备战 618，京东如何保障系统稳定性？

每年 618 的大促都是一场技术团队大练兵的时候。作为技术研发人员，在这场战斗中，加深了对线上系统的敬畏之心，通过系统的备战，在技术上也得到了提升。大战在即，如何保障系统稳定，我们的备战思路是什么？

首先确定自己的备战思路，梳理核心流程、找出薄弱点，对薄弱点进行优化，针对业务进行资源隔离，同时协调压测对优化结果进行验证，并针对场景准备预案，比如降级开关在什么场景下开启，以及降级之后的影响有哪些等等，后面还要实际演练，防止实际情况发生时准备好的预案不可用。

我们知道，618 期间发生的问题都不是小问题，所以，如何做到更周密的筹备，我们可以秉承如下几个原则：

• 墨菲定律：任何事都没有表面看起来那么简单；所有的事都会比你预计的时间长；会出错的事总会出错；如果你担心某种情况发生，那么它就更有可能发生。

• 二八原则：19 世纪末意大利经济学家巴莱多认为，在任何一组东西中，最重要的只占其中一小部分，约 20%，其余 80% 尽管是多数，却是次要的，这就是二八法则。二八法则告诉我们，不要平均地分析、处理和看待问题，要把主要精力花在解决主要问题、抓主要项目上。

我们可以利用墨菲定律来梳理系统薄弱点，那些总是小问题不断的地方，一定会在某天酿成大的灾难，必须尽早解决。还可以利用二八原则梳理黄金流程，那些出了问题可能极大影响公司或影响用户的地方，就是不容有失的黄金流程。

我们以此为思路，从四个方面进行逐一介绍。

梳理薄弱点

梳理系统架构

备战第一步，就是要对系统做一次全面的梳理诊断，其目的就是要甄别出系统的薄弱点。而梳理的第一步，就是要梳理出系统架构。通过梳理系统架构，梳理系统的层次结构和调用关系，由此排查系统调用的瓶颈和薄弱点。如是否有服务节点是热点或单点服务，是否有过长的调用链路，是否存在业务耦合相互影响等等。

以我现在负责的京东服务市场为例，服务市场采用 SOA 微服务化的架构设计理念，将服务市场设计为模块化和层次化的架构风格，高层次模块调用低层次模块，低层次模块通过接口向上提供服务。而复杂的调用链路，必然造成业务之间的相互影响，所以，通过对服务市场从部署、数据库访问、服务 PRC 调用、消息接收等进行了纵向垂直部署隔离，实现即使任一垂直域无论因为服务器还是数据库问题，影响不会扩散到其他业务上。这我会在后面详细讲述如何实现纵向垂直部署隔离。

梳理系统薄弱点

无论系统架构是以哪种形式展示，我们都希望能够通过梳理把系统的薄弱点甄别出来。那系统薄弱点都有哪些特征呢？通过哪些手段能检查出系统薄弱点？

我们想一下，系统薄弱点可能引发哪些灾难，严重的有系统宕机，服务不可用，性能下降，404，CPU 100%，OOM 等等，所以，可能产生上述隐患的点就是我们要关注的系统薄弱点。对于系统薄弱点，我们可以通过以下几点进行排查：

• 检查没有脱库的功能：我们知道大促时的流量可能是平时的 2～10 倍，所以一些平时性能还好的查询接口，极有可能因调用量猛增，造成性能的极剧下降，如果其中的某些接口还是查询数据库的，那可能就会给数据库产生极大的压力，极端情况可能造成数据库 CPU 100%，出现服务不可用，因为数据库本身的架构设计就不是抗量的，所以对没有必要查库的功能进行脱库改造，以保证数据库的稳定，是非常重要的，尤其是那些严重依赖数据库的系统。

• 检查慢 sql：不是所有的功能都能实现脱库的，所以慢 sql 的检查就是为了保证数据库的稳定，因为一个慢 sql 就有可能把数据库的 CPU 打到 100%，一是由于慢 sql 最容易出现的是没有索引，二是由于慢 sql 大多是关联查询、嵌套查询，以及使用聚合函数等造成的，还有就是慢 sql 大多需要回源查询，大量的请求会造成查询能力特别慢，还会造成其他请求无法获取连接，影响正常服务。所以，对于那些特别依赖数据库的系统，要每日订阅慢 sql，进行优化。优化就是优化数据库索引，将慢 sql 变成快 sql。

