某618大促项目的复盘总结

一、前言

618期间上线一个活动项目。但上线不顺利，当天就出现了性能问题，接口超时，用户无法打开网页，最后不得的临时下线。花了三天两夜，重构了后台核心代码，才让活动进行下去。
回头看了一下自己的时间记录，从5月31号那天晚上8点25分开始准备上线，发现异常，分析原因，重构代码，离开公司时已经是6月2号的23点54，经历51小时29分，中间的睡眠时间不到5个小时，这已经是爆发小宇宙了。
这一波刚过去了，一波未平另一波又起，由于活动的奖励丰厚，大批羊毛党闻风而至，某宝上公开卖脚本的都有了，严重影响了正常用户薅羊毛。
某客户反馈说：我们别说薅羊毛了，现在是整头羊都被他们牵走了！
接下来的几天，又得和薅羊毛的脚本们斗智斗勇，直到活动结束。
而本文就对此做一次深度的复盘，在以后的项目中让自己快活一点。

二、一份看似完美的项目总结

当我们复盘项目过程时，能找到很多问题点，比如：

1. 人力不足，需求过于复杂，开发和测试工作量大。
2. 前后端开发、测试都是从其他团队抽掉的，对当前项目的业务和技术不熟悉。
3. 跨团队组建的临时团队，职责定义不清晰，项目管控不严格。
4. 开发对项目的用到的技术不熟悉，没有经过原有项目成员的CodeReview。
5. 测试通过太草率，压测方案设计不合理。
   ....
   列出问题后，很快就能一一写出改进点。
6. 从公司层面加强的整体项目安排，避免重复玩法的项目，资源投入到重点的几个活动中。
7. 加强团队的能力培养，总结文档，供新人学习。
8. 对于核心代码进行CodeReview，遇到问题时，项目经理协调资深开发协助解决。
9. 将临时组建团队职责定义清晰，各负责人沟通清楚。
10. 严格控制测试质量，测试有上线的否决权。
    ...
    这些总结看起来一点问题没有，列出了问题，也列出了改进点，甚至可以当成样板去使用了，是不是咱们就这么结束了呢。
    当然不是， 它本身的说法没有错，错在把问题的前提当作问题的原因。
    我们来看两种表述。
11. 下次我们要组建一个经验丰富的项目团队，避免质量问题发生。
12. 当下次我们面临一个临时组建，经验不足的项目团队时，如何避免质量问题发生。
    这两种表述的差异在哪？
    前一种表述是因为我们“团队”的原因，导致了本次质量问题，所以我们要解决“团队”的问题。
    而后一种是我们的团队就是临时组建的，我们的开发、测试就是对新项目的业务和技术不熟悉，在这个前提下，才会出现质量问题，那么在这个前提下，怎么避免质量问题呢？
    临时组建，经验不足不是问题的原因，它们是出现问题的前提，这是客观存在的。
    这就好比我们说解决一个问题时，最快的方式是，我们不解决问题，解决出问题的人就行了。
    在这里不就变成了，我们不解决问题，解决出问题的团队就行了。
    正是因为这个误区，我们很多时候一出现项目质量问题，就把锅甩给我们团队的协作有问题，或者我们的项目时间紧张，然后一句下次改进就结束了。
    这样的万能回答，看似一点没错，但往往就没法落地了。
    明明项目时间紧，新团队协作经验不足本来就客观的存在，没有它就没有问题，怎么可以当作问题本身给解决掉呢。

1、质量问题的关键原因

带着这个前提，我们再回头看前面的总结，其实就能过滤出真正有价值的点了。
我们也可以这么问，问题是不能避免的，但为什么在项目过程中我们的性能问题没有暴露出来？
三个角度：

1. 从项目角度，没有严格按项目流程来，特别是最后测试任务紧张，bug较多时，赶工给出了测试报告。
2. 从开发角度，没有找熟悉业务和技术的同学做CodeReview。
3. 从测试角度，压测方案设计不合理，不符合真实场景。
   逐一分析下。
   前面提到事故是后台的性能问题，从项目角度，就算流程严谨也没法暴露出性能问题，特别是在项目过程中，已暴露的风险是前端人力不足，中间加了人手，从功能的角度，后端进度完全正常。
   再看开发角度，这里我没有提开发的经验不足，不是在推脱责任，这同我们作为一个临时团队对业务的经验不足一样，它是一个客观存在的前提。当你接触新项目，使用新技术时，经验不足是肯定存在的。
   问题是在自身经验不足时，如何去完成任务，那么和熟悉业务和技术的同学做CodeReview是主要的手段。
   再从测试角度，功能测试是没有问题的，但跟性能相关的压测方案是有问题的，并且一开始就没有引起正视。最开始的压测方案是开发只出接口和参数文档，直接丢给测试去压，现在看来，这是错误的。
   因此，这次质量问题的关键总结如下。
   当下次我们面临一个临时组建，经验不足的项目团队时，面对大流量的业务需求，开发们需要注意：
4. 让熟悉业务和技术的同学帮忙做CodeReview。
5. 设计出符合业务场景的压测方案。
   这两点就可以落地了，这也不是说项目管理上没有改进的，而是优先保证这两点，能更有效的降低风险。
   CodeReview的技巧这里就不多少说，来谈谈我们做的几次压测方案的改进。

