共计 8241 个字符，预计需要花费 21 分钟才能阅读完成。
大概三年前，我在腾讯负责的活动运营系统，因为业务流量规模的数倍增长，系统出现了各种各样的异常，当时，作为开发的我，7*24 小时地没日没夜处理告警，周末和凌晨也经常上线，疲于奔命。后来，当时的老领导对我说：你不能总扮演一个“救火队长”的角色，要尝试从系统整体层面思考产生问题的根本原因，然后推进解决。
我幡然醒悟，“火”是永远救不完的，让系统能够自动”灭火”，才是解决问题的正确方向。简而言之，系统的异常不能总是依赖于“人”去恢复，让系统本身具备“容错”能力，才是根本解决之道。三年多过去了，我仍然负责着这个系统，而它也已经从一个日请求百万级的小 Web 系统，逐步成长为一个高峰日请求达到 8 亿规模的平台级系统，走过一段令人难忘的技术历程。
容错其实是系统健壮性的重要指标之一，而本文会主要聚焦于“容错”能力的实践，希望对做技术的同学有所启发和帮助。（备注：QQ 会员活动运营平台，后面统一简称 AMS）
最容易也最简单被人想到的容错方式，当然就是“失败重试”，总而言之，简单粗暴！简单是指它的实现通常很简单，粗暴则是指使用不当，很可能会带来系统“雪崩”的风险，因为重试意味着对后端服务的双倍请求。
我们请求一个服务，如果服务请求失败，则重试一次。假设，这个服务在常规状态下是 99.9% 的成功率，因为某一次波动性的异常，成功率下跌到 95%，那么如果有重试机制，那么成功率大概还能保持在 99.75%。而简单重试的缺陷也很明显，如果服务真的出问题，很可能带来双倍流量，冲击服务系统，有可能直接将服务冲垮。而在实际的真实业务场景，往往更严重，一个功能不可用，往往更容易引起用户的“反复点击”，反而制造更大规模的流量冲击。比起服务的成功率比较低，系统直接被冲击到“挂掉”的后果明显更严重。
简单重试，要使用在恰当的场景。或者，主动计算服务成功率，成功率过低，就直接不做重试行为，避免带来过高的流量冲击。
既然单一服务的重试，可能会给该带来双倍的流量冲击，而最终导致更严重的后果，那么我们不如将场景变为主备服务的自动重试或者切换。例如，我们搭建了两套获取 openid 的服务，如果服务 A 获取失败，则尝试从服务 B 中获取。因为重试的请求压力是压到了服务 B 上，服务 A 通常不会因为重试而产生双倍的流量冲击。
这种重试的机制，看似比较可用，而实际上也存在一些问题：
（1）通常会存在“资源浪费”的问题。因为备份服务系统，很可能长期处于闲置状态，只有在主服务异常的时候，它的资源才会被比较充分地使用。不过，如果对于核心的服务业务（例如核心数据、营收相关）进行类似的部署，虽然会增加一些机器成本和预算，但这个付出通常也是物有所值的。
（2）触发重试机制，对于用户的请求来说，耗时必然增加。主服务请求失败，然后再到备份服务请求，这个环节的请求耗时就至少翻倍增长，假设主服务出现连接（connect）超时，那么耗时就更是大幅度增加。一个服务在正常状态下，获取数据也许只要 50ms，而服务的超时时间通常会设置到 500-1000ms，甚至更多，一旦出现超时重试的场景，请求耗时必然大幅度增长，很可能会比较严重地影响用户体验。
（3）主备服务一起陷入异常。如果是因为流量过大问题导致主服务异常，那么备份服务很可能也会承受不住这种级别的流量而挂掉。
重试的容错机制，在 AMS 上有使用，但是相对比较少，因为我们认为主备服务，还是不足够可靠。
在 AMS 里，我们的后端涉及数以百计的各类服务，来支撑整个运营系统的正常运作。所有后端服务或者存储，首先是部署为无状态的方式提供服务（一个服务通常很多台机器），然后，通过公司内的一个公共的智能路由服务 L5，纳入到 AMS 中。
