亿级商品详情页架构演进技术解密 | 高可用架构系列 二

转载:http://mp.weixin.qq.com/s?__biz=MzAwMDU1MTE1OQ==&mid=210272034&idx=1&sn=3be9d2b53c7fec88716ee8affd2515f8&scene=5&srcid=FtID3LDZmQvJW8mQ86jr#rd

多机房多活
对于我们这种核心系统，我们需要考虑多机房多活的问题。目前是应用无状态，通过在配置文件中配置各自机房的数据集群来完成数据读取。
其实我们系统只要存储多机房就多活了，因为系统天然就是。数据集群采用一主三从结构，防止当一个机房挂了，另一个机房压力大产生抖动。
各个机房都是读本机房的从另外每个机房都是俩份数据，不怕因为机房突然中断恢复后的影响。

多种压测方案
我们在验证系统时需要进行压测。
线下压测，Apache ab，Apache Jmeter，这种方式是固定url压测，一般通过访问日志收集一些url进行压测，可以简单压测单机峰值吞吐量，但是不能作为最终的压测结果，因为这种压测会存在热点问题；

线上压测，可以使用Tcpcopy直接把线上流量导入到压测服务器，这种方式可以压测出机器的性能，而且可以把流量放大，也可以使用Nginx+Lua协程机制把流量分发到多台压测服务器，或者直接在页面埋点，让用户压测，此种压测方式可以不给用户返回内容。服务刚开始的时候大量使用tcpcopy做验证，对于一些 新服务，如果无法使用tcpcopy我们就在页面埋url让用户来压。

另外压测时，要考虑读、写、读或写同时压。只压某一种场景可能都会不真实。

遇到的一些问题和解决方案

SSD性能差

使用SSD做KV存储时发现磁盘IO非常低。配置成RAID10的性能只有3_{6MB/s；配置成RAID0的性能有}130MB/s，系统中没有发现CPU，MEM，中断等瓶颈。一台服务器从RAID1改成RAID0后，性能只有~60MB/s。这说明我们用的SSD盘性能不稳定。

据以上现象，初步怀疑以下几点：SSD盘，线上系统用的三星840Pro是消费级硬盘；RAID卡设置，Write back和Write through策略（后来测试验证，有影响，但不是关键）；RAID卡类型，线上系统用的是LSI 2008，比较陈旧。

下面是使用dd做的简单测试。
我们现实竟然使用的是民用级盘， 一个月坏几块很正常。后来我们全部申请换成了INTEL企业级盘，线上用3500型号。

键值存储选型压测

在系统设计初期最头痛的就是存储选型，我们对于存储选型时尝试过LevelDB、RocksDB、BeansDB、LMDB、Riak等，最终根据我们的需求选择了LMDB。

机器：2台
配置：32核CPU、32GB内存、SSD（(512GB)三星840Pro―> (600GB)Intel 3500 /Intel S3610）
数据：1.7亿数据（800多G数据）、大小5~30KB左右
KV存储引擎：LevelDB、RocksDB、LMDB，每台启动2个实例
压测工具：tcpcopy直接线上导流
压测用例：随机写+随机读

LevelDB压测时，随机读+随机写会产生抖动（我们的数据出自自己的监控平台，分钟级采样）。
我们线上一些顺序写的服务在使用leveldb，RocksDB是改造自LevelDB，对SSD做了优化，我们压测时单独写或读，性能非常好，但是读写混合时就会因为归并产生抖动。
在归并时基本达到了我们磁盘的瓶颈，LMDB引擎没有大的抖动，基本满足我们的需求。
我们目前一些线上服务器使用的是LMDB，新机房正在尝试公司自主研发的CycleDB引擎。目前我看到的应该很少使用LMDB引擎的。

数据量大时Jimdb同步不动

Jimdb数据同步时要dump数据，SSD盘容量用了50%以上，dump到同一块磁盘容量不足。
解决方案：

1. 一台物理机挂2块SSD(512GB)，单挂raid0；启动8个jimdb实例；这样每实例差不多125GB左右；目前是挂4块，raid0；新机房计划8块raid10；

