分布式高可用：故障隔离

---

前言

分布式系统高可靠技术，包括分布式负载均衡和流量控制。除了高可靠，在实际生产中，分布式系统的高可用也极其重要。

比如，在双十一的抢购高峰期，如果分布式系统不能满足高可用的特性，那么当大量用户同时抢购时就可能导致系统崩溃，无法提供服务，导致大量用户流失。

故障隔离和恢复机制这两项关键技术，保证分布式系统的高可用。

什么是故障隔离？

故障隔离：把故障通过某种方式与其他正常模块进行隔离，以保证某一模块出现故障后，不会影响其他模块。

生活有很多故障隔离的例子，比如交通。一辆车就类似于分布式系统中的一个模块，当一辆车在高速公路上出现故障后，通常会将其停靠在紧急车道，或者在其前后设置故障指示牌，以防止其他车辆与其相撞，引起更大的交通事故。这种将故障车辆停靠在路边紧急车道或设置故障指标牌的方法，就是一种故障隔离。

分布式系统的故障隔离：采用一定的策略，以实现当某个模块故障时，不会影响其他模块继续提供服务，以保证整个系统的可用性。所以说故障隔离可以避免分布式系统出现大规模的故障，甚至是瘫痪，降低损失。

在分布式系统中，要实现故障隔离，通常需要在进行系统设计时，提前对可能出现的故障进行预防，以使得在出现故障后能实现故障隔离。此外，由于是提前设计预防的，因此故障隔离还可以帮助我们快速定位故障点。

分布式系统中的故障隔离策略是在系统设计时就进行考虑，从预防的角度来实现故障发生时，该模块故障不会影响其他模块。因此故障隔离策略是整个系统设计时，从高可用这个维度进行设计的策略。

分布式故障隔离策略

分布式系统中的故障隔离策略有很多，大体上可以从两个维度来划分：

• 以系统功能模块为粒度进行隔离。比如，通过系统功能 / 服务划分，将系统分为多个功能 / 服务模块，各个功能 / 服务模块之间实现松耦合，即一个功能 / 服务模块出现故障，不会影响其他功能 / 服务模块，根据功能模块或服务由线程执行还是进程执行，通常分为线程级隔离、进程级隔离。
• 通过资源隔离来实现。比如，系统中各个模块拥有自己独立的资源，不会发生资源争抢，从而大大提升系统性能。根据资源所属粒度，通常包括进程级隔离（比如采用容器隔离）、虚拟机隔离、服务器隔离和机房隔离等。

线程级隔离

线程级故障隔离：使用不同的线程池处理不同的请求任务。当某种请求任务出现故障时，负责其他请求任务的线程池不会受到影响，即会继续提供服务，从而实现故障的隔离。

如图所示，以电商购物平台为例，假设初期运行在单台机器的一个进程中，在这个进程中有三个线程池，分别负责订单任务、支付任务和配送任务。当订单请求出现故障时，不会影响已下单用户的支付和仓库配送服务。

线程级的故障隔离策略，在生产环境中较为常用，尤其对于单体应用（单进程多线程的应用）。在单体应用场景下，应用被单个进程执行，但单进程中包括多个线程，因此该场景下，只需要实现线程级隔离即可，实现简单、效果好，因此是一种很常用的方式。

系统实现线程级隔离后，线程间的通信通常使用共享变量来实现。共享变量是一个进程中的全局变量，在进程的各个线程间可以同时使用。这种通信方式，实现简单且效果明显。

进程级隔离

随着业务逐渐扩大，业务系统也会越来越复杂，单体应用可能无法满足公司与用户的需求，需要对系统进行拆分。

将系统按照功能分为不同的进程，分布到相同或不同的机器中。如果系统的进程分布到不同机器上的话，从资源的角度来看，是主机级的故障隔离。 因为从另一个层面看，系统确实分布到了不同机器上，当某个机器出现故障时，不会对其他机器造成影响。

如图所示，电商购物平台可以分为订单系统、支付系统和配送系统三部分。这三个子系统可以采用三个不同的进程来服务用户。 这就是一个进程级的故障隔离方案，即不同的子系统对应不同的进程，某一个子系统出现故障，都不会导致其他系统不可用。

