高性能高并發系統的穩定性保障

wotian 7年前發布 | 17K 次閱讀 并發 高性能 分布式/云計算/大數據

本文是2015年肖飛在內部分享的《高性能高并發系統的穩定性保障》PPT內容。

性能、并發、穩定性三者關系

  • 高性能：高吞吐量、低延時

  • 公式：吞吐量（并發）=單位時間/平均延時

  • N-th% Latency：TP99, TP999

  • 穩定性：低延時的穩定性標準為TP99/TP999是隱含的必要條件；系統的穩定性標準：高+可用；用戶標準

吞吐量：QPS， TPS，OPS等等，并發。并不是越高越好，需要考慮TP99。用戶角度：系統是個黑盒，復雜系統中的任何一環到會導致穩定性問題。SLA：在某種吞吐量下能提供TP99為n毫秒的服務能力。降低延時，會提高吞吐量，但是延時的考核是TP99這樣的穩定的延時。

如何改善延時

你應該知道如下表格

JeffDean

Disk random read IOPS:

IOPS = 1000 / (4 + 60000/7200/2)  = 122

IOPS = 1000 / (4 + 60000/10000/2) = 142

IOPS = 1000 / (4 + 60000/15000/2) = 166

SSD random read IOPS:

IOPS = 1000000/16=62500

數字的啟示

  • 高速緩存的威力；

  • 線程切換代價cache miss

  • 順序寫優于隨機寫

  • 局域網絡快于本地HDD

  • 大塊讀優于小塊讀

  • SSD解決隨機讀寫

  • 跨地域IDC網絡是最大的延時

策略

  • 關鍵路徑： “28原則”（20%的代碼影響了80%的性能問題，抓重點）、“過早優化是萬惡之源”。不同解讀；

  • 優化代碼：空間換時間： 各級緩存 ；時間換空間： 比如傳輸壓縮，解決網絡傳輸的瓶頸 ；多核并行： 減少鎖競爭 ； lesscode； 各類語言、框架、庫的trick； 算法+數據結構，保持代碼的清晰、可讀、可維護和擴展；

  • 通過性能測試和監控找出瓶頸

metric

通過性能測試和監控：

  • 單系統operf/jprofiler etc；

  • Java的一系列工具：jstat, jstack, jmap, jvisualvm,HeapAnalyzer, mat

  • 分布式跟蹤系統：Dapper，鷹眼等

benchmark

微觀

  • 內存分配

吞吐量和利用率的權衡

顯式分配器：jemalloc/tcmalloc代替默認的ptmalloc

隱式分配器：JVM GC的各種調優

是否使用hugepagen預分配和重用：Netty的Pooled ByteBuf

減少拷貝：new ArrayList(int), new StringBuilder(int)

內存分配器利用率：減少內部或外部碎片；Page Table（頁表）， TLB（頁表寄存器緩沖），減少TLB miss,pin cache。增加COW的開銷, 與內存分配器的實現沖突。JVM的GC調優是很多Java應用的關注重點。

  • 減少系統調用

批處理: buffer io，pipeline

使用用戶態的等價函數: gettimeofday ->clock_gettime

減少鎖競爭

RWMutex

CAS

Thread local

最小化鎖范圍

最小化狀態，不變類

批處理增加了內存拷貝的開銷，但是減少了系統調用開銷，減少了上下文切換的影響。bufferio的例子：日志、網絡讀寫。pipeline的例子：redis。

  • 減少上下文切換

觸發：中斷、系統調用、時間片耗盡、IO阻塞等

危害：L1/L2 Cache Missing，上下文保存/恢復

單線程：基于狀態機redis和Master/Worker的nginx

CPU親和性綁定

ThreadPool的配置，不同任務類型不同的ThreadPool

幾個例子：1、docker中線程池大小的核數自動設定；2、CPU節能模式；3、CENTOS-7.1內核BUG。

  • 網絡

內核TCP Tuning參數和SocketOption：net.ipv4.tcp_*

TCP Socket連接池

網絡I/O模型

傳輸壓縮

編解碼效率

超時、心跳和重試機制

網卡：多隊列中斷CPU綁定；增加帶寬：萬兆、Bonding；Offload特性：ethtool -k eth0；UIO Driver: DPDK

連接池：減少握手、減少服務端session創建消耗。網絡I/O模型：BIO、Non-Blocking IO、AIO；select/poll、epoll/kqueue、aio；netty使用nativetransport。Offload特性：ethtool-k eth0。   將數據包分組、重組、chksum等從內核層放到硬件層做。