（1）所有服务与存储，无状态路由。这样做的目的，主要是为了避免单点风险，就是避免某个服务节点挂了，导致整个服务就瘫痪了。实际上，即使像一些具有主备性质（主机器挂了，支持切换到备份机器）的接入服务，也是不够可靠的，毕竟只有 2 台，它们都挂了的情况，还是可能发生的。我们后端的服务，通常都以一组机器的形式提供服务，彼此之间没有状态关系，支撑随机分配请求。
（2）支持平行扩容。遇到大流量场景，支持加机器扩容。
（3）自动剔除异常机器。在我们的路由服务，发现某个服务的机器异常的时候（成功率低于 50%），就会自动剔除该机器，后续，会发出试探性的请求，确认等它恢复正常之后，再重新加回到服务机器组。
例如，假如一组服务下拥有服务机器四台（ABCD），假设 A 机器的服务因为某种未知原因，完全不可用了，这个时候 L5 服务会主动将 A 机器自动从服务组里剔除，只保留 BCD 三台机器对外提供服务。而在后续，假如 A 机器从异常中恢复了，那么 L5 再主动将机器 A 加回来，最后，又变成 ABCD 四台机器对外提供服务。
在过去的 3 年里，我们逐步将 AMS 内的服务，渐渐从写死 IP 列表或者主备状态的服务，全部升级和优化为 L5 模式的服务，慢慢实现了 AMS 后端服务的自我容错能力。至少，我们已经比较少遇到，再因为某一台机器的软件或者硬件故障，而不得不人工介入处理的情况。我们也慢慢地从疲于奔命地处理告警的苦难中，被解放出来。
调用任何一个服务或者存储，一个合理的超时时间（超时时间，就是我们请求一个服务时，等待的最长时间），是非常重要的，而这一点往往比较容易被忽视。通常 Web 系统和后端服务的通信方式，是同步等待的模式。这种模式，它会带来的问题比较多。
对于服务端，影响比较大的一个问题，就是它会严重影响系统吞吐率。假设，我们一个服务的机器上，启用了 100 个处理请求的 worker，worker 的超时时间设置为 5 秒，1 个 worker 处理 1 个任务的平均处理耗时是 100ms。那么 1 个 work 在 5 秒钟的时间里，能够处理 50 个用户请求，然而，一旦网络或者服务偶尔异常，响应超时，那么在本次处理的后续整整 5 秒里，它仅仅处理了 1 个等待超时的失败任务。一旦比较大概率出现这类型的超时异常，系统的吞吐率就会大面积下降，有可能耗尽所有的 worker（资源被占据，全部在等待状态，直到 5s 超时才释放），最终导致新的请求无 worker 可用，只能陷入异常状态。
算上网络通信和其他环节的耗时，用户就等待了超过 5s 时间，最后却获得一个异常的结果，用户的心情通常是崩溃的。
解决这个问题的方式，就是设置一个合理的超时时间。例如，回到上面的的例子，平均处理耗时是 100ms，那么我们不如将超时时间从 5s 下调到 500ms。从直观上看，它就解决了吞吐率下降和用户等待过长的问题。然而，这样做本身又比较容易带来新的问题，就是会引起服务的成功率下降。因为平均耗时是 100ms，但是，部分业务请求本身耗时比较长，耗时超过 500ms 也比较多。例如，某个请求服务端耗时 600ms 才处理完毕，然后这个时候，客户端认为等待超过 500ms，已经断开了连接。处理耗时比较长的这类型业务请求会受到比较明显的影响。
超时时间设置过短，会将很多本来处理成功的请求，当做服务超时处理掉，进而引起服务成功率下降。将全部业务服务，以一刀切的方式设置一个超时时间，是比较不可取的。优化的方法，我们分为两个方向。
（1）快慢分离
根据实际的业务维度，区分对待地给各个业务服务配置不同的超时时间，同时，最好也将它们的部署服务也分离出来。例如，天天酷跑的查询服务耗时通常为 100ms，那么超时时间我们就设置为 1s，某新手游的查询服务通常耗时为 700ms，那么我们就设置为 5s。这样的话，整体系统的成功率，就不会受到比较大的影响。
