内存等。

Bad Case如下：

void Foo(RpcController* ctrl,         const FooRequest* request,         FooResponse* response,         Closure* done){    Status status = Check1(request);    if (!status.IsOk())    {        response->set_errorcode(status.Code());        // 第一处        done->Run();        return;    }    status = Check2(request);    if (!status.IsOk())    {        response->set_errorcode(status.Code());        // 第二处        done->Run();        return;    }    DoSomeRealWork(...);    // 第三处    done->Run();}

Good Case如下：

void Foo(RpcController* ctrl,         const FooRequest* request,         FooResponse* response,         Closure* _done){    // 仅一处，不遗漏    erpc::ScopedCallback done(_done);    Status status = Check1(request);    if (!status.IsOk())    {         response->set_errorcode(status.Code());         return;    }    status = Check2(request);    if (!status.IsOk())    {         response->set_errorcode(status.Code());         return;    }    DoSomeRealWork(...);}

✪ 要点5 ：用朴素直观的算法

这是块存储旁路系统的一段代码，它根据垃圾比对数据分片进行排序；在非关键路径上，优先使用朴素直观的算法，此时代码可维护性更重要。

void CompactTask::checkFileUtilizationRewrite(){    // 此处采取朴素的排序算法，并未采取更高效的 TopK 算法    std::sort(sealedFilesUsage.begin(), sealedFilesUsage.end(), GarbageCollectionCompare);        int64_t sealedFileMaxSize = INT64_FLAG(lsm_CompactionSealedMaxSize);    int32_t sealedFileMaxNum = INT32_FLAG(lsm_CompactionSealedMaxFileNum);    int64_t targetFileSize = 0;    int32_t sourceFileCnt = 0;                                                                                                                                      ​    // 前者简单清淅，并在几十个 File 中选择前几个文件的场景并不算太慢    FOREACH(itr, sealedFilesUsage)    {        LogicalFileId fileId = itr->fileId;        const FileUsage* usage = baseMap->GetFileUsage(fileId);        const File* file = fileSet->GetFile(fileId);        targetFileSize += usage->blocks * mBlockSize;        sourceFileCnt++;​        if (targetFileSize > sealedFileMaxSize || sourceFileCnt > sealedFileMaxNum)        {            break;        }        mRewriteSealedFiles[fileId] = true;    }    ......}

✪ 要点6 ：用轮循代替条件变量

这是块存储IO路径的一段代码，从内存中卸载数据分片时等待在途inflight的 IO 请求返回；在非关键路径上使用简单的轮循代替精巧的条件变量同步，代码简洁且不容易出 bug。

void UserRequestControl::WaitForPendingIOs(){    erpc::ExponentialBackoff delayTimeBackOff;    delayTimeBackOff.Reset(            INT64_FLAG(lsm_UnloadWaitingBackoffBaseUs),            INT64_FLAG(lsm_UnloadWaitingBackoffLimitUs),            INT64_FLAG(lsm_UnloadWaitingBackoffScaleFactor));       // 轮循等待在途的请求返回    // 请思考如何用条件变量实现精确的同步    while (!mWriteQueue.empty()|| !mReadQueue.empty())    {        uint64_t delayTime = delayTimeBackOff.Next();        PGLOG_INFO(sLogger,                  (__FUNCTION__, "Waiting for inflight requests during segment unload")                  ("Segment", mSegment->GetName())                  ("Write Requests", mWriteQueue.size())                  ("ReadRequests", mReadQueue.size())                  ("DelayTimeInUs", delayTime));        easy_coroutine_usleep(delayTime);  // 退避等待    }}

✪ 要点7 ：使用 timed_wait 代替 wait

在典型的生产者消费者实现中，使用 timedwait 代替 wait，避免生产者未正确设置条件变量造成消费者卡死无法服务的窘境。

pthread_mutex_t mutex;pthread_cond_t  nonEmptyCondition;std::list queue;​void ConsumerLoop(){    pthread_mutex_lock(&mutex);    while (true)    {        while (queue.empty())        {            struct timespec ts;            ts.tv_sec = 1;            ts.tv_nsec = 0;            // 使用timewait            pthread_cond_timedwait(&nonEmptyCondition, &mutex, timespec);        }        Task* firstTask = queue.front();        queue.pop_front();        consume(firstTask);    }    pthread_mutex_unlock(&mutex);}

✪ 要点8：用协程代替异步回调

这是块存储 BlockServer 加载数据分片的代码；用异步回调方式难以实现这样的复杂控制逻辑，用协程却能轻松实现。

// load.cppStatus LoadTask::Execute(){    Status status;#define RUN_STEP(func) \    status = func();    if (!status.IsOk()) { ... }​    // 串行执行下列步骤    RUN_STEP(doPrepareDirs);    ...... // 十几步    RUN_STEP(doTask);​#undef RUN_STEP    ......}// files.cppStatus FileMap::SealFilesForLiveDevice(){    Status status = OK;    std::vector*> sealDones;    STLDeleteElementsGuard*> >        donesDeleter(&sealDones);​    // 并行 seal 每个文件    FOREACH(iter, mActiveFiles)    {        File* file = iter->second;        sealDones.push_back(new SyncClosureR1());        Closure* work = stone::NewClosure(                this,                &FileMap::doSealFileForLiveDevice,                file,                static_cast*>(sealDones.back()));        InvokeCoroutineInCurrentThread(work);    }​    // 收集结果    FOREACH(done, sealDones)    {        (*done)->Wait();        if (!(*done)->GetResult0().IsOk())        {            status = (*done)->GetResult0();        }    }    return status;}