如何提高吞吐量

改善和降低單機的延時，一般就能提高我們的吞吐量。從集群化上講，因素就比較多。

宏觀

  • 提升系統擴展能力

  • 應用的無狀態架構

  • 緩存/存儲的集群架構：冗余復制（負載均衡、異構解除系統依賴 ）； 分布式（數據sharding , 副本，路由，數據一致性 ） ；切換

  • 微服務/SOA

  • 擴容

  • 異步化

  • 緩存

復制

  • 通過復制提高讀吞吐量、容災、異構

  • 通過數據分片，提高寫吞吐量

  • 程序雙寫：一致性難以控制，邏輯復雜，冪等性要求。完全把控復制和切換時機。異構系統唯一選擇。 同步雙寫（數據一致性高，影響性能，不適合多個復制集 ）； 異步雙寫（數據一致性差，性能高，適合多個復制集 ）； CDC[Change Data Capture]（canal,databus等 ）

  • 底層存儲復制機制：一致性由底層控制，對應用端透明。程序和底層存儲配合切換

擴容

  • 每年大促前的核心工作：該擴容了嗎？現狀分析；擴容規劃（關鍵系統峰值20倍吞吐量）；擴容依據（架構梳理、線上壓測 ） ；

  • 擴容checklist：前（部署、DB授權.... ）； 后（配置更新、LB更新、接入日志、接入監控.... ）

  • 應用擴容、數據擴容、寫擴容、讀擴容

  • 垂直擴容：加內存、升級SSD、更換硬件。數據復制、切換

  • 水平擴容：數據遷移或初始化

現狀分析：去年雙十一到目前，峰值時的性能數據；軟硬件性能指標；數據存儲容量。

擴容規劃；流量規劃：核心系統20倍吞吐量 ； 數據增長量規劃；擴容依據；架構梳理；線上壓測。

讀擴容比寫擴容難；讀寫分離。

異步化

  • 解耦利器

  • 削峰填谷

  • 頁面異步化

  • 系統異步化

  • JMQ

  • 狀態機（worker）+DB

  • 本地隊列

  • 集中式緩存隊列

本地內存隊列：實時價格回源服務響應之后，通過BlockingQueue異步更新前端緩存。本地日志隊列：庫存預占。集中式緩存隊列：商品變更任務下發系統。

異步化的一些例子：

1、操作系統內核的高速緩存隊列，磁盤延遲刷盤；

2、mysql數據庫復制、redis復制；

異步化需要注意的是：

1、任務要落地；

2、不可避免的重復執行，需要冪等；

3、是否需要保證順序、如何保證順序。

緩存

  • 久經考驗的局部性原理

  • 多級緩存：瀏覽器browser cache、cdn、nginx本地redis緩存、本地JVM緩存、集中式緩存...

  • 緩存前置：2/8原則、單品頁、實時價格、庫存狀態

  • 一致性、延遲權衡

  • 緩存主節點負責寫，和最重要的校驗

  • 通過CDC監聽數據庫binlog主動更新緩存

  • CPU不是瓶頸，網絡才是

  • 優化編碼，減少尺寸

  • 優化操作

  • 優化拓撲

如何保障穩定性

宏觀

  • 提高可用性

  • 分組和隔離

  • 限流

  • 降級

  • 監控和故障切換

可用性

  • 可用性衡量指標：幾個9

  • 可用性度量：A = MTBF / (MTBF + MTTR)

  • 減少故障、加長可用時間

  • 減少故障修復時間（發現、定位、解決）

  • 冗余復制、災備切換，高可用的不二法門

  • 如何快速切換？

  • 切換的影響

  • 監控、ThoubleShooting、軟件質量的影響

可行性指標：999,一周10分鐘；9999，一周1分鐘不可用。可用性：從客戶角度。可用性度量：A = MTBF / (MTBF + MTTR) ，其中MTBF表示mean time betweenfailures，而MTTR表示maximum time to repair or resolve。

