Uber是如何扩展他们的实时市场平台的

【编者的话】据了解，在短短四年间，Uber已经惊人地增长了38倍。最近，Uber的首席系统架构师Matt Ranney 在他的报告“扩展Uber的实时市场平台”中，对Uber软件系统的工作原理进行了一个有趣而又详细的介绍。本文对Matt的报告内容作了一个简单的总结。本文是一篇翻译稿，原文题目为“How Uber Scales Their Real-Time Market Platform”，已获得作者授权。

在Matt的报告中，给人印象最深刻的是Uber的快速增长。他们对于系统架构所做的很多选择都是基于公司规模的快速增长。很多技术都运行在后台，因为尽可能地让团队快速运转一直是他们的主要目标。

经过开始时期一个短暂的混乱阶段之后，Uber已经从自身的业务中学习到了很多，包括成功所真正需要的东西。他们早期的调度系统主要是面向移动的人。而现在，除了人之外，Uber的任务已经发展到处理箱子和杂货，他们的调度系统已经被抽象化，并且构建了非常坚实和智能化的基础架构。

虽然Matt认为，他们的架构可能有一些疯狂，但是使用附带gossip协议的一致性哈希ring的想法似乎正好符合他们的实际情况。

不被Matt的工作热情所吸引是很困难的。在谈到他们的调度系统DISCO的时候，他非常兴奋地说到，这实际上就像一个很酷的计算机科学问题，即旅行商问题。尽管该解决方案不是最佳的，但将其想象为一个真实世界中旅行商，他具有一个有趣的规模，而且是实时的，内置了容错可伸缩的组件。这多酷啊！

本文中，我们介绍了Uber的调度系统，他们是如何实现地理空间索引，他们是如何扩展他们的系统，他们是如何实现高可用性，以及他们如何处理系统故障，包括当出现数据中心故障的时候，通过将司机的手机作为一个外部分布式存储系统，Uber采用了一种非常出色的系统恢复方式。

统计

• Uber地理空间索引的目标是以每秒百万次的速度写入，以及以写入速度数倍的速度读出。
• 该调度系统具有数千个节点。

平台

• Node.js
• Python
• Java
• Go
• iOS和Android系统上的本地应用程序
• Microservices
• Redis
• Postgres
• MySQL
• Riak
• Twitter Twemproxy
• Google的S2 Geometry Library
• ringpop—一致性哈希ring
• TChannel—RPC网络复用和成帧协议
• Thrift

架构概述

• 驱动这一切的是使用移动电话运行原生应用程序的乘客和司机。
• 后端主要为移动电话之间的信息处理服务。客户端与后端之间的通信是通过移动数据和尽力而为的互联网。
• 客户端连接到调度系统，以匹配乘客和司机之间的供应和需求。
• 调度系统几乎完全用Node.js编写。
  • 过去计划将其移动到io.js，但之后io.js和Node.js合并所以放弃了。
  • 你可以在JavaScript上做一些有趣的分布式系统工作。
• 整个Uber系统可能看起来很简单。但这种简单的方式就是成功的标志。只要它看起来足够简单，他们的工作就完成了。
• 地图/ ETA（预计到达时间）。在调度过程中，获取地图和路由信息对于最终做出明智的选择是非常必要的。
  • 街道地图和历史出行时间被用来估计当前的出行时间。
  • 使用的语言很大程度上取决于系统所要集成的内容。因此，语言包括Python，C ++和Java。
• 服务。存在大量的业务逻辑服务。
  • 微服务。
  • 大多用Python编写。
• 数据库
  • 最早的系统是用Postgres编写。
  • 使用Redis。一些是在Twemproxy中，一些是在自定义集群系统中。
  • MySQL
  • Uber 正在构建自己分布式列存储，以存储MySQL实例。
  • 一些调度服务保存状态在Riak中。
• 评论和反馈。一次出行完成之后还需要大量的处理。
  • 收集评分。
  • 发送电子邮件。
  • 更新数据库。
  • 计划付款。
  • 用Python编写。
• 费用。Uber集成了多种支付系统。