✪ 要点9 ：在关键对象增加 magic 字段

这是块存储核心主路径的一段代码；在关键数据结构中增加 magic 字段和断言检查，能及时发现内存错误（例：内存踩坏）。

通常在下列两类结构增加 magic ：

1）关键的数据结构，如 数据分片 结构 ；

2）异步操作的上下文结构，如用户IO Buffer请求；

// stream.hclass Stream{public:    Stream();    ~Stream();​    void Read(ReadArgs* args);    ......​private:    // 增加 magic 字段    // 通常使用 uint32 或 uint64    uint64_t mObjectMagic;    ......};​// stream.cpp// 定义 magic 常量// 常量值选择 hexdump 时能识别的字符串，以便在 gdb 查看 coredump 时快速识别// 此处使用 “STREAM” 的 ASCII 串static uint64_t STREAM_OBJECT_MAGIC = 0x4e4d474553564544LL; ​Stream::Stream()  : mObjectMagic(STREAM_OBJECT_MAGIC)  // 在构造函数中赋值{    ......}​Stream::~Stream(){    // 在析构函数中检查并破坏 magic 字段，预防 double-free 错误    easy_assert(mObjectMagic == STREAM_OBJECT_MAGIC);    mObjectMagic = FREED_OBJECT_MAGIC;    ......}​void DeviceSegment::Read(ReadArgs* args){    // 在重要的函数中检查 magic 字段，预防 use-after-free 错误    easy_assert(mObjectMagic == DEVICE_SEGMENT_OBJECT_MAGIC);    ......  }

✪ 要点10 ：SanityCheck() 合法性检查

这是块存储核心模块的一段代码 StreamWriter 负责管理正在写入的Stream，它为每个写请求选择合适的 Stream 写入，并处理文件满、写失败等异常情形；曾在线下测试发现由于未添加合法性检查，导致内存踩坏的meta错误数据持久化到磁盘中，在数据分片发生迁移时，从磁盘加载错误的meta数据持续夯死，不可恢复。在重要操作前后及定时器中检查数据结构中的重要的不变式假设，这样尽早发现代码 bug 在重要的操作前后或是在定时器中执行检查。

class StreamWriter{public:    ......private:    struct StreamGroup    {        WriteAttemptList failureQueue;        WriteAttemptList inflightQueue;        WriteAttemptList pendingQueue;        uint64_t         commitSeq;        uint64_t         lastSeq;    };​    uint32_t     mStreamGroupCount;    StreamGroup  mStreamGroups[STREAM_GROUP_COUNT];        ......};​void StreamWriter::sanityCheck(){#ifndef NDEBUG  // expensive checks    for (uint32_t i = 0; i < mStreamGroupCount; i++)    {        // Check that sequence in "failureQueue", "inflightQueue" and "pendingQueue" are ordered.        const StreamGroup* group = &mStreamGroups[i];        uint64_t prevSeq = group->commitSeq;        const WriteAttemptList* queues[] = {            &group->failureQueue,            &group->inflightQueue,            &group->pendingQueue        };        for (size_t k = 0; k < easy_count_of(queues); k++)        {            FOREACH(iter, *queues[k])            {                const WriteRequest* write = iter->write;                PANGU_ASSERT(prevSeq <= write->seq); // SanityCheck                prevSeq = write->seq + write->lbaRange.rangeSize;            }        }        ASSERT(prevSeq == group->lastSeq); // SanityCheck    }    ......#endif  // NDEBUG}

✪ 要点11 ：用告警代替进程崩溃

这是块存储核心路径的一段代码，在加载数据分片时通过交叉校验对数据正确性进行合法性检查，遇到严重错误时发起电话告警，以此代替 assert，避免生产集群大规模 故障时，数据分片持续调度造成整个集群进程Crash的级联故障 。

在多租户系统中，单租户出现严重问题不应影响其他租户的服务。

在块存储，我们仅允许检查对象 magic 和线程是否正确的断言。其它断言由告警代替。

Status LoadTask::doTailScanFiles(){    ......    for (id = FIRST_REAL_FILE_ID; id < mFileSet->GetTotalFileCount(); id++)    {        File* file = mDiskFileSet->GetFile(id);        if (file->GetLogicalLength() < logicalLengthInIndex)        {             const char* msg = “BUG!! Found a data on disk with shorter length ”                               “than in map. This is probably caused by length reduction of ”                               “that file.”;   // 记录详细的日志，包括文件名、期望长度、实际长度等             PGLOG_FATAL(sLogger, (__FUNCTION__, msg)                         (“Stream”, mStream->GetName())                         (“File”, file->GetFileName())                         (“FileId”, file->GetFileId())                         (“FileLengthOnDisk”, file->GetFileLength())                         (“FileLengthInIndex”, physicalLengthInIndex)                         (“LogicalLengthOnDisk”, file->GetLogicalLength())                         (“LogicalLengthInIndex”, logicalLengthInIndex)                         (“MissingSize”, physicalLengthInIndex - file->GetFileLength()));             SERVICE_ADD_COUNTER(“LSM:CriticalIssueCount”, 1);  // 触发电话告警             return LSM_FILE_CORRUPTED;        }    }}