2. 目前是千兆网卡同步，同步峰值在100MB/s左右；

3. dump和sync数据时是顺序读写，因此挂一块SAS盘专门来同步数据；

4. 使用文件锁保证一台物理机多个实例同时只有一个dump；

5. 后续计划改造为直接内存转发而不做dump。

切换主从

因为是基于Redis的，目前是先做数据RDB dump然后同步。后续计划改造为直接内存复制，之前存储架构是一主二从（主机房一主一从，备机房一从）切换到备机房时，只有一个主服务，读写压力大时有抖动，因此我们改造为之前架构图中的一主三从。

分片配置

之前的架构是存储集群的分片逻辑分散到多个子系统的配置文件中，切换时需要操作很多系统。

解决方案：

1. 引入Twemproxy中间件，我们使用本地部署的Twemproxy来维护分片逻辑；

2. 使用自动部署系统推送配置和重启应用，重启之前暂停mq消费保证数据一致性；

3. 用unix domain socket减少连接数和端口占用不释放启动不了服务的问题。

我们都是在应用本地部署的Twemproxy，然后通过中间系统对外提供数据。

模板元数据存储HTML

我们前端应用使用的是Nginx+Lua，起初不确定Lua做逻辑和渲染模板性能如何，就尽量减少for、if/else之类的逻辑；通过java worker组装html片段存储到jimdb，html片段会存储诸多问题，假设未来变了也是需要全量刷出的，因此存储的内容最好就是元数据。

因此通过线上不断压测，最终jimdb只存储元数据，lua做逻辑和渲染；逻辑代码在3000行以上；模板代码1500行以上，其中大量for、if/else，目前渲染性可以接受。

线上真实流量，整体性能从TOP99 53ms降到32ms。
绑定8 CPU测试的，渲染模板的性能可以接受。

库存接口访问量600W/分钟

商品详情页库存接口2014年被恶意刷，每分钟超过600w访问量，tomcat机器只能定时重启；因为是详情页展示的数据，缓存几秒钟是可以接受的，因此开启nginx proxy cache来解决该问题，开启后降到正常水平；我们目前正在使用Nginx+Lua架构改造服务，数据过滤、URL重写等在Nginx层完成，通过URL重写+一致性哈希负载均衡，不怕随机URL，一些服务提升了10%+的缓存命中率。

目前我们大量使用内存级nginx proxy cache和nginx共享字典做数据缓存。
http://c.3.cn/recommend?callback=jQuery4132621&methods=accessories%2Csuit&p=103003&sku=1217499&cat=9987%2C653%2C655&lid=1&uuid=1156941855&pin=zhangkaitao1987&ck=pin%2CipLocation%2Catw%2Caview&lim=6&cuuid=1156941855&csid=122270672.4.1156941855%7C91.1440679162&c1=9987&c2=653&c3=655&_=1440679196326

还有我们会对这些前端的url进行重写，所以不管怎么加随机数，都不会影响我们服务端的命中率，我们服务端做了参数的重新拼装和验证。

微信接口调用量暴增

14年的一段时间微信接口调用量暴增，通过访问日志发现某IP频繁抓取；而且按照商品编号遍历，但是会有一些不存在的编号。

解决方案：

1. 读取KV存储的部分不限流；

2. 回源到服务接口的进行请求限流，保证服务质量。

3. 回源到DB的或者依赖系统的，我们也只能通过限流保证服务质量。

开启Nginx Proxy Cache性能不升反降

开启Nginx Proxy Cache后，性能下降，而且过一段内存使用率到达98%。

解决方案：

1. 对于内存占用率高的问题是内核问题，内核使用LRU机制，本身不是问题，不过可以通过修改内核参数
   sysctl -w vm.extra_free_kbytes=6436787
   sysctl -w vm.vfs_cache_pressure=10000