旧的调度系统

• 原来的调度系统中的不足已经开始限制公司的增长，所以它不得不改变。
• 系统的大部分都需要重写。
• 旧的系统是专为个人出行而设计，它做了很多假设：
  • 每辆车只有一个乘客，这种假设不适合Uber Pool。
  • 只有移动的人被考虑到数据模型和接口中。这限制了公司进军新市场和新产品，如需要运输的食品和箱子。
  • 最初的版本是按城市进行分片。这具有很好的可扩展性，因为每个城市可以独立运行。但随着越来越多城市的加入，它变得越来越难以管理。城市有大有小，不同城市的交通负荷也不同。
• 因为很多东西都是被快速构建起来，因此一旦出现故障，都会相互影响。

新的调度系统

• 为了解决城市分片问题以及支持更多类型的产品，供应和需求的概念必须被扩展，所以一个供应服务和一个需求服务应该被创建。
• 供应服务跟踪所有供应的数量，以及它们的状态。
  • 跟踪车辆需要建模很多属性：座位数，车辆的类型，车辆是否有儿童专座，是否能容纳一个轮椅，等等。
  • 车辆的容量需要被跟踪。例如一辆车辆，可能有三个席位，但其中两个已经被占用了。
• 需求服务跟踪所有请求和订单，以及方方面面的要求。
  • 如果一个乘客需要一个汽车座位，那么请求必须与库存相匹配。
  • 如果乘客不介意以一个更便宜的价格分享车辆座位，这种情况也需要被建模。
  • 如果有箱子或食物需要运送怎么办？
• 匹配所有需求与供应的方法是一种被称为DISCO的服务（调度优化）
  • 旧的系统仅仅是匹配现有的供应量，这意味着仅仅针对在路上等待工作的车辆。
  • DISCO支持对未来的预测，一旦车辆变成可用，系统就马上利用这些信息。
  • 汽车地理位置索引（geo by supply）。DISCO需要一个地理空间索引，以基于所有供应的位置以及它们预计所在的地点来进行决策。
  • 需求地理位置索引（geo by demand）。需求也需要地理空间索引
  • 一个更好的路由引擎需要利用所有这些信息。

调度

• 当车辆在周围移动的时候，位置更新将发送给geo by supply。为了将乘客与司机进行匹配，或将汽车显示在地图上，DISCO发送一个请求给geo by supply。
• Geo by supply进行一个简单的初步过滤，以获得附近的符合要求的候选车辆。
• 然后列表和要求被发送到路由/ETA，以计算它们目前的距离有多近。距离并不是地理上的，而是通过道路系统计算得到。
• ETA的排序结果被发送回供应系统，然后将结果提供给司机。

地理空间索引

• 必须有很高的可扩展性。设计目标是每秒处理百万次写入。当司机在移动的时候每4秒发送一次位置更新，写入速度由此计算出来。
• 对于读出来说，每秒读出的次数应该远多于每秒写入的次数，因为每个开放的app用户都在进行读出操作。大部分供应都处于繁忙状态，所以有效供应中只有一部分能够利用。
• 通过一个简单的假设，旧的地理空间索引运行良好，即它只追踪可调度的供应。大部分供应都处于繁忙状态，所以有效供应中只有一部分能够利用。在几个进程中存在一个全局索引存储在内存中。因此做一些简单的匹配是比较容易的。旧的地理空间索引只追踪可调度的供应。大部分供应都处于繁忙状态，所以有效供应中只有一部分能够利用。
• 在新的系统中，不同状态的所有供应都必须被跟踪。此外，它们的规划路由也必须被跟踪。
• 新的服务运行了数百个进程。
• 地球是一个球体。很难纯粹基于经度和纬度做计算和近似。所以Uber通过使用Google S2 library把地球分成小的单元。每个单元都有一个唯一的ID号。
• 使用一个64位数，地球上的每一平方厘米都可以被表示。对于每个单元的大小，Uber分成了12个层次，从3.31平方公里到6.38平方公里，每个单元的形状和大小也不同，这些都取决于你在地球上的位置。
• S2可以为一个具体的形状给出覆盖单元。如果你想在伦敦绘制一个半径为1公里的圆圈，S2可以告诉你需要哪些单元来完全覆盖这个形状。
• 由于每个单元都有一个ID号，而ID号被用作一个分片密钥。当一个位置加入到供给中时，这个位置的ID就确定了。
• 当DISCO需要在位置附近找到供应的时候，以司机所在位置为中心进行画圈，计算不同位置的价值。使用圆圈区域内的单元ID，集合所有相关的分片，然后返回供应数据。
• 所有都是可扩展的。通过增加更多的节点写入负载总是能被扩展。通过使用副本读出负载也能被扩展。如果需要更高的读出能力，可以增加更多的副本。
• 单元大小被固定在12个层次也存在不足。未来可能支持动态单元大小。