✪ 要点12 ：时间溢出之一

我们当前使用的内核配置 HZ=1000，jiffies 变量每49天溢出，Linux 将 jiffies 变量初始值设置为负数，使系统启动后5分钟发生第一次溢出；让这段容易出错的危险代码每天都被执行到，这些再也不用担心出现黑天鹅事件了。

linux/include/linux/jiffies.h​/*•* Have the 32 bit jiffies value wrap 5 minutes after boot* so jiffies wrap bugs show up earlier.*/#define INITIAL_JIFFIES ((unsigned long)(unsigned int) (-300*HZ))​/** These inlines deal with timer wrapping correctlyYou are•* strongly encouraged to use them* 1. Because people otherwise forget* 2. Because if the timer wrap changes in future you won't have to* alter your driver code.** time_after(a,b) returns true if the time a is after time b.*/#define time_after(a,b) \    (typecheck(unsigned long, a) && \    typecheck(unsigned long, b) && \    ((long)((b) - (a)) < 0))

✪ 要点13 ：时间溢出之二

习惯上代码中以微秒表示时间， int32 能表示的最大时间仅为 2147 秒，约 35 分钟，容易溢出；历史上块存储值班同学在处理另一个 P4 故障时，为缓解分布式集群中心管控节点压力，临时调整 flag 增加调用中心管控节点 RPC 的调用间隔。新的 flag 在运行时产生 int32 整型溢出，进程崩溃，引起整个集群级联故障，服务中断造成 P1 生产故障 ；血淋淋的教训：总是用 int64/uint64 表示时间。

✪ 要点14 ：避免有歧义的函数名和参数表

这是 libeasy 的一段代码，这是基于时间轮实现的定时器，用来代替 libev timer；函数名和参数表要符合直觉，大多数使用者没空读你的注释，小部分使用者读了你的注释也看不明白。

// easy/src/io/easy_timer.h​// ----------------------------------------------------------------------------------// following interface, use easy_timer_sched from th(io thread or worker thread),// ** DON NOT support async call **//int easy_timer_start_on_th(easy_baseth_t *th, easy_timer_t *timer);int easy_timer_stop_on_th(easy_baseth_t *th, easy_timer_t *timer);

1.2 测试

测试代码其实是产品代码的“用户”，写测试代码前考虑如何“使用”产品；好的测试是 what，包含 given when then；差的测试是 how，每次方法更改时都必须完全重写测试，或许需要重新考虑系统本身的体系结构。

图2  测试原则、可测性

✪ 要点1 ：边界测试

以下是块存储两个历史生产Bug；关注上下限，边界条件最易出错。

TEST_F(..., SharedDisk_StopOneBs)(...) {    BenchMarkStart(mOption);​    // for循环反复注入    mCluster->StopServer(0);    mCluster->StartServer(0);​    // 修复前无第12行无代码，无下限检查，全部失败时Case PASS    // 共享盘开盘后线程死锁必IO Hang，有测试无断言遗漏Bug导致P1故障    EXPECT_GT(mIoBench->GetLastPrintIops(), 0);    EXPECT_GT(mIoBench->GetMaxLatency(), 0);​    // 断言检查，边界上限    EXPECT_GT(20 * 1000000, mIoBench->GetMaxLatency());​    // Do something below}​Status PRConfig::Register )(...){     assertIoThread();     // 修复前缺少=，导致Sever Crash     if (unlikely(mRegistrants.size() >= MAX_REGISTRANT_NUM))    {        LOG_ERROR(...);        return SC_RESERVATION_CONFLICT;    }    // Do something below}

✪ 要点2 ：状态/分支测试

以下是块存储两个历史生产Bug；状态流程图，影响数据正确性和服务可用性的关键路径、异常分支、状态组合需测试覆盖。

void WalStreamWriterPool::tryCreateWalWriter(){    AssertCoroutine();    ASSERT_DEBUG(mIsCreating);    Status status = OK;    while (...)    {        WalStreamWriter *writer = mWalManager->CreateWalWriter();​        status = writer->Open();        // 修复前无第14行代码部分，未处理Commit，失败导致丢掉WAL文件，进而丢数据        if (status.IsOk())        {            status = mWalManager->Commit();        }        // Do something below}​void RPCController::StartCancel(){    if (_session) {        if (_pendingRpc != NULL) {            // 修复前无第29行代码，线程Hang进而IOHang            // 未测试覆盖call StartCancel  before handshake            _session->need_cancel = true;        } else {            easy_session_cancel(_session);        }    } else {        easy_error_log(...);    }}

✪ 要点3 ：重复/幂等性测试

以下是块存储两个历史生产Bug；第一个如下图所示，未释放内存，长时间运行造成内存泄漏；第二个是19年遇到的一个问题，BM 在 处理 open device 时没处理好幂等问题，导致磁盘 open 成功后仍然 I/O hang ；有一些问题只有经过长时间的重复测试才能发现，关注代码中每一次重试，敏感接口的 API 幂等性需测试覆盖。

Status CompressOffsetTable::Seal(){    // Do something before    status = mTableFile->Seal();    if (!status.IsOk())    {        PGLOG_ERROR(...);        return status;    }​    mIsSealed = true;    // 修复前无第14行代码，文件写入已完成，清空缓存，释放内存    mEasyPool.reset();    // Do something below}

