饿了么技术运营是如何摆平那些恼人事故的

  饿了么平台不仅做外卖,还有蜂鸟、早餐和未来餐厅,以及很多其他的一些平台,正处在快速扩张阶段。整个外卖的产品链条长,从用户下单到最后配送到达,时间大概是30分钟左右,对时效性的要求非常强。

  从技术的角度来看,饿了么遇到的最大挑战是事故。本文将围绕事故展开,分成两部分内容:技术运营经历与心得。第一部分经历又分为三个阶段:精细化分工、保稳定(容量和变更)和增效。第二部分心得,是作者对运维服务的理解。

  一、技术运营经历

  技术运营的职责是尽最大的努力协同更多的人来达成保稳定的目标,可以划分为两个阶段:运维保障、运维服务。现在,饿了么处在运维服务的阶段,技术运营团队作为乙方,把开发出来的产品,开发测试后的服务,做维护,保障稳定、调优性能、提高资源的利用率。

  在业务快速扩张阶段,技术团队需要做哪些事情呢?

  首先,第一阶段,精细化分工。

  通过精细化分工促进并行提速,让专业的人利用专业的知识、最有效的工作方式提高工作效率及代码吞吐量,建立沟通渠道加速决策、信息流通保稳定。

  精细化分工分为三部分内容:

  第一部分是做数据库拆分和代码解耦。技术工作集中在数据库的拆分,先纵向拆分,不得已才做横向拆分,为了更快地服务业务的扩张,又夹杂了一些对代码解耦的工作。

  所谓代码解耦,是把原来的代码系统想象成一个泥球,把它逐渐拆分成很多块。现在是有十多个业务模块,每一模块里面都有专门的团队来维护,内部又会划分域。

  饿了么是数据库、代码拆分并行在做。然后,启动了强制接入新发布系统和单实例、单运用,也就是物理拆分。

  在整个的代码解耦和精细化分工的过程当中,他们碰到了很多问题,其中比较典型的两类事故是:

  • 事故1:超时,后端服务慢,引发连锁反应,导致前端服务雪崩。

      用户的请求耗时依赖于 RPC 调用路径上服务的响应时间。当其中某个节点变慢,整个集群都不可用,一般救急措施是要按照调用链从前往后按顺序停服务,然后在从后往前启动服务。

      当这类问题发生的时候,如果没有熔断机制,前端的服务因依赖关系造成雪崩,而且服务不能自己恢复。加了熔断机制之后,当后端问题节点重启或是网络抖动恢复后,前端服务也会自己恢复。

  • 事故2:连续三天商户需要不断重试才能接单,这与Redis治理有关。

      当交换机发生 Bug 导致网络抖动,受影响最大的就是 Redis,在网络抖动期间积压的请求会建立太多 Redis 连接,连接过多会导致 Redis 响应延迟从 1ms 飙升到 300ms。由于 Redis 请求慢导致服务的处理速度被拖慢,而外部请求仍在积压,最后引起雪崩。

      刚开始出现故障的时候,因 Zabbix 的监控周期长,运维工程师监控不到。后来,他们用了三天的时间进行压测复现,才排查出来故障点。事后,运维工程师打造了一种新的基础设施监控工具,实现方式是每 10 秒钟把 /proc 目录下的所有指标收集起来,基本能做到 3 分钟内定位问题。

      还有丢包的重传也会严重影响 Redis 的性能,因为一个 HTTP 引擎到后端有可能产生几十个甚至上百次的 Redis 请求,其中有一次被命中重试,对服务的影响都是致命的。

  精细化分工的第二部分是组建水平团队,例如大数据是水平团队,业务线是竖向团队,划分之后,从整个业务的发展走势图上升曲线非常陡,可以推断技术并没有防碍业务的快速发展,也就是技术的吞吐量、新产品研发效率是健康的。

  期间,运维工程师还做了几件事,比如把监控分为 Metric、Log、Trace、基础设施四个部分。组建 Noc 团队,负责应急响应,当发现有问题的时候,及时把信息通过 Oncall 通报给各成员。还有梳理各类扫除,接入发布、 SOA,降级熔断开发等。

  大扫除

  大扫除的概念是什么呢?就是工程师对历史的事故进行分析之后,大概做出技术总结,把经常犯的一些错误,列成一些可做的规程,给所在部门的骨干进行宣传。具体内容包括:

  • SOA 的服务治理,这里主要强调的是领域划分,高内聚低耦合。

  • 对公共组件的治理。这里的数据库 Redis 由两个专业的团队组成,一个是 DA,一个是 DBA。DA 治理的主要方案是收集各个产业伙伴的信息,规划容量,治理开发的使用姿势,把经验固化到研发流程里。

  • 业务指标的梳理,包括对 TPS 的概念设定(状态轮转后再根据返回状态打点)、状态的停滞时间和状态的堆积深度,这个堆积深度主要是后端一些服务的状态轮转。

  • 对超时链的合理设定和重试机制

  • 外部依赖及开关。为什么强调外部依赖呢?外部依赖可以分为两类,一类是跟其他公司的合作,例如调用其他公司的支付接口。还有一类依赖是团队之间的依赖,这里请不要相信任何人的服务,Bug 随时都会发生。

  • 关键路径。为什么要设置关键路径呢?一个是熔断,一个是降级。当非关键路径出现问题的时候,直接把它降掉就行了,不要影响关键路径。另外一个好处是接下来做补偿的时候,可以有针对性去做。

  • 日志。团队在日志上发生的事故也很多,可以逐个通过案例进行宣讲。

  • 正在实现中的制定盲演习目标。因为八九百个技术工程师之间的代码交互本身是一个复杂系统,业务又是一个非常长的业务链,关键路径涉及的服务超过 100个,简单的功能测试是可以的,但是容量大的时候,将很难定位他们之间存在的问题,比如 A 团队和 B 团队之间的代码耦合验收。这时想到的解决方案就是盲演习。

      盲演习除了在业务方可以做验收之外,还可以做基础设施,包括 Redis 集群、 MySQL 集群和网络。曾经做过一个测试,把一个 Redis 实例上的包量,按照百分之一的丢包率计算,导致整个全站的业务都掉底。当时整个 Redis 集群有12台,有几百个实例,其中一个实例有问题,就造成这么大的影响。通过盲演习,技术正在寻求单个节点宕机影响最小化的解决方案。

  第二阶段,保稳定期。头号敌人是容量问题。

  在业务快速扩张阶段,影响系统稳定性最大的敌人是容量,类似温水煮青蛙,或突然雪崩。因为不同语言判定容量的方式不同,饿了么1000多个服务组成的复杂系统,业务场景快速变换,服务变更频繁等等因素,导致容量问题困扰了近一年的时间。

  最后采用的是定期线上全链路压测的方法,发动了一次百人战役,历时一个多月,整改了近 200 个隐患点,基本解决了容量问题。即便在低谷期的时候,也采用全联路压制。还可以配合技术在上线前的压测一起来做,然后把这些数据统筹起来进行分析。

  秒杀事故

  在 517 秒杀大促准备阶段,技术的运营思路是想用日常服务的集群来对抗秒杀,活动前把整个的容量提高了两倍多。但是当日订单量飙涨,秒杀开始后的那几秒钟,瞬时并发请求达到平常的 50 倍。当流量洪峰到来的时候,洪峰直接把前端 Nginx 的网络拥塞了。

  反思下来,出现问题的原因是秒杀场景的经验少,对活动带来洪峰数据的预估过低,URL 的限流未区分优先级等等。改进措施是专门针对秒杀搭建了一套系统,主要做了分级保护、建立用户端缓存、泳道、云集群和竞争缓存等。

  第三阶段,增效。通过工具、资源、架构改造,提高效率。

  事故1:连续两周蜂鸟配送出现各类事故

  原因是消息不断的批量重试导致 RMQ 堆积,UDP 句柄耗尽,熔断判定使用姿势不对。可以看出,新业务在快速交付过程中,代码质量、外部组建的使用姿势是事故高危隐患点。

  事故2:MySQL

  SQL 慢查询,从每周的 2 到 3 起,降低到近期很少出现。解决办法是使用组件治理。组件治理首先是服务化自己的资源、容量。第二个是设限流,做降级。第三个主要是限制开发的一些姿势。

  这三点做完之后,接下来技术做了自动化相关的一些工作,主要是信息、标准化和编排。再一个是前置指标KPI,就是当一些组件刚使用起来时,要做一些量化的考虑。把这几条做到以后,技术基本上能避免出现大的故障问题。

