[[315352]]

 阿里妹導讀：在這場抗擊新型冠狀肺炎的戰役中，普通人能做些什么呢?可能「宅」是現在大多數人能作出的重要貢獻之一。在這些深「宅」時光里，用手機或電腦打打游戲、追追劇成了很多人暫時忘掉現實的「良藥」。可是!正要上分的游戲突然崩了，正演到關鍵的劇情突然掛掉，最近“某某 app 崩了”帶著廣大網友都能領悟的痛頻上熱搜。網友紛紛呼喚程序員小哥哥快上班，其實疫情期間線上流量激增，很多線上應用都面臨著巨大挑戰……要解決高流量和突發流量這種業務沖擊下，線上應用頻繁崩潰的問題，首先需要審視企業目前 IT 架構是否能支撐未來的業務發展。

阿里巴巴在多年 雙11 高并發，高可用和高客戶體驗要求背景下積累了相應的技術體系，并賦能羅輯思維等客戶，幫助他們落地全鏈路壓測。本文整理自高用戶、突發高流量場景下的真實案例，公布阿里在高可用架構建設過程中的實踐筆記，期待幫助更多企業從容應對接下來的高流量場景。

你的應用為什么崩了?

非常復雜的服務端

在我們的日常生活中因為 app 側相對穩定，“崩”一般發生在看不見摸不著的“服務端”(或者叫云端)，而這個服務端有多復雜?

以一個較為成熟的云上架構為例，光是阿里云中構建一個在線服務可以用到的云計算基礎、安全和企業應用三個分類的云產品數量就達到幾乎 200 款。而我們從客戶端(App/PC)到達服務端會涉及到的關鍵節點就有 CDN、動態加速、高防、應用防火墻、4/7 層負載均衡、前后端服務集、緩存、數據庫存儲、中間件、基礎設施層等等，整個鏈路都面臨著不確定性，比如負載均衡中影響流量的產品規格就有 5 個，后端服務的服務規?；瘑栴}更是復雜和難以評估檢驗，這其中任何一個節點出問題都會導致服務不可用，給最終用戶一個“崩”的感覺。同樣的問題在專有云、混合云和自建 IDC 都有。

如何能有效的全面檢驗服務端吞吐能力、發現所有問題甚至是做好容量規劃，具備對峰值的流控調度能力是所有企業都需要思考和應對的。

沒有提前規劃的服務能力

如果應用沒有對自己的服務能力進行提前規劃，沒有提前做好關鍵節點的規劃，對線上的應急措施如彈性擴容，線上防護，熔斷降級等都不具備，在面對業務突發時，就很難保證核心接口能夠穩定對外服務。一旦，出現應用“崩了”的情況下，很多企業無法采取正確的手段，匆匆擴容非但不能解決問題，反而帶來更多不可預期的問題，導致“崩了”進一步的惡化。

除去因問題發現、容量規劃、流控和熔斷降級引起的“崩”外，運維態的隱患問題如故障影響面、配置一致性、監控和根因分析相關工具、復雜的人員組織的高可用程度等，如果沒有足夠的演練和驗證方案，一樣會在關鍵時刻讓你的應用出現“崩”的情況。

阿里巴巴工程師的高可用架構建設筆記

下面我們將阿里巴巴工程師在高可用架構建設實踐中，積累的真實經驗以筆記的形式分享給大家。

架構設計

首先要實現架構可視化。利用 AHAS 的架構感知可以全面了解云上系統架構，以可視化的方式直觀呈現云資源、容器和應用間分層依賴關系。服務器、存儲、網絡是現代云平臺的基礎設施。隨著上云戰略的推進，越來越多的企業將業務、服務、系統構建在云平臺上。

開源軟件和云服務的多樣性，開發語言的異構性，以及企業 IT 團隊的組織和能力差異，都提高了標準化的復雜性。架構感知功能應運而生，通過采集和分析操作系統及第三方標準接口，捕捉進程級的調用關系，并使用特征庫算法識別進程所使用的技術組件，最后在服務器、容器和進程這三個維度上以可視化的方式展示應用架構，給用戶一張全面清晰的云上架構地圖。圍繞這張基礎的視圖，會持續衍生出云資源、容器和應用架構多維度的架構視圖，還有搬站、重構梳理和資產管理等場景化的視圖，真正做到CMDB可視化，驅動問題發現助推業務增長，釋放云上的更多維度的紅利。

而關于強弱依賴治理，因為強依賴本身意味著一榮俱榮，一損俱損。結合 AHAS SDK 的引入和預埋，一旦當平臺最大吞吐能力到達瓶頸時，除了入口或者web類應用的業務峰值流量限流可以起到第一層的保護作用外，還可以將預先標記為弱依賴的服務平滑下線，從而達到節省更多資源保障核心計算能力的目的，同時還可以去除非核心對核心服務的影響，最終通過合理高效的服務降級最大程度獲得業務和成本的平衡。而使用了AHAS SDK之后在編碼時，只需要關心如何定義資源，即哪些方法/代碼塊需要保護，而不需要關注如何保護這個資源。然后通過添加規則來保護資源，規則添加即時生效。