✪ 要点4 ：兼容性测试

兼容性包含：协议兼容性、API兼容性、版本升级兼容性、数据格式兼容性；对于所有依赖的兼容性假设需通过测试自动化覆盖，兼容性问题是很难测试覆盖并且问题高发的部分，兼容性问题应该在设计阶段、编码阶段提前预防，避免兼容性问题，而非寄希望于兼容性测试来兜底。

void ActiveManager::SubmitIO({     // 【版本兼容性】 SDK 和 Server线程不对齐，旧版本SDK不支持切线程     if (UNLIKELY(GetCurrentThread() != serverThread))     PGLOG_WARNING(...  "Server thread mismatch");     response->ErrorCode = SERVER_BUSY;     done->Run();}​void ChunkListAccessor::SetChunkInfoAndLocations(){    uint8_t flags = mFileNodePtr->fileFlags;    bool isLogFile = IsFlatLogFile(flags);    ASSERT(        //【协议兼容性】Master 和 SDK异常场景定长误判        (isLogFile && vecChunkInfoNode[0].version <= masterChunkInfo.version) ||        !isLogFile);         // Do something below}​// 【API兼容性】 Server 和 Master的错误码不一致，数据分片反复加载/卸载// Master侧，device_load.cpp// if(status.Code() == LSM_SEGMENT_EXIST_OTHER_VERSION))// Server侧，device_load.cpp// return LSM_NOT_OWN_SEGMENT;

✪ 要点5 ：防御性测试

系统服务上限的边界是多少？客户端无退避重试、突发大流量等造成的故障数不胜数，关注系统在最差情况下的表现，明确系统的能力边界，对系统服务边界的数学模型进行理论分析和实验验证，通过极限压测验证系统最大可服务能力符合设计预期，推荐参考接近不可接受的负载边界 [01]。

✪ 要点6 ：避免写出不稳定Case

Case不稳定真是一个让人头大问题，总结了一些不稳定的测试常见原因，希望大家记住并知行合一。

• 测试不聚焦，无脑复制粘贴，等价类测试爆炸 

• 异步等待，基于时间假设，sleep 并发，未能在预期的窗口期交互 

• 有顺序依赖的测试，共享某个状态 

• 资源溢出，数据库链接满、内存 OOM 析构随机 core

• 析构未严格保序或者未构造 

• 多线程共享资源的错误用法导致概率 crash

• 有未处理完的任务就退出

TEST_F(FastPathSmokeTestFixture, Resize){    // ... Do something    ResizeVolume(uri, DEVICE_SIZE * 2);​    Status status = OK;    do {        // 状态依赖，未检查resize 是否成功，导致错误的认为是越界io处理        status = Write(handle, wbuf.get(), 0, 4096);        if (status.Code() == OK)        {            break;        }        easy_coroutine_usleep(100*1000);    } while(1);    // ... Do something}​// volume_iov_split_test.cppTEST(VolumeIovSplitTest, Iovsplit_Random){    // ... Do something    size_t totalLength = 0;    // 修改前无+1，0是非法随机值，造成Case低概率失败    totalLength = rand() % (10*1024*1024) + 1    // ... Do something}

二、本地工具

2.1 Docker单机集群

对于分布式系统，能够在开发机上自测端到端的跨模块/跨集群的功能测试，极大的提高测试效率和开发幸福感。在开发调试期间，Docker集群用完即抛，拥有属于自己的无污染的“一手”功能测试集群，代码主路径必现的进程Crash均可在开发阶段发现。Docker使用极少的系统资源，有效地将不同容器互相隔离，快速创建分布式应用程序，非常适合集群测试使用。

块存储在没有 Docker 单机集群之前，测试集群级功能测试至少需要12台物理机，我们通过将块存储、盘古和女娲的服务装进容器中，实现单机 OneBox，在开发机上（物理机 /虚拟机/Docker/Mac 均可，无OS依赖），一键秒级部署和销毁一个集群，基于Docker单机集群实现Docker Funtion Test，沿用单元测试的 gtest，上手门槛低，极大的提高了测试效率和开发幸福感，Docker Funtion Test 是在代码门禁中运行，即代码提交入库之前自动触发测试，在代码入库之前，百分之百拦截必现的进程Crash问题。

图3  块存储 Docker单机集群

2.2 本地出包自助E2E

研发效能低下的团队的一个典型表现，质量强依赖全链路端到端（End-To-End，简称E2E），测试环境维护成本极高，常常因为环境污染导致无效测试，是否能够将全链路E2E测试实现白屏化，告别环境修复？

在开发期间调试，不可避免有大Size的Patch修改，代码门禁Unit Test / Smoke Test / Funition Test仅覆盖功能测试，涉及到IO性能、运维、用户态文件系统、用户态网络协议的代码逻辑修改，无法在代码门禁覆盖。面对这个问题，块存储开发者可以在开发机编译出包，测试平台白屏自助验证E2E测试，操作共3个步骤：编译上传包 →  提交测试任务 → 查看测试结果。降低测试门槛可以有效的提高测试的主观能动性，进而提高测试运行频次，当测试不再是负担的时候，大家更愿意做测试，谁会拒绝投资少收益高的事呢？