• 检查 ump 和 log：人常说，研发人员有两只眼睛，一只是监控报警，另一只就是日志，所以无论什么情况监控报警日志一定不能少。因为有了监控就能做到即时发现问题，有了日志就能做到迅速定位问题。否则，出了问题，就是两眼一抹黑，一通胡猜。我经常看到，当有些问题从客服那里投诉过来，才发现，要么该有的监控没有，要么有监控却没有报警，以及在解决问题时总是找不到关键的日志，只能干着急。

• 检查 jsf、mysql、jmq 等 timeout：设置 timeout 实际上是一种快速失败策略，使系统具备自我保护的能力。检查超时，一是检查该有的设置有没有，二是检查设置的时间是否过长。没有超时设置，则系统就没有自我保护的能力，这自不必说，当大量请求连接因为长时间运行而无法得到释放时，系统的资源很快就会被耗尽，从而造成了服务的不可用。而过长的设置，同样在访问量大的时候，就会导致请求连接积压，这也会导致系统的 CPU 快速飙升。那超时应该设置多少合适，这需要具体情况具体分析，但一个查询请求设置 10s 超时肯定是跟没设置一样的。

• 检查 redis 热 key、大 key、慢日志：热 key 和 大 key 是不同的，热 key 是某些 key 可能会被突然暴增的流量大量访问，这些 key 又碰巧集中存储在同一分片上，从而使得该分片的 IO、CPU 等资源吃紧，极端情况下迫使 redis 进行 failover 主从切换，但切换后的瞬时流量可能又一下子击穿 redis，迫使 redis 再次 failover，如此反复，服务几乎就是不可用的。而大 key 则是某些 key 存储的 value 很大，或者结果集很多，也是在可能暴增的流量下，大 key 不合理的查询，使得 value 在 IO 传输中阻塞，这情况和慢 sql 很像，又因为 redis 是单线程，所以大 key 查询造成 IO 问题就会很容易凸显出来。所以，如果检查出热 key 或大 key，就建议进行修改。

• 检查 master-slave 同步延迟：master-slave 同步延迟很大可能造成数据不一致性，这有可能影响业务正常运营，如创建订单写到 master，然后从 slaver 查询订单，但由于延迟太大，就可能影响用户查不到，你可能会说，这还好吧，慢 1～2s 不会有太大影响，但这个逻辑如果放在创建订单之后马上查询订单，根据查到的订单创建结算，在这个场景下，如何查询 slave 找不订单，就是不可接受的，这可能导致流程代码出错。所以，需要评估这种延迟是否对业务产生影响。

• 检查定时 worker 全量扫描任务：定时 worker 大多数是在运行数据订正的任务，而数据订正往往又需要查询大量数据进行比对，其实，这都还好，不好的就是几次深分页的查询，可能造成数据库性能的极剧下降。所以，检查定时 worker，尤其要避免慢 sql 和大数据集的查询，否则会造成人为的流量洪峰。还有，检查定时 worker 的执行频率，检查不同 worker 的执行时间，尽量避免不同 worker 同时执行，检查定时 worker 执行的服务器是否单独部署。

与运营沟通 618 运营节奏，应战调用量高峰：提前与运营沟通运营节奏，可以做到知己知彼，并可以预知流量可能流向哪里，这可以有针对性的进行备战。

梳理黄金流程

黄金流程也称核心流程，什么是黄金流程，就是那些出了问题可能极大影响公司或影响用户的地方，就是不容有失的黄金流程。以服务市场为例，服务市场包括服务发布、服务审核、服务订购、服务结算、服务使用共五个环节，那其中哪些是重中之重的核心环节呢？服务市场是面向供需双方的双边市场，以需求方为大头，所以服务订购和服务使用是服务市场的核心环节。

梳理黄金流程，我们要整理出它的大致流向和关键节点，通过系统流向和关键节点发现系统设计不合理的地方，以服务市场交易流程问题，我们看到在履约中心订单完成后，通过观察者模式发送消息、创建订购、推送结算的设计是存在风险的，因为每个观察者失败了就失败了，且每个观察者的业务逻辑都不是幂等逻辑。这种设计的不合理，就必须通过梳理黄金流程来发现。