  对于使用姿势的治理,对稳定的收益最大。这里特别介绍几个关键点

  • 必须要有对组件精通的伙伴,看过源码,了解社区里碰到的所有的坑,还要深入业务开发一线,了解业务场景,初步判定组件在业务中的使用场景。

  • 工程师进行知识传递,通过各种渠道把标准化、开发规范、集群化、开发使用姿势等知识点传递到位。

  • 尽快把经验或红线固化到资源申请、架构评审等流程、工具里。

  事故3:RMQ

  在饿了么,RMQ 的使用场景非常多,有 Python,也有 Java。2016年年初的时候,工程师虽然做了一个技术、配置的梳理,还是留有很多的场景是没有想到的,主要涉及的问题有如下几个:

  • 分区,就是技术在做割接的时候,核心交换是升级换设备。当设备网络割接完了,虽然在 RMQ 集群里面的配置是可以自恢复的,但是仍然还有很多集群没有做到自恢复。

      所以,技术特意预留了一个冷备 RMQ 集群,把现网所有的配置都部署到那一个冷备集群里面去。线上 20 多个 RMQ 集群中,如有一个宕掉的时候,可以及时切过来。

  • 队列堵塞。主要是追查消费能力,因为业务飙升,消费能力不够,极容易导致队列堵塞。

  • 使用场景。举例来说,在发送、接收消息的时候,如果每发一个消息,每收一个消息,都重建一次链接或者都重建 Queue。这种重建会导致 RMQ 内部的一个Event机制。当请求增长到一定程度的时候,就会直接影响 RMQ 的吞吐量,RMQ 的容量会掉到是原来的十分之一。

  老大难:故障定位、恢复效率

  故障定位慢的最主要原因是饿了么整个系统的信息量太大,当一个问题出现的时候,主导这个事故定位的工程师拿到的信息非常多,比如拿到三个信息,他很难决定到底是什么故障,需要如何检测出来。

  当前的做法是进行碎片化、地毯式的大扫荡来排障。什么是地毯式的大扫荡呢?就是把足够多的信息先拿到,进行分工,要求涉及的每个工程师都来查看。内容涉及到外卖、商户、支付和物流,然后还有基础业务和网络监控,外网的一些流量,还有服务器的一些负担等等。

  这时,技术工程师的有序自证就变得非常重要,当前能做到的是每一个人能看到当前负责的服务是不是有问题。还需要做的就是提供工具,比如交换机的丢包、服务器的丢包。通过一些工具,让技术工程师及时发现问题,但是这个过程是需要时间的。

  另外一个是在自证的时候,一定要仔细地检查。作为团队中的一个成员,每一个技术工程师负责相应的板块,但一旦因为个人疏忽或是自检不足造成一些失误,要自己“刷锅”。故障定位后,提升恢复效率解决问题才是关键。

  还有,应急演习很重要。应急演习直接关系到系统恢复的效率,当一个集群出问题的时候,技术能不能快速的恢复。

  二、运营心得

  本次分享大部分围绕事故来讲。每一次事故的出现都不是偶然的,很多问题是可以通过正确的使用姿势、提前做容量预估、灰度等方法规避的。如果说技术只是就事论事把这一件事情解决的话,事故往往在另外一个时间点还会出现。

  这就要求工程师以思考的方式去做事,比如做事故复盘、事故报道审核,还有验收小组等。然后,通过在各个阶段,多次把一个事故涉及的关键点提出来,不断地进行总结并制定可行的操作规范。

  问题的解决往往需要思维模式的转变,需要伙伴们多想想怎么从日常重要紧急的事务里抽离出时间思考。

  还有要敢于折腾。折腾是什么概念呢?就是要不断的演习、捣乱,工程师对于维护的系统,自己要非常的熟悉,这样在定位和解决故障的时候,就会非常精准。

  最后一个是灯下黑的问题,特别是基础设施这块。这在当时让人很头疼,查一个问题在基础设施上花费的时间是十多分钟到一个小时。后来有一个小伙伴改变思路,做出了一套系统,帮助团队非常好地解决了这个大问题。所以敢于思考,勤于尝试是饿了么技术团队非常重要的一个心得。

  作者:徐盎

  编辑:孙淑娟

  本文选自《CTO说》

  

  徐盎

  饿了么技术运营部、风控管理部

  高级总监

  徐盎,擅长精益运维、精细化风控,通过与公司其他团队协作、推动并完善运维信息化、标准化、服务化的建设,逐步实现自动化运维及交付,数据可视化,进而做到低成本的保障系统稳定;通过数据与规则适配,以及产品设计、人工审计、风控平台建设使每一元补贴用在公司既定目标的实现上。

声明:本文由入驻搜狐公众平台的作者撰写,除搜狐官方账号外,观点仅代表作者本人,不代表搜狐立场。
推荐阅读