图4  测试平台自助E2E

三、单元测试

3.1 编写测试样例

对于块存储主仓库，增量代码覆盖率当前强制卡点85%，生产代码与测试代码需要同步原子提交，否则将因覆盖率不足阻塞提交，这也倒逼了大家养成测试左移的工作习惯，编写 Unit Test / Smoke Test / Funition Test 是块存储每位开发者提交代码的必备技能，团队同学柏亿曾讲过一句话，“如果我写了代码而没有加自动化Case，就相当于我做了一件华丽的衣服，又丢到了垃圾桶里，弃如敝履 ”，通过自动化门禁测试来保证系统设计、代码实现不被后续修改Break，降低系统质量风险，依赖假设足以保证，更多Good/Bad Case可以参考《Software Engineering at Google》的 “单元测试”章节 [02]。

图5  EBS UT/ST/FT

3.2 代码门禁说明

代码门禁（简称CI）即代码提交之前自动运行的测试，测试全量通过后方可提交，类似于函数计算，Test as a Service。代码门禁是 测试左移 [03] 的必备单品。块存储 CI 门禁基于Google 开源云原生CI框架Tekton实现，支持分布式编译和分布式测试，Kubernetes 门禁集群中的Cpu、Mem、Disk资源限制Limit，每个Case独占容器， 仅Cpu超卖，相当于模拟主频降频，增加了发现bug的概率，曾多次触发大量低概率时序bug；代码门禁包含编译构建、单元测试、冒烟测试、功能测试、代码风格检查、静态代码扫描、增量代码覆盖率卡点等检查项。在推广测试左移的近三年，块存储门禁Case数量逐年翻倍。

图6  块存储代码门禁

四、Code Review

预防胜于治疗，研究表明高效的 Code Review 可以发现70-90%的 bug，Review 作用如下：

• 提高团队代码标准，所有人共享同一套标准，阻止破窗效应；

• 推动团队合作 reviewer 和 submitter 可能有不同的视角，主观的观点经常发生碰撞，促进相互学习；

• 激励提交者，因为知道代码需要别人 review，所以提交者会倾向提升自己的代码质量。大部分程序员会因为同事对其代码显示出的专业性而感到自豪；

• 分享知识 submitter 可能使用了一种新技术或者算法，使 reviewer 受益。reviewer 也可能掌握某些知识，帮助改进这次提交；

 

图7  Code Review 可以发现70-90%的 bug

对于Submitter和Reviewer的共同建议，开放的心态，良好的互动，Submitter给到 reviewer 更多的输入后，有益于问题的挖掘。

图8  一个Review互动的优秀案例

4.1 For Submitter

✪ 要点1 ：For Submitter - 一次提交不要超过400行代码

研究表明 [04]：在一次 CR 中，Reviewer 应一次至多处理200至400行代码(lines of code)。若超过400行，人的大脑无法有效的处理，发现缺陷的能力将下降。在实践中，使用60-90分钟来 review 一个200-400行的 patch，应该能发现70-90%的缺陷。即如果这个 patch 里面存在10个 bug，那么在 CR 阶段应该能发现7至9个。

图9  缺陷密度 vs 代码行数

✪ 要点2 ：For Submitter - 做自己的第一个 reviewer

自己的狗粮自己先吃，自我Review有以下几个注意事项：

• 端正心态，reviewer 是帮你发现问题的人，而不是阻塞你提交的人；

• 认真对待 description，降低Reviewer的理解成本；

• 一次提交只解决一个问题，降低review的复杂度；

• 如果需要做重大修改，写找 reviewer 对齐大致的修改范围，再开始写代码，避免越行越远；

 

图10 Code Review一个Description的优秀案例

4.2 For Reviewer

✪ 要点1 ：For Reviewer - 控制 review 速度

研究表明 [04]：当 Reviewer 以超过500行/小时的速度 review 代码时，缺陷的发现率会有显著的下降。建议 Reviewer 控制好自己的速度，保障好 review 质量。建议一次 review 的时间不要超过一小时，当任务多时建议提高 review 的频率，避免持续过长时间。

图11  缺陷密度 vs 检查速度

✪ 要点2 ：For Reviewer - Review 的重心

我们不可避免的需要 review 一些较大的 patch， Review的顺序：接口 >  测试 > 实现，reviewer 可以假设自己是该代码的使用方，该接口的定义及行为是否符合自己的预期？如果没有时间，至少也应该看一遍接口定义， 测试代码的质量与实现的质量同等重要，不可敷衍，理解提交者想通过测试测哪些东西比理解测试代码的含义更重要。

✪ 要点3 ：For Reviewer -  Tips

 

• 给建议，更要给原因，帮助提交者进步；

• 如果看到写得好的代码，不要吝啬赞赏的语句，提交者真的会很受鼓舞；

• 对于看不明白的地方一定要提出问题，而不是轻易放过；

• 不要花过多力气去理解难以理解的代码，如果一眼看不明白，第二眼还看不明白，说明这块代码需要改，很大可能过一段时间提交者也会看不明白；

• 如果 patch 太大，应建议提交者分拆；

• 慎重审查 .h 以及协议的修改；

• 没有测试覆盖的代码没必要去看。

五、分支管理

5.1 主干开发

列宁：帝国主义是资本主义的最高阶段

南门：主干开发（trunk based development）是持续集成（continuous integration）的最高阶段

在开发模式上，块存储学习了微软、Google的大库主干开发方式，过去多分支开发初期并行迭代，开发周期宽松，但多分支开发很容易漏提交，块存储也曾因漏提交bugfix导致一起P1S1故障，多分支合并冲突多、迭代慢，需要长期占用多套测试环境，有限的测试资源回归频次相对少。块存储所有持续集成测试资源均集中在主干分支回归，“集中力量办大事”。