2. 使用Proxy Cache在机械盘上性能差可以通过tmpfs缓存或nginx共享字典缓存元数据，或者使用SSD，我们目前使用内存文件系统。

配送至读服务因依赖太多，响应时间偏慢

配送至服务每天有数十亿调用量，响应时间偏慢。
解决方案：

1. 串行获取变并发获取，这样一些服务可以并发调用，在我们某个系统中能提升一倍多的性能，从原来TP99差不多1s降到500ms以下；

2. 预取依赖数据回传，这种机制还一个好处，比如我们依赖三个下游服务，而这三个服务都需要商品数据，那么我们可以在当前服务中取数据，然后回传给他们，这样可以减少下游系统的商品服务调用量，如果没有传，那么下游服务再自己查一下。

假设一个读服务是需要如下数据：

1. 数据A 10ms

2. 数据B 15ms

3. 数据C  20ms

4. 数据D  5ms

5. 数据E  10ms

那么如果串行获取那么需要：60ms；而如果数据C依赖数据A和数据B、数据D谁也不依赖、数据E依赖数据C；那么我们可以这样子来获取数据：

那么如果并发化获取那么需要：30ms；能提升一倍的性能。

假设数据E还依赖数据F(5ms)，而数据F是在数据E服务中获取的，此时就可以考虑在此服务中在取数据A/B/D时预取数据F，那么整体性能就变为了：25ms。

我们目前大量使用并发获取和预取数据，通过这种优化我们服务提升了差不多10ms性能。 而且能显著减少一些依赖服务的重复调用，给他们减流。
如下服务是在抖动时的性能，老服务TOP99 211ms，新服务118ms，此处我们主要就是并发调用+超时时间限制，超时直接降级。

网络抖动时，返回502错误

Twemproxy配置的timeout时间太长，之前设置为5s，而且没有分别针对连接、读、写设置超时。后来我们减少超时时间，内网设置在150ms以内，当超时时访问动态服务。对于读服务的话，应该设置合理的超时时间，比如超时了直接降级。

机器流量太大

2014年双11期间，服务器网卡流量到了400Mbps，CPU30%左右。原因是我们所有压缩都在接入层完成，因此接入层不再传入相关请求头到应用，随着流量的增大，接入层压力过大，因此我们把压缩下方到各个业务应用，添加了相应的请求头，Nginx GZIP压缩级别在2~4吞吐量最高；应用服务器流量降了差不多5倍；目前正常情况CPU在4%以下。

因为之前压缩都是接入层做的，后来因为接入的服务太多，因此我们决定在各应用去做。

一些总结

• 数据闭环

• 数据维度化

• 拆分系统

• Worker无状态化+任务化

• 异步化+并发化

• 多级缓存化

• 动态化

• 弹性化

• 降级开关

• 多机房多活

• 多种压测方案

• Nginx接入层线上灰度引流

• 接入层转发时只保留有用请求头

• 使用不需要cookie的无状态域名（如c.3.cn），减少入口带宽

• Nginx Proxy Cache只缓存有效数据，如托底数据不缓存

• 使用非阻塞锁应对local cache失效时突发请求到后端应用(lua-resty-lock/proxy_cache_lock)

• 使用Twemproxy减少Redis连接数

• 使用unix domain socket套接字减少本机TCP连接数

• 设置合理的超时时间（连接、读、写）

• 使用长连接减少内部服务的连接数

• 去数据库依赖（协调部门迁移数据库是很痛苦的，目前内部使用机房域名而不是ip），服务化

• 客户端同域连接限制，进行域名分区：c0.3.cn c1.3.cn，如果未来支持HTTP/2.0的话，就不再适用了。

  
  

Q&A

Q1：对于依赖服务的波动，导致我们系统的不稳定，我们是怎么设计的？
我们的数据源有三套：前端数据集群 该数据每个机房有两套，目前两个机房。数据异构集群同上动态服务(调用依赖系统)。