资源隔离

梳理依赖资源（docker、vip、mysql、jimdb、es、jsf、jmq），及目前资源的服务器状况是否健康（cpu、memory、dish 等），进行纵向垂直部署隔离，实现即使任一垂直域无论因为服务器还是数据库问题，影响不会扩散到其他业务上，而这也是所谓的分离技术。

docker 资源

梳理系统 docker 资源部署情况，设定 x 轴是各个业务线，y 轴是业务系统，整理出一张二维表，根据之前梳理的系统架构图，可以清晰的看到各业务线下各个业务系统在不同机房的部署情况，如是否双机房部署，是否有热备机房，是否部署资源不合理等。机房 1 和机房 2 之间是两个不同的地域部署，所以通过地域可以实现容灾。还有，虽然系统都是一套代码，但可以根据各业务线的具体情况，某些业务线不需要的某些系统就不部署，因为代码走不到那里，并可根据业务调用量，合理配置资源情况。

梳理资源，一是梳理自己的资源部署情况，二是需要对上下游依赖系统，做到资源对齐（为了效率考虑，目前很多应用正常情况是同机房调用）譬如：如果上游部署在 3 个机房，机房 A、机房 B、机房 C，流量配比是 5.3.2，那我们也应该按照该比例部署。

数据仅为示例，不是真实数据；表格形式仅供参考

vip 资源

检查 vip 配置，避免因为 docker 扩容或缩容，导致的 vip 配置错误，将扩容的 docker 加到 vip 中，将缩容的 docker 从 vip 中去掉。检查运营商的 IP 解析情况，譬如，需要支持电信、联通、移动、教育网等。当然，并不是所有业务系统都提供对外服务。热备机房不挂 vip，否则就会有线上流量了。当主力机房出问题的时候，通过将问题机房的 vip 飘到热备机房，从而实现流量切换。

数据仅为示例，不是真实数据；表格形式仅供参考

MySQL 隔离

在 docker 资源的部署背景下，我们绘制 mysql 资源的部署情况，其中，有些业务线下的机房虽然有部署系统，但该业务线的流程是已经脱库的，所以就可以不配置数据库。还有某些流程在某些业务线下只有读操作，没有写操作的，所以，数据库只配置读库，而不配置写库。以及最重要的，不同业务线的应该使用不同的从库，并根据查询数据库的业务量，合理配置从库资源规格。mysql 与 docker 尽可能在同机房部署，这也可以有效的实现系统容灾。

数据仅为示例，不是真实数据；表格形式仅供参考

Redis / Solr / ES 隔离

绘制 redis、solr、es 部署情况与绘制 mysql 思路一样。特别说下，服务市场部署 redis 与 mysql 不同之处在于，redis 是一主一从架构，各业务线共享同一 redis 集群，但不同系统之间使用不同的 redis 集群，所以，如果 redis 挂了，还是会影响所有业务线的，而避免 redis 宕机，则就要注意前面提到的，检查 redis 的大 key 和热 key。

数据仅为示例，不是真实数据；表格形式仅供参考

JSF 业务隔离

梳理业务依赖关系，调整 jsf 调用链路，通过 jsf 分组进行业务隔离，这其实是最重要的，也是最难的，也只有把这个做好，才能实现各业务线出了问题不会相互影响。我们知道，一个系统里，既有 provider 也有 consumer，我们要做的就是保证在某一个业务线内，该业务线内 consumer 一定调用该业务线内的 provider 的，如服务市场的业务线 B，那一定是大前台在业务线 B 下只能调用业务线 B 的商品中心、交易中心、服务引擎等，而这实现就是通过 jsf 的分组别名，这没有啥技术含量，就是要了解业务依赖关系，认真仔细。由于系统是一套代码，对于那些有部署系统，但不提供 jsf 的服务分组，我们可以设置为 disable，以此区分和隔离。

在进行 jsf 分组隔离时，因为工作量很大，很是耗神，还有就会想到一个问题，一个系统提供几十个甚至上百个 jsf 接口出去，为什么分组命名会千奇百怪，几乎是每个 jsf 分组都有自己的命名，但仔细想来 jsf 接口可以做到细粒度隔离，因为 jsf 可以实现进程隔离和线程隔离，这使得即使是同一系统的 provider，也可以实现进一步的细分业务，来隔离各业务间的相互影响。

数据仅为示例，不是真实数据；表格形式仅供参考

JMQ 业务隔离

jmq 大量应用在系统解耦的场景中，而 jmq 同样有 provider 和 consumer，它不像 jsf 那样灵活，可以支持多个分组，jmq 只能控制哪些系统生产消息，哪些系统可消费消息。因为 jmq 是通过 topic 进行消息传递的，我们不能给每个业务线申请一个 topic，所以 jmq 的隔离更多的是，梳理业务依赖关系，对那些不会生产或消费 jmq 的业务线，设置 topic 为 disable，确定消息会被哪些系统生产，又会被哪些系统消费。