主干开发对开发者提出了很高的要求，不仅要具备有功能特性拆分的能力，而且需要确保每一次代码提交，都能够达到准上线的质量标准，这也倒闭了测试左移的编码习惯，在提交代码入库之前进行测试编码。

图12  块存储 主干开发

5.2 主干/分支发布

发布模式分两种，公有云是主干分支发布，专有云是LTS（Long Time Support）拉Release分支发布（专有云发布节奏需follow客户要求，公有云发布节奏自主可控）。主干发布，既不是目的，也不是手段。主干发布是结果，是测试能力不断提升后水到渠成的结果，块存储持续集成交付详见下文第八章。切勿为了主干发布而主干发布，严格控制发布变量和发布节奏，避免为了修复一个bug，引入了另一个更严重的bug，只有经过成熟的测试验证方可进行发布，欲速则不达，敬畏生产。

六、测试 & 环境

6.1 测试脚手架

除了代码门禁的功能Case覆盖之外，Feature Owner需要补充代码后置全链路测试E2E和BVT Case，大版本发布需要经过大规模故障演练的验证方可发布上线，UT/ST/FT每月回归三千多轮，对于信用分低的Case（即不稳定Case）运行轮数权重翻五倍，即每月运行上万轮，通过高频测试尽量多暴露各层面的不稳定因素，倒逼人肉环节的自动化。块存储按照不同的场景提供了多种测试脚手架进行测分级，越轻量的测试回归轮数越多，更多详细说明如下图所示。

图13  块存储 测试分级

6.2 环境标准化

对于测试环境的标准化，采用两个思路：云原生用完即抛、资源池化集中管理。



云原生隔离用完即抛 ，分三种：Docker FT、门禁、K8S E2E。Docker FT在 2.1 章节有详细介绍；门禁Kubernetes集群对开发者无感知，在3.2章节有详细介绍；K8S E2E集群 在6.1章节的表格中有使用说明介绍，不同于Docker FT，支持用户态网络协议，支持运维和监控平台等，3台物理机即可模拟12~24台虚拟集群，如集群环境污染，可半小时销毁重建，而非人肉修环境。



测试资源在测试平台集中管理，分两种：白屏测试只读环境、黑屏测试读写环境，尽量提升资源池化比例。第一种，白屏测试包含三部分：代码门禁CI集群、CD E2E每日回归环境、长时间稳定性预发环境；环境隔离只读，从而杜绝破坏宿主机、修改配置、残留进程等污染环境行为。第二种，黑屏测试即读写环境，用于开发测试联调，采用集群健康度检查工具提前发现环境污染，覆盖网络、磁盘、OS等几十个检查项，避免测试过程中反复踩坑带来的无效重复测试，如下图所示。

图14 块存储 集群健康度检查

七、缺陷管理

为什么要进行缺陷管理？由于Bug信息不对称，难追溯，开发和发布时间异步，fullmesh协同交互成本极高，且可靠性很难保证，在《人月神话》书中描述，  ,      组织规模人数,    沟通协同成本 ，指数增加。5.1小节中描述的P1S1故障发生后，团队进行了hotfix重发，消除生产风险，但由于对Bug影响集群范围疏忽，导致一个月后同样的故障重复发生，造成二次伤害，吸取教训，团队通过开发git-poison，实现bug分布式源码管理，支持追溯、查询和反馈，自动化bug发布卡点、精准召回bug中毒版本，避免bugfix漏发，降低人因失误造成的质量风险。

7.1 git-poison投毒

基于go-git实现 git-poison：简单易用的bug/bugfix追溯工具，git作为分布式版本管理工具友好地支持了多人并发的一致性问题，简单可靠，开发同学只需要记住一件事：任何时候发现有bad bug，要block预发/生产发布的，抓紧投毒！可复制性高，无论是“分支开发、主干发布“，还是”主干开发、分支发布“，均适用；不依赖于人和人之间的沟通协调，人的involve越少，出错的机会越小。

图15  git-poison投毒/解药/银针

7.2 poison发布阻塞

开发机代码仓库是poison的唯一数据生产源，测试平台和发布平台消费poison数据，实现PoisonCommit 发布阻塞机制，测试平台在填写ReleaseNote一键导入Bug/Bugfix，评估本次版本发布的质量风险，在发布平台通过“集群-模版-Bug-版本”四维度画像实现Bug追溯和查询，精准定位Bug中毒域，召回Bug版本。

图16  “集群-模版-Bug-版本” 四维度生产画像

八、持续交付

8.1 从开发到上线

在代码从开发到上线的整个生命周期存在四阶段系统强制卡点，致力于“从不做错到做不错”。自动化的价值不仅仅是节约时间，更是提高交付质量和交付效率，降低交付成本（例：工作状态上下文切换、 完成一项任务的认知负荷、重复工作量）。