高可用行性的成本和收益，好鋼用在刀刃上。

如何快速切換：有可以切換的？可以不重啟應用么？ 操作快捷么？演練過么？

切換的影響：切換目標資源能否承受新增的壓力；切換是否影響狀態（數據的一致性、丟失問題）。

監控到位、即時，減少故障發現時間；監控全面，增加故障分析時可以參考的數據。

troubleshooting的能力，踩坑的精力， COE，問題本質、根源的追查。

軟件質量：編碼是否健壯、（異常處理、防御性、2/8原則）超時處理、日志是否全面合理、線程名稱等等。

測試：case是否全面、自動回歸。

上線：是否灰度：N+1, N+2；回滾方案、數據回滾。

分組和隔離

  • 網絡流量隔離：大數據單獨部署，QOS；

  • 業務系統隔離：秒殺系統獨立出主交易；

  • 流量分組：對使用者按照重要程度、請求量、SLA要求等因素分級

  • 存儲的分組：按照使用者重要程度、實時性要求等因素，將數據庫的復制集分組

傳統世界的例子：道路被劃分為高速道路、自行道、人行道等，各行其道。

流量分組

舉例：商品基礎信息讀服務。對使用者按照重要程度、請求量、SLA要求等因素分級，將服務實例和存儲分組：交易、生產、網站、移動、promise、ERP...

讀寫分離

舉例：商品主數據服務。按照使用者重要程度、實時性要求等因素，將數據庫分組：ERP、POP、網站、大數據平臺...

限流

  • 限流原則：影響到用戶體驗，謹慎使用

  • 區分正常流量和超預期流量：限流標準來自壓力測試、折算

  • 讀少限，寫多限

  • 客戶端配合限流

  • 不同分組的限流閾值

  • 各層限流手段

前置限流，快速失敗：比如通過提供給調用方的JSF客戶端，封裝限流邏輯。

Nginx層限流：自主研發的模塊；幾個規則：賬戶，IP，系統調用流程。

應用限流：減少并發數線程數；讀少限，寫多限；DB限流；連接數。

降級

  • 保證用戶的核心需求

  • 降級需要有預案和開關：確定系統和功能級別，是否可降，影響如何；降級需要有開關

  • 非關鍵業務屏蔽：購物車的庫存狀態

  • 業務功能模塊降級：實時價格更新不及時；peking庫，保訂單管道、生產，暫停統計相關

  • 數據降級：動態降級到靜態；遠程服務降級到本地緩存：采銷崗服務

監控和切換

  • 無所不在的監控：網絡流量；操作系統指標；服務接口調用量、TP99、錯誤率...；日志；業務量變化；太多監控了，如何提高監控的質量

  • 切換：切換開關；成熟的流程可自動化；數據的重要性、一致性，要求強一致的，可以人工介入；系統的指標沒法判斷、監控點不全的，需人工判斷決定

review

Nginx層限流：自主研發的模塊；幾個規則：賬戶，IP，系統調用流程。

應用限流：減少并發數線程數；讀少限，寫多限；DB限流；連接數。

如何驗證性能和穩定性

  • 線上壓測：兩類壓力測試場景（讀業務壓測、寫業務壓測 ） ；壓力測試方案（從集群中縮減服務器、復制流量、模擬流量、憋單）

  • 全流程演練：降級、切換等

讀業務壓力測試：是將線上業務隔離后,壓測至系統臨界點,通過分析系統在臨界點時軟硬件指標定位系統短板并優化。

寫邏輯壓力測試,如果數據具有不可恢復性,一定要提前做好數據隔離保護,如訂單號壓測,為避免影響線上業務,壓測前后都要做好“跳號”以隔離線上數據。

從集群中縮減服務器。加大單臺服務器的壓力。大概估算出正常的集群規模能夠承載的流量。

復制流量。主要通過 Tcpcopy 復制端口流量,多層翻倍放大流。

模擬流量。模擬流量主要腳本攻擊工具和壓測工具結合,主要用ab,siege,webbench,loadruner通過多臺機器壓測。分機房,按分支進行壓測。

憋單。主要針對后續的訂單生產系統壓測。通過在管道積壓一批訂單,然后快速釋放,形成對后續生產系統持續快速的沖擊,達到壓測的目的。

 

來自：https://mp.weixin.qq.com/s/YMgIwaz8YC_zNPh_Jf98HA

 

 本文由用戶 wotian 自行上傳分享，僅供網友學習交流。所有權歸原作者，若您的權利被侵害，請聯系管理員。
 轉載本站原創文章，請注明出處，并保留原始鏈接、圖片水印。
 本站是一個以用戶分享為主的開源技術平臺，歡迎各類分享！