路由

• 存在几个高层次的目标：
  • 减少额外的驾驶。理想的情况下，司机应该一直载着乘客，但现实中总是存在排队等事情，司机应该为所有事情获得报酬。
  • 减少等待。司机应当等待的尽可能少。
  • ETA总量应该最小。
• 旧的系统按要求搜索当前可用的供应，然后找到最匹配的
• 仅仅查看当前可用的供应还不能做出好的选择。
• 我们的想法是，对于一个客户来说，问一个正载着乘客的司机比问一个闲置的但距离很远的司机要更好。
• 通过这个预测模型，动态条件能够被更好地处理。
  • 例如，如果一个司机正好在一个顾客附近，但是另一个司机已经从远处被调度过来，没有办法改变这种调度决策。
  • 举另一个例子，对于那些想分享车辆的顾客。在很多复杂的场景中，通过尽力地对未来进行预测，更多的优化是可能的。
• 当考虑箱子或食品的运输时，所有这些决策将变得更加有趣。

扩展调度

• 使用Node.js构建。
• 他们正在构建一个有状态的服务，因此无状态的扩展方法将无法正常工作。
• Node是单进程运行的，因此需要设计方法让Node运行在一台机器的多个cpu上，以及运行在多台机器上。
• 使用JavaScript重新实现所有的Erlang是一个笑话。
• 扩展Node的解决办法是ringpop，其是一个附带gossip协议的一致哈希ring，实现一个可扩展的，容错的应用层分片。
• 在CAP术语中，ringpop是一个AP系统,牺牲一致性来换取可用性。这就容易解释偶尔出现些小的不一致比一个越变越差的服务要好。虽然偶尔犯错，但如果总体上越变越好，这是没关系的。
• ringpop是一个可嵌入的模块，包含在每个Node进程中。
• Node实例闲置在一个隶属集附近。
• 这是可伸缩的。通过添加更多的进程，可以完成更多的工作。添加的进程可以用来对数据进行分片，或者作为一个分布式锁定系统，或者为发布/订阅协调一个集合点。
• gossip协议是基于SWIM。为减少收敛时间，有几个方面做了改进。
• 很多成员在周围闲置。通过加入越来越多的节点，它就实现了扩展的目标。SWIM中的“S”代表可扩展。目前，它已经可以扩展到数千个节点。
• SWIM结合了健康检查与成员变更作为同一协议的一部分
• 在ringpop系统中，存在包含ringpop模块的所有Node进程。他们闲置在当前的成员周围。
• 从外部看，如果DISCO要消耗地理空间，每个Node是等价的。一个健康节点是随机选择的。无论该请求出现在哪，都通过使用hash ring查询负责将请求转发到正确的节点。看起来像：

  

• 让所有这些hop和peer互相对话，可能听起来很疯狂。但它达到了非常不错的性能，例如，通过在任何机器上添加实例，服务可以被扩展。
• ringpop是构建在Uber自己的RPC机制，称为TChannel。
  • 这是一个双向的请求/响应协议，它的灵感来自于Twitter的Finagle。
  • 一个重要的目标是跨很多不同的语言控制性能。特别是在Node和Python中，很多现有的RPC机制工作得并不是很好。想要获取Redis级别的性能.TChannel已经比HTTP快20倍。
  • 希望获取一个高性能的转发路径，因此中间层可以让决策转发变得容易一些，而不必了解全部有效载荷。
  • 希望获取合适的流水线，因此没有队头阻塞，请求和响应可以在任何时间往任何一个方向发送。
  • 希望获取有效的载荷校验与跟踪，以及一流的功能。每个请求都应该是可追溯的。
  • 希望获取一条迁移HTTP的清晰路径。HTTP可以在TChannel中被自然封装。
  • Uber正在摆脱HTTP和Json业务。TChannel上的所有技术正往Thrift上迁移。
• ringpop基于持久连接处理所有TChannel中的gossip。这些相同的持久连接用来扇出或转发应用数据。TChannel也用于服务之间的对话。