质量防控首先在源头处，通过代码门禁及时发现；持续集成，每日主干回归，缩短反馈弧，一有问题，马上定位修复。

图17  块存储 从开发到上线

8.2 分模块发布

代码库存越是积攒，就越得不到生产校验，积压越多，代码间交叉感染的概率越大，下个Release的复杂度和风险越高，流水不腐，户枢不蠹。那么，如何提高Code Velocity?   除了持续集成建设外，发布阶段也需要解除强绑定，学习微服务化的思路，实现分模块发布，通过将发布模版以模块粒度拆分，各自模块仅拥有自己模块的权限，大幅提升了权限安全管理和发布的灵活性；从发布方面解决了“大锅饭”的问题，真正的将组织层面质量责任落实到了每一个模块的Owner上。

通过微服务化，将单次版本百人协同的成本降低到十人以下，彻底告别“发大车”，各自聚焦，各行其道，互不干扰。

图18  块存储 分模块发布

分模块发布后，由于各模块的发布频次和周期不同，你追我赶，超车频繁，也带来了版本兼容性的挑战，原本设计正交的功能常常出现意想不到的兼容性Bug，块存储在实行分模块发布后屡次踩坑兼容性生产问题，其中包括一次P1故障。面对分模块发布带来的兼容性挑战，一方面，单个服务内，线上版本分裂多，通过收敛治理，全网拉齐；另一方面，多个服务间，笛卡尔积的版本组合多，测试如何覆盖不同服务不同版本的组合，昂贵的测试成本和漫长的测试时间是无法接受的，如前文所述，采用云原生的思路，通过轻量化Docker集群降低测试成本，同时提高测试效率。

图19  分模块发布后兼容性测试

 

九、文化实践

9.1 效率工具和方法

✪ 开发工具

工欲善其事，必先利其器。工具没有好与坏，要看你如何使用，一个高效的工具事半功倍，推荐一些日常工具：

• 开发机：窗口操作使用Screen、tmux 保持链接不中断、 SSH远端包括iTerm2、Bash、Zsh、Fish、 编辑器包括VSCode、Vim 、调查问题Debug使用gdb、pdb、内存泄漏：tcmalloc、代码扫描静态cppcheck和动态代码扫描asan；

• Linux：Cpu/Mem资源查看使用tsar --mem/cpu/io/net -n 1 -i 1、top等、网络使用lsof、netstat、 磁盘使用iostat、block_dump、inotifywait、df/du、内核日志包括/var/log/messages、sudo dmesg、性能工具strace、perf，IO压测FIO；

• 文档类：语雀的在线UML图/流程图/里程碑方便多人共同编辑等、Teambition的项目管理甘特图、 Aone的需求管理和缺陷管理、  离线工具诸如Xmind思维导图/draw.io流程图/OneNote。

✪ 工作方法

良好的工作方法，可以让自己的成长速度形成复利，推荐阅读两本书《直击本质》和《系统之美》，或许你可以从书中找到不同人成长速率差异的答案，这里推荐三个工作方法：

• SMART原则，适用场景：OKR、KPI、绩效自评

  • S：Specific，具体的

  • M：Measurable，可以衡量的

  • A：Attainable，可以达到的

  • R：Relevant，具有一定的相关性

  • T：Time-bound，有明确的截止期限

• 论文学习方法，推荐先阅读大数据经典系列（例如Google 新/老三驾马车），对于存储领域同学，推荐Fast论文

  • Motivation: 解决了一个什么样的问题？为什么要做这个问题

  • Trade-off: 优势和劣势是什么？带来了哪些挑战？

  • 适用场景: 没有任何技术是普适的，业务场景，技术场景

  • 系统实现: 组成部分和关键实现，核心思想和核心组件，灵魂在哪里？ 

  • 底层原理: 其底层的关键基础技术，基于这个基础还有哪些工作？

  • Related Works: 这个问题上还有什么其他的工作？相关系统对比？不同的实现、不同的侧重、不同的思路？

• TDD，Test-diven Development 测试驱动开发，团队石超推荐，“自从看了TDD这本书，我就爱上了写UT”，当时听完这句话驱动了我的好奇心，TDD到底一个什么神奇的方法？后来发现在《软件测试》《Google ：Building Secure & Reliable Systems》《重构》 《重构与模式》《敏捷软件开发》《程序员的职业素养》……国外泰斗级程序员大叔的书里，全部都推荐了TDD。TDD不是万能药，主要思维模式是，先想清楚系统的行为表现，再下手编码，测试想清楚了，开发的API/系统表现就清晰了，API/函数/方法语义就明确了。

9.2 个人成长和踩坑

身份从学生到工程师，必然伴随着成长的阵痛感。在工程实践方面，不再是学生时代的实验课题或者编程比赛，而是从程序到编程系统产品的转变，程序员的工作不止是编程，是把想法变成产品能力的过程。从程序到编程系统，研发成本翻3倍，包括接口设计和集成测试；从程序到编程产品，研发成本翻3倍，包括通用化、测试、文档、维护；而从从程序到编程系统产品，研发成本翻9倍，日常编码时间占比20%～30%，如若你感觉编码时间占比过少，或许是学生思维的惯性，块存储团队践行DevOps，无专职测试岗和运维岗，对于每一位Feature Owner而言，需要独立负责该Feature的 “开发 → 测试→ 发布→巡检” 全生命周期。