1. 设置好超时时间，尤其连接超时，内网我们一般100ms左右；

2. 每个机房读从、如果从挂了降级读主；

3. 如果前端集群挂了，我们会读取动态服务（1、先mget原子数据异构集群；2、失败了读依赖系统）。

Q2：静态化屏蔽通过js是怎么做的？

1. 紧急上线js，做跳转；

2. 上线走流程需要差不多10分钟，然后还有清理CDN缓存，用户端还有本地缓存无法清理；

3. 我们目前文件都放到我们的自动部署上，出问题直接修改，然后同步上去，重启nginx搞定。

Q3：内网的服务通过什么方式提供？
我偏好使用HTTP，目前也在学习HTTP2.0，有一些服务使用我们自己开发类似于DUBBO的服务化框架，之前的版本就是DUBBO改造的。

Q4：对于mq 的处理如果出现异常是怎么发现和处理的？

1. MQ，我们目前是接收下来存Redis，然后会写一份到本地磁盘文件；

2. 我们会把消息存一天的；

3. 一般出问题是投诉，我们会紧急回滚消息到一天中的某个时间点。

Q5：对于模板这块，有做预编译处理？或者直接使用Lua写模板吗？

1. luajit，类似于java jit；

2. lua直接写模板。

Q6： jimdb能否介绍下，特性是什么，为什么选用?

1. jimdb就是我们起的一个名字，之前版本就是redis+lmdb持久化引擎，做了持久化；

2. 我们根据当时的压测结果选择的，按照对比结果选择的，我们当时也测了豆瓣的beansdb，性能非常好，就是需要定期人工归并。

Q7：咨询下对于价格这类敏感数据，前端有缓存么？还是都靠价格服务扛？

1. 价格前端不缓存；

2. 价格实时同步到Nginx+Lua本地的redis集群（大内存）；

3. 不命中的才回源到tomcat查主redis/DB。

价格数据也是通过MQ得到变更存储到本地redis的，nginx+lua直接读本机redis，性能没的说。

Q8：库存和价格一样的模式处理吗？
前端展示库存不是，我们做了几秒的服务端缓存。

Q9：github里有一个开源的基于lmdb的redis 你们用的这个吗?
我们内部自己写的，有一版基于LevelDB的，我记得github上叫ardb。

Q10：看测试条件说测试的是大小5~30KB左右的数据，有没有测试过更大文件lmdb的表现？
这个没有，我们的数据都是真实数据，最大的有50KB左右的，但是分布比较均匀；当时还考虑压缩，但是发现没什么性能问题，就没有压缩做存储了。

Q11：关于redis缓存，是每个子系统拥有自己的一套缓存；还是使用统一的缓存服务？是否有进行过对比测试？（看到又说使用单机缓存防止服务挂掉，影响整体服务）

1. 我们公司有统一的缓存服务接入并提供运维；

2. 我们的服务自己运维，因为我们是多机房从，每机房读自己的从，目前不支持这种方式；

3. （看到又说使用单机缓存防止服务挂掉，影响整体服务）这个主要是降级+备份+回源解决。

Q12： “我们目前一些线上服务器使用的是LMDB，其他一些正在尝试公司自主研发的CycleDB引擎”。 开始自主研发，这个是由于lmdb有坑还是处于别的考虑？

1. 写放大问题；

2. 挂主从需要dump整个文件进行同步。

想和群内专家继续交流电商高可用架构，请关注公众号后，回复arch，申请进群。

本文策划陈刚@北京智识，内容由刘世杰@猎聘网编辑，四正@大连华信校对与发布，其他多位志愿者对本文亦有贡献。更多关于架构方面的内容，读者可以通过搜索"ArchNotes"或点击页首的蓝字，关注"高可用架构"公众号，查看更多架构方面内容，获取通往架构师之路的宝贵经验。转载请注明来自"高可用架构 (ArchNotes)"微信公众号。