数据仅为示例，不是真实数据；表格形式仅供参考

压测

压测不是为了把系统压挂，是否需要测出峰值，需按照业务场景决定。很多业务，可能就需要知道自己的峰值。压测一定是根据当前调用量进行评估，以 2～10 倍为预期值进行压测，压测还要选在掉用量少的时间，并逐步加量。压测尽量做到服务器及依赖资源的隔离，如果无法做到，需要控制好量。尤其当压测会查询数据库的服务，一定不要把数据库压出问题来，如果压出问题，就违背了压测的初衷，压测是为了把系统的瓶颈压出来，而不是把系统压出问题来。即使是完全读取缓存的服务，也会因压测造成系统性能的下降，因为数据在传输过程中的序列化和反序列化，以及对多线程的切换，都会造成 CPU 的飙升，还有注意磁盘空间是否会被日志打满，诸如以上等等问题，不要因为压测造成一场线上事故。

压测我们要关注哪些是结果指标，有并发数、TPS、TP99、成功率，这些结果指标能有效反应服务的好坏，以及关注被压测服务的 docker 的 CPU、内存、load 等系统性能。所以，压测策略一定是逐步加量，从并发 10 - 50 - 100 - 200 - 500，观察服务的 TPS、TP99、成功率是否有降低，还有被压测机从 1 - 5 容器数增加，对比单机服务性能是否有所提升。所以，压测的目的是为了能检验服务能力是否支持可水平扩展，即加机器就可以抵抗洪峰。

最后，压测一定要制定计划，今天压什么，明天压什么，还有跟兄弟团队打好招呼，因为别的团队也会压测，如果他的服务会调用到你这里，而这是你也在压测这个接口，结果超出预期的流量就可能造成意想不到的麻烦。

预案

预案准备至关重要，它能保证系统在出问题时，进行及时止损，避免大出血。止损主要以降级开关来实现有损降级，以保证核心黄金流程不受到影响。因为系统业务演进多是混沌的，所以需要对系统的降级开关进行有效的梳理，哪些是有用的，那些是无效的，还要协调兄弟团队，一起沟通 618 备战方案，确定演练方案，联合备战。

对降级开关的梳理，不能只停留在知道有这个开关的基础上，还要知道这个降级开关在什么场景下开启，以及降级之后的影响有哪些等等，降级逻辑必须场景化，否则出了问题，开关开还是不开，都没有一个准则。

总结

当然，在备战 618 的过程中，有很多事要做，不仅仅是业务隔离和压测，还要在梳理系统薄弱点过程中发现潜藏的问题，进行针对性的优化改造。这里有个题外话要说，备战过程中，我偶尔会听到一些声音，让我非常生气。

一是说，”之前没出问题，所以觉得就没问题“。我见过多少次线上事故，就是因为思想上的怠慢，问题并不是不知道，就是本着侥幸的思想，觉得之前没问题，觉得现在就没有问题。这种想法我认为就是错的，之前没问题，不代表它不是问题，是问题就是问题。我犯过错一个错误，就是大上周上线报警出一个问题，排查有个慢 sql 查库，然后进行了修改，不急不慢改一周准备第二天晚上上线，结果第二天早上就被人刷了，数据库 CPU 直接干到 80%，好在这个功能有降级，且业务之间进行隔离部署，没有造成很大的影响。所以，发现问题一定要即时修改。

二是说，”之前的逻辑不是我写的，我就改了这些，那些代码我不太清楚“。这种说辞更不可接受，你连你改的代码上下文都不了解，你改什么代码，你能不改错么。所以，我要求大家，之前的代码不管谁写的，我不管了，但现在代码在你手上，你就必须负责把它写好，不能总是个临时方案，开个分支出去，最后代码一团浆糊。举个例子，上线新代码为了能实现快速降级，通常使用开关进行切换，这时系统里就会有新老两套代码，那老代码什么时候删除，如果当时写代码的人不负起责任，代码就那么放着，也不删，那后面不仅系统代码会越来越臃肿，而且代码的可读性也会越来越差。甚至不小心弄错了开关，还会出现意外的彩蛋什么的。