图20 来源《人月神话》 编程系统产品的演进

✪ 个人成长

持续优秀，自我迭代，再牛逼也只是一时的，很牛逼的人能把自己当代码迭代，一个版本一个版本演进，不停loop起来，有针对性、上升式的学习和实践。夯实最基础的底层知识，融会贯通的人都是有底层逻辑的，多阅读经典。分享三条Facebook研发效能负责人推荐的高效工作方法：

• 抽象和分而治之

  • 抽象，明确模块之间的依赖关系，确定API接口

  • 分而治之，对子系统设计进行合理的注释，帮助代码阅读者对软件结构有更直观的了解

  • 代码提交尽量做到原子，即不可分割的特性、修复或者优化，测试代码同生产代码同一个patch提交

• DRY（Don’t Repeat Yourself)

  • 寻找重复的逻辑和代码，对重复内容进行抽象和封装

  • 寻找流程的重复，使用脚本或者工具自动化，通过自动化提高交付质量和效率，降低交付成本

  • 沉淀踩坑经验到自动化工具和平台中，独乐乐不如众乐乐，避免不同人踩相同的坑，降低无效时间开销

• 快速迭代

  • Done is better than prefect，不要过度设计 

  • 尽快让代码运行和快速验证，不断迭代来完善 

  • 为了能够快速验证，本地测试成本低，缩短反馈弧

  • 实现一个可以运行起来的脚手架，再持续添加内容

✪ 踩坑心得

总结了以下三条过往工作中踩坑建议：

• 忌“太心急”，慢即是快

  • 需求澄清：类似TCP三次握手，用自己理解的方式再给对方讲一遍，确认双方理解一致，对焦，避免重复返工

  • 自我提问：为什么做这件事？业务价值是什么？关键技术是什么？已有的系统和它对比有什么不同？兄弟团队是否做过类似的工作？是否有经验可供参考？业务/技术的适用场景是什么？预计耗时和进度风险？

  • 新人往往脚踏实地，忘记了仰望星空，只顾着埋头苦干，不思考背后的业务价值，这一锄头，那一铁锹，遍地都是坑，就是不开花，费时费力，成就感低。

• 忌低效沟通，用数据说话

  • 精确地描述问题，上下文和范围，提供有效信息

  • 文档是提高沟通效率的最佳方式之一，Google有文档文化，推荐阅读《Design Docs at Google》[05]

  • Bad Case：「测试CX6网卡时，IOPS大幅下降」 

  • Good Case：「在100g网络标卡CX6验证性能时，8 jobs 32 depth iosize 4K场景下，极限IOPS从120万下降至110万，与FIC卡相比性能存在8%差异」

• 忌“蠢问题”，学会提问

  • 鼓励新人多提问，但提问的问题一定要有质量

  • 关于如何提出一个好问题推荐阅读《提问的智慧》[06]

  • Bad Case：「我在编译耗时很长，我怀疑是资源不够，这种情况怎么办？」

  • Good Case：「我的开发机编译耗时2小时，不符合预期，OS是centOS 7U、128GB内存、64Core，编译并发度是20核，未限制内存，编译过程使用Top查看确实20核并发，Cpu和Mem没有达到瓶颈，iostat看磁盘使用率每秒60%」

十、延伸阅读

文章的最后，推荐几本最近阅读过的书，好书读得越多越让人感到无知，“流水不争先，争得是滔滔不绝”，找到适合自己的节奏学习。

• 《编写可读代码的艺术》，豆瓣评分8.7，推荐理由：漂亮的代码长什么样、命名变量避免歧义、写出言简意赅的注释、抽取小函数让测试用例更易读等。

• 《Software Engineer at Google》，豆瓣评分8.7，推荐理由：介绍Google 软件工程文化、流程、工具，github有中文电子版。

• 《人月神话》，豆瓣评分9.2，推荐理由：被誉为软件工程圣经，与《人件》共同被称为双子星，两者是软件行业的神书，而其他书只能被称为经典，自1986年出版至今，每年销售量上万本，值得每隔1～2年反复阅读，初看不知剧中意，再看已是剧中人。

• 《数据密集型应用系统设计》，豆瓣评分9.7，推荐理由：软件开发者的必读书籍，衔接理论与实践，包括数据密集型应用系统所需的若干基本原则、深入探索分布式系统内部机制和运用这些技术、解析一致性/扩展性/容错和复杂度之间的权衡利弊、介绍分布式系统研究的最新进展（数据库）、揭示主流在线服务的基本架构等。

参考阅读

[01] 接近不可接受的负载边界

https://www.usenix.org/conference/srecon18americas/presentation/schwartz

[02] Software Engineering at Google

https://qiangmzsx.github.io/Software-Engineering-at-Google/#/zh-cn/Chapter-12_Unit_Testing/Chapter-12_Unit_Testing

[03] 测试左移在大型分布式系统中的工程实践

https://mp.weixin.qq.com/s/DSsscC_5ldOTCTbW6u-ubw

[04] Best Practices for Code Review

https://smartbear.com/learn/code-review/best-practices-for-peer-code-review/

[05] Design Docs at Google

https://www.industrialempathy.com/posts/design-docs-at-google/

[06] 提问的智慧

https://github.com/ryanhanwu/How-To-Ask-Questions-The-Smart-Way/blob/main/README-zh_CN.md