系统实现进程级隔离后，进程间的协同必须通过进程间通信（IPC）来实现。进程间通信有很多方式，大体可以分为以下两类：

• 如果进程都在同一台机器上，则可以通过管道、消息队列、信号量、共享内存等方式实现；
• 如果进程分布在不同机器上，则可以通过远程调用来实现。

进程级故障隔离，目前在分布式应用中应用广泛，比如常见的电商、火车票购买等业务。

资源隔离

资源隔离：将分布式系统的所有资源分成几个部分，每部分资源负责一个模块，系统各个模块就不会争抢资源，即资源之间互不干扰。不仅可以提高硬件资源利用率，也便于系统的维护与管理，可以大幅提升系统性能。

微服务就是一个典型的例子。很多公司都在将自己的业务系统微服务化，比如亚马逊、阿里、华为、微软等。在微服务的理念中，是尽可能将服务最小化，服务与服务之间进行解耦，包括运行环境的相互隔离等。比如，现在通常采用容器进行隔离，Mesos、Kubernetes 等可实现容器管理与调度，而 Mesos 和 Kuberntes 的上层应用很多都是微服务。

在微服务框架中，一个服务通常对应一个容器，而一个容器就是操作系统中一个进程，不同容器负责不同的服务，不同进程负责系统不同的功能模块。

如图所示，如果将电商购物平台微服务化，则可以启动三个容器，分别负责订单服务、支付服务和配送服务。一个容器对应一个进程，因此微服务框架本质上还是一种进程级故障隔离策略。

与进程级隔离不同的是，微服务框架采用容器进行故障隔离。容器虽然本质上是操作系统的一个进程，但具备普通进程不具备的特性，比如资源隔离。

一个普通进程有很大的计算或内存需求时，可能会占满物理机上所有的 CPU、内存资源，导致其他进程没有资源可用，引发进程间的资源争夺；但容器可以实现资源限制，让每个容器占用的资源都有一个上限，比如 CPU、内存，均会设置一个上限值，这个上限值限定了该容器的处理能力，就好比一台服务器具有资源上限值一样。因此，一个容器使用的资源不会影响其他容器的资源，从而避免资源争抢，提高性能。

容器是一种虚拟化技术，可以为应用提供一整套运行环境。容器通过限制自身使用的资源来实现资源隔离，从而让容器就像一个个的“集装箱”：容量固定， 存放着任意的物品。

目前，比较常用的容器是 Docker。Docker 主要使用 Linux 内核中的 Linux Cgroups 模块来设置容器的资源上限，包括 CPU、内存、磁盘、网络带宽等。通过 Cgroups 模块，容器间就形成了资源隔离，从而避免了容器间的资源争夺，提升了系统性能。 通过容器进行资源隔离后，需要容器进行网络配置来进行容器间的通信。比如，Docker 默认是通过建立虚拟网桥来实现容器间通信的。

虚拟机级别的隔离也是资源隔离的一种常用手段，一台物理机可以安装多个虚拟机，每个虚拟机都会分配一定的资源，进行资源隔离。

主机级别的隔离也可以说是一种资源隔离，每台机器的资源是独享的，不会与其他机器发生资源争夺，从而做到资源隔离。

其实还有一些更粗力度的隔离策略，比如集群隔离、机房隔离等，这些策略主要是跨集群或跨地域的隔离策略。这些粗粒度的隔离策略，不仅可以根据系统功能 / 服务等维度对系统进行划分，比如每个功能 / 服务由一个集群或一个机房单独负责，而且也是一种资源隔离策略，即集群间或机房间资源互相隔离，不会发生资源争夺，互不影响。

故障隔离策略综合对比

知识扩展：从用户角度看，有哪些常用的故障隔离方案？

无论是按照功能 / 服务划分模块，实现进程级、虚拟机级等故障隔离，还是按照系统资源进行故障隔离，它们都是一种针对服务方的故障隔离手段。还有一种故障隔离策略是，针对用户的，即用户级别的故障隔离。

用户级别的故障隔离：将不同用户分开，当系统出现故障时，只影响部分用户，而不是全体用户。比如，发布产品前大多会有一个“灰度发布”过程， 就是先发布给一小部分用户进行测试，如果没问题再大规模发布；如果有问题也只是影响一小部分用户。

常用的用户级别故障隔离策略，有数据分片、负载均衡等。

• 数据分片：系统可以将不同用户的数据存储到不同的数据库，即一个数据库只存储部分用户的信息。这样当某个数据库出现故障时，仅影响该故障数据库存储的用户，而不会影响全部用户。
• 负载均衡：当处理请求的某个服务器出现故障时，只影响该故障服务器负责的用户请求，而不会影响其他服务器负责的用户请求。

总结