（2）解决同步阻塞等待
“快慢分离”可以改善系统的同步等待问题，但是，对于某些耗时本来就比较长的服务而言，系统的进程 / 线程资源仍然在同步等待过程中，无法响应其他新的请求，只能阻塞等待，它的资源仍然是被占据，系统的整体吞吐率仍然被大幅度拉低。
解决的思路，当然是利用 I / O 多路复用，通过异步回调的方式，解决同步等待过程中的资源浪费。AMS 的一些核心服务，采用的就是“协程”（又叫“微线程”，简单的说，常规异步程序代码里嵌套比较多层的函数回调，编写复杂。而协程则提供了一种类似写同步代码的方式，来写异步回调程序），以解决同步等待的问题。异步处理的简单描述，就是当进程遇到 I / O 网络阻塞时，就保留现场，立刻切换去处理下一个业务请求，进程不会因为某个网络等待而停止处理业务，进而，系统吞吐率即使遇到网络等待时间过长的场景，通常都能保持在比较高的水平。
值得补充一点的是，异步处理只是解决系统的吞吐率问题，对于用户的体验问题，并不会有改善，用户需要等待的时间并不会减少。
3. 防重入，防止重复发货
前面我们提到，我们设置了一个比较“合理的超时时间”，简而言之，就是一个比较短的超时时间。而在数据写入的场景，会引起新的问题，就我们的 AMS 系统而言，就是发货场景。如果是发货请求超时，这个时候，我们需要思考的问题就比较多了。
（1）发货等待超时，发货服务执行发货失败。这种场景，问题不大，后续用户重新点击领取按钮，就可以触发下一次重新发货。
（2）发货等待超时，发货服务实际在更晚的时候执行发货成功，我们称之为“超时成功”。比较麻烦的场景，则是每次都是发货超时，而实际上都发货成功，如果系统设计不当，有可能导致用户可以无限领取礼包，最终造成活动运营事故。
第二种场景，给我们带来了比较麻烦的问题，如果处理不当，用户再次点击，就触发第多次“额外”发货。
例如，我们假设某个发货服务超时时间设置为 6s，用户点击按钮，我们的 AMS 收到请求后，请求发货服务发货，等待 6s 后，无响应，我们给用户提示“领取失败”，而实际上发货服务却在第 8 秒执行发货成功，礼包到了用户的账户上。而用户看见“领取失败”，则又再次点击按钮，最终导致“额外”多发一个礼包给到这个用户。
例子的时序和流程图大致如下：
这里就提到了防重入，简单的说，就是如何确认不管用户点击多少次这个领取按钮，我们都确保结果只有一种预期结果，就是只会给用户发一次礼包，而不引起重复发货。我们的 AMS 活动运营平台一年上线的活动超过 4000 个，涉及数以万计的各种类型、不同业务系统的礼包发货，业务通信场景比较复杂。针对不同的业务场景，我们做了不同的解决方案：
（1）业务层面限制，设置礼包单用户限量。在发货服务器的源头，设置好一个用户仅能最多获得 1 个礼包，直接避免重复发放。但是，这种业务限制，并非每个业务场景都通用的，只限于内部具备该限制能力的业务发货系统，并且，有一些礼包本身就可以多次领取的，就不适用了。
（2）订单号机制。用户的每一次符合资格的发货请求，都生成一个订单号与之对应，通过它来确保 1 个订单号，只发货 1 次。这个方案虽然比较完善，但是，它是依赖于发货服务方配合做“订单号发货状态更新“的，而我们的发货业务方众多，并非每一个都能支持”订单号更新“的场景。
（3）自动重试的异步发货模式。用户点击领取礼包按钮后，Web 端直接返回成功，并且提示礼包在 30 分钟内到账。对于后台，则将该发货录入到发货队列或者存储中，等待发货服务异步发货。因为是异步处理，可以多次执行发货重试操作，直到发货成功为止。同时，异步发货是可以设置一个比较长的超时等待时间，通常不会出现“超时成功”的场景，并且对于前端响应来说，不需要等待后台发货状态的返回。但是，这种模式，会给用户带来比较不好的体验，就是没有实时反馈，无法立刻告诉用户，礼包是否到账。