调度可用性

• 可用性是相当重要的。Uber有竞争对手，用户变更产品的成本是非常低的。如果Uber不行，利益就会流向其他竞争对手。
• 让一切可重试。如果有什么不能工作了，它必须是可重试的。这要求所有请求幂等。例如，重试一个调度，不能调度他们两次或刷取别人的信用卡两次。
• 使所有可关闭。故障是一种常见的情况。随机杀死进程不应该造成破坏。
• 崩溃。不存在正常关闭。正常关闭没有什么需要练习。需要练习的是当意外情况发生时。
• 小块。为了尽量减少故障的代价，将它们切为更小的块。在一个实例中处理全局业务是可能的，但是实例死亡的时候会发生什么呢？如果两个里面有一个失败，则能力会减少一半。因此，服务需要被切分。
• kill一切。即使kill所有的数据库，也要确保出现故障时系统可以幸免。这需要对使用什么数据库做决策改变。他们选择Riak 代替MySQL。这也意味着使用ringpop代替Redis。
• 将其切分成更小的块。通常，通过一个负载均衡器实现服务之间的对话。如果负载平衡器死去会怎么样？如果你没有实际处理过这种情况，你可能永远不知道。所以，你不得不kill负载平衡器。这时你怎么解决围绕负载均衡器关闭而出现的问题？负载均衡逻辑已经在服务中被采用以解决这个问题。客户端都被要求有一定的智能，以了解如何找到解决问题的途径。这在很大程度上类似于Finagle的工作方式。
• 为了扩展整个系统，并处理后端压力，基于一个ringpop节点集群，创建了一个服务发现和路由系统。

整个数据中心失效

• 这种事情并不会经常发生，但一些意想不到的级联故障是可能出现的，或者上游网络提供商也可能会不能工作。
• Uber维护了一个备份数据中心，通过将所有工作转移到备份数据中心，可以实现及时切换。
• 问题是在进程中的出行数据可能还不在备份数据中心。代替数据副本，他们使用司机手机作为出行数据的来源。
• 当调度系统定期发送一个加密的状态摘要到司机的手机时，会发生什么。现在，让我们假设有一个数据中心失效。下一次，司机的手机发送一个位置更新到调度系统，调度系统会检测到它不知道这次出行的任何信息，这次就可以问状态摘要。

不足

• Uber解决可扩展性和可用性问题的方法也存在不足，主要表现在Node进程在向彼此转发请求以及用大的扇出发送消息的过程中，存在潜在的高延迟。
• 在扇出系统中，很小的错误都有一个非常大的影响。一个系统的扇出越高，出现高时延请求的机会就越大。
• 一个好的解决办法是利用交叉服务器对请求进行备份。这作为第一等级的功能被融入到TChannel中。一个请求被发送到服务B（1），同时也附带该请求被发送到服务B（2）的信息。等待一些时间之后，请求被发送到服务B（2）。当B（1）完成请求时，它在B（2）上取消这个请求。使用一些延迟意味着通常情况下B（2）没有进行任何工作。但是，如果B（1）失败了，则B（2）将处理该请求，并以一个较低的延迟返回一个回应，如果B（1）第一次尝试的过程中，发生超时，然后再让B（2）尝试。
• 想了解更多，可以参考 Google On Latency Tolerant Systems: Making A Predictable Whole Out Of Unpredictable Parts。

【编后语】

《他山之石》是InfoQ中文站新推出的一个专栏，精选来自国内外技术社区和个人博客上的技术文章，让更多的读者朋友受益，本栏目转载的内容都经过原作者授权。文章推荐可以发送邮件到[email protected]。