容量規劃

外網仿真壓測：首先可以通過 PTS 高效快速構建同模型和量級的業務流量，對于開源主流的 JMeter 腳本可以直接 100%兼容，對于沒有現成腳本的情況可以使用PTS自研的可視化交互進行0編碼編排，編排完成后從公網的各地域運營商發起，真實模擬特定業務場景下的外網流量，從而全面驗證和探測云上或云下整體架構(從網絡接入到應用服務內再到存儲層和基礎設施)的瓶頸和問題。

全鏈路壓測：更進一步的，如果在生產環境想直接精準衡量業務容量的情況，可以通過 PTS 相關解決方案使生產環境具備壓測流量識別和路由到指定影子存儲區域的能力，結合相關影子存儲區域的準備，然后做到同樣規模基礎數據上的業務流量壓測同樣的生產環境，最終達到精準衡量線上生產環境的能力，當然，對于壓測流水數據由于已經隔離開，所以可以方便安全的清理和維護。

業務監控

面對復雜的應用環境和高速增長的業務，ARMS 能幫助用戶快速構建各種環境下完整的監控體系，實現從頁面到數據庫、從應用性能到基礎架構資源、從 IT 到業務的端到端監控。減少故障排查時間，降低跨部門溝通成本，最終降低因為故障和體驗差給企業帶來的損失。

線上管控

于運行態或已有應用可以通過 AHAS 探針形態(除AHAS SDK外更輕的方案)在不修改代碼的情況下進行業務洪峰的流量強力控制、消息場景的削峰填谷，而對于結構復雜的可以將系統內或外不穩定的因素迅速降級讓業務保持穩定，同時還有單機過載保護(根據 RT 動態調節入口流量)的兜底能力，甚至很多時候系統來不及壓測或者不知道配置什么規則的時候單機智能過載保護是個很好的功能和方法。以上都在運行態和運維側即可完成引入和控制。對于線上配置項和業務屬性值通過 AHAS 開關模塊的輕量級方案進行安全和統一管控，這部分能力即將開放，敬請期待。

日常巡檢

風險的提前暴露，通過 Advisor 智能顧問對云上主要云資源進行全面的巡檢和風險識別，規則都來自于阿里云一線TAM同學面向客戶的技術體系積累及阿里生態內 SRE 最佳實踐的融合?；谇笆龅募軜嫷貓D和用戶的輸入，可進行更深層次的應用/業務架構層面的巡檢和建議。

常態化演練

AHAS 的故障演練模塊遵循混沌工程實驗原理并融合了阿里巴巴內部實踐的經驗，基于此用戶可以建立流程完整而且可視化程度很高的故障演練體系，可方便的對基礎資源、應用服務、容器服務和云平臺4層進行超多維度的編排和定制，同時產品還提供了豐富的成熟故障經驗庫。從而幫助用戶實現包括架構、業務、人員的全面高可用提升。故障演練在依賴治理、業務連續性提升和故障修復驗證等場景中都有巨大作用。

工具一覽表

1、應用高可用服務 AHAS

專注于提高應用高可用能力的云工具產品，提供應用架構自動探測，故障注入式高可用能力評測和一鍵流控降級等功能，可以快速低成本的提升應用可用性。

https://www.aliyun.com/product/ahas

2、性能測試 PTS

面向所有技術背景人員的云化測試工具。有別于傳統工具的繁復，PTS以互聯網化的交互，提供性能測試、API調試和監測等多種能力。自研和適配開源的功能都可以輕松模擬任意體量的用戶訪問業務的場景，任務隨時發起，免去繁瑣的搭建和維護成本。更是緊密結合監控、流控等兄弟產品提供一站式高可用能力，高效檢驗和管理業務性能。

https://www.aliyun.com/product/pts

3、智能顧問Advisor

智能顧問 Advisor 根據用戶情況，結合阿里云長期以來的客戶側最佳實踐，基于TAM(Technical Account Management)服務體系的核心基礎能力，全方位地為用戶提供云資源、應用架構、業務性能及安全上的診斷和優化建議?，F在，越來越多的阿里云云原生客戶可以通過 Advisor 便捷地享受專業的 TAM基 礎服務，更好地用好云。同時，我們也會圍繞 Advisor 為有相關需求的客戶提供專項深度的 TAM 服務。

https://www.aliyun.com/product/advisor

4、企業級高可用架構解決方案

脫胎于阿里巴巴電商業務下的高可用技術體系經過所有的雙11流量洪峰考驗、日常穩定性考驗，已經服務于阿里全生態并開始服務外部的企業客戶，解決方案為企業提供的包括營銷活動支撐、整體成本控制(全鏈路壓測、容量規劃、流量控制、調度)、應急應對能力(開關和預案)、容災逃逸能力(架構感知、故障演練、異地多活、單元化)。

https://www.aliyun.com/solution/ehasl

5、混沌測試工具 ChaosBlade

ChaosBlade 是一款遵循混沌工程實驗原理，建立在阿里巴巴近十年故障測試和演練實踐基礎上，并結合了集團各業務的最佳創意和實踐，提供豐富故障場景實現，幫助分布式系統提升容錯性和可恢復性的混沌工程工具。

https://github.com/chaosblade-io/chaosblade

6、輕量級流量控制框架 sentinel

以流量為切入點，從流量控制、熔斷降級、系統負載保護等多個維度來幫助您保護服務的穩定性。

https://github.com/alibaba/Sentinel/wiki