2、三轮的压测改进

1. 单用户，单接口，双机压测
2. 随机用户，多接口，全量压测
3. 随机用户，功能分组接口，全量压测
   最开始压测方案是用一个用户，两台服务器，一个缓存分片做压测，然后简单的用服务器QPS的均值乘以线上部署机器数量当作压测结果。
   这个方案如果是下图左侧的场景，调用链路上的服务器可以同时弹性扩展自然是可以的。
   但要是右侧的场景，调用链路上存在瓶颈，比如数据库是一个节点，并且无法扩展，那就问题了。
   同样的，这次项目的问题就是Redis成为了一个单节点的瓶颈。另外由于用户id是固定的，所以缓存很可能被重复使用，这样就难以测试到频繁创建缓存的场景。
   
   image
   
   在系统重构后，改进了一种压测方案，通过随机用户Id，批量轮询接口，并且通过测试环境的弹性扩展，完全模拟线上的部署环境。
   还通过加降级开关，把入参合法性、风控、时效性校验等临时关闭，以便能让压测的请求贯穿整个主流程。
   接着在这一方案的基础上，通过对接口分组和伪造恰当的数据，编写贴近真实的调用行为的脚本，再次做了压测。
   在执行人员上，也经历了从开发提供数据，测试全权负责；到测试主导，开发参与；再到开发主导，测试协助的过程。
   由此，压测方案就越来越贴近真实场景，压测结论自然就更加可信 。

3、高并发场景下的设计

前面谈到了系统设计的不合理导致了本次性能问题，来分析下这里面的根本原因。
首先要理解的是，Redis集群是由多个分片构成的，一条数据的被写到哪个分片里，是由key的hash值来离散的。

image

比如说，我们要在Redis里面缓存一批用户信息，并且能通过ID来存取。
如果用Redis自带的Hash表结构写法如下：
存：redis.hset("userMap",ID,userInfo)
读：redis.hget("userMap",ID)
那么，因为key是固定的userMap，这意味着所有的用户信息都会被写到一个分片里。

image

而对于通常的分布式系统的设计，一个基本原则是：让流量尽可能的被集群的机器平摊。
固定的key就无法利用分布式的优势了，并且如果并发量高，这就会让一个分片去抗所有的流量，再加上如果用户量数十万，还有一次性读取所有数据的操作，这样就变成一场灾难了。
实际设计时，直接把整个Redis集群当作一个Hash表的方式更加高效。
存：redis.set("userMap"+ID,userInfo)
读：redis.get("userMap"+ID)
这里的key="userMap"+ID，ID不同key就被离散了，请求会集群平摊，从而充分发挥分布式系统的性能。

三、黑产和羊毛党的问题

在项目上线后另一个没重视的问题出现了，那就是大量的黑产和羊毛党出现，活动奖励全被这些用脚本的人占据了。
对黑产的事前考虑太少了，仅做了简单的风控校验，根本检测不足异常用户，导致黑产可以通过脚本大量刷接口。
这里的经验有两点：

1. 对包含现金、现金等价物或高价值奖励的活动，要有面对黑产的心理预期。
2. 在大公司，专业的事情找专业的人做，基于业务场景，提前跟风控团队沟通好。
   对于第一点，基本上只要值点钱的活动，黑产肯定跑不了，空手套白狼，抢到就是赚到，不妨想想如果你是黑产，结合下业务场景，你会怎么来刷自己的系统。
   基于第一点，公司没有风控团队那就只能自己做了，而一般上点规模的公司都有自己的风控团队，利用好现成资源。
   风控主要考虑两方面：
3. 有风控团队的，接入他们的通用风控模型。
4. 针对项目的业务场景，定制化一些风控模型。
   通用风控模型基本是通过新老账号、异地登录、人机识别等等用户行为建立的用户画像，通过离线计算和实时校验来处理。
   定制化模型视情况而定，比如拉一个单独的小黑户，放进去的用户不能参与这个活动等等。
   被拦截的用户一般是走验证码或直接拉黑，对于后者，别忘了和客服的妹子们打好招呼，准备下话术应对客诉。

四、结语

最后总结下项目的经验。
首先是前提：

1. 当你的面前的是一个临时组建，对现在项目经验不足的项目团队时。
2. 当你面临一个大流量，包含现金或等价物的活动时。
   请务必做好这三点：
3. 找熟悉本项目的业务和技术的开发参与方案的设计和CodeReview。
4. 请开发主动参与压测任务，设计压测方案，注意尽可能模拟真实场景。
5. 做好应对黑产的心理准备，直到大促活动结束。
   来自于，一个连续加班51小时29分，被用户吐槽整只羊都被人家牵走了的开发。