4. 非订单号的特殊防刷机制
某些特殊的合作场景，我们无法使用双方约定订单号方式，例如一个完全隔离独立的外部发货接口，不能和我们做订单号的约定。基于这种场景，我们 AMS 专门做了一种防刷的机制，就是通过限制 read 超时的次数。但是，这种方案并非完美解决重复发货问题，只是能起到够尽可能减少避免被刷的作用。一次网络通信，通常包含：建立连接（connect），写入数据发包（write），等待并且读取回包（read），断开连接（close）。
通常一个发货服务如果出现异常，大多数情况，在 connect 步骤就是失败或者超时，而如果一个请求走到等待回包（read）时超时，那么发货服务另外一边就有可能发生了“超时但发货成功”的场景。这个时候，我们将 read 超时的发生次数记录起来，然后提供了一个配置限制次数的能力。假如设置为 2 次，那么当一个用户第一次领取礼包，遇到 read 超时，我们就允许它重试，当还遇到第二次 read 超时，就达到我们之前设置的阀值 2，我们就认为它可能发货成功，拒绝用户的第三次领取请求。
这种做法，假设发货服务真的出现很多超时成功，那么用户也最多只能刷到 2 次礼包（次数可配置），而避免发生礼包无限制被刷的场景。但是，这种方案并不完全可靠，谨慎使用。
在发货场景，还会涉及分布式场景下的 CAP（一致性、可用性、分区容错性）问题，不过，我们的系统并非是一个电商服务，大部分的发货并没有强烈的一致性要求。因此，总体而言，我们是弱化了一致性问题（核心服务，通过异步重试的方式，达到最终一致性），以追求可用性和分区容错性的保证。
对于一次礼包领取请求，在我们的后端 CGI 会经过 10 多个环节和服务的逻辑判断，包括礼包配置读取、礼包限量检查、登陆态校验、安全保护等等。而这些服务中，就有不可以跳过的核心环节，例如读取礼包配置的服务，也有非核心环节，例如数据上报。对于非核心环节，我们的做法，就是设置一个比较低的超时时间。
例如我们其中一个统计上报服务，平均耗时是 3ms，那么我们就将超时时间设置为 20ms，一旦超时则旁路掉，继续按照正常逻辑走业务流程。
虽然，大家都知道一个服务的设计，要尽可能小和分离部署，如此，服务之间的耦合会比较小，一旦某个模块出问题，受到影响的模块就比较少，容错能力就会更强。可是，从设计之初，就将每一个服务有序的切割地很小，这个需要设计者具备超前的意识，能够提前意识到业务和系统的发展形态，而实际上，业务的发展往往是比较难以预知的，因为业务的形态会随着产品的策略的改变而变化。在业务早期流量比较小的时候，通常也没有足够的人力和资源，将服务细细的切分。AMS 从日请求百万级的 Web 系统，逐渐成长为亿级，在这个过程中，流量规模增长了 100 倍，我们经历了不少服务耦合带来的阵痛。
1. 服务分离，大服务变成多个小服务
我们常常说，鸡蛋不能都放在一个篮子里。AMS 以前是一个比较小的系统（日请求百万级，在腾讯公司内完全是一个不起眼的小 Web 系统），因此，很多服务和存储在早起都是部署在一起的，查询和发货服务都放在一起，不管哪一个出问题，都相互影响。后来，我们逐渐的将这些核心的服务和存储，慢慢地分离出来，细细切分和重新部署。在数据存储方面，我们将原来 3 - 5 个存储的服务，慢慢地切为 20 多个独立部署的存储。
例如，2015 年下半年，我们就将其中一个核心的存储数据，从 1 个分离为 3 个。
这样做带来了很多好处：
（1）原来主存储的压力被分流。
（2）稳定性更高，不再是其中一个出问题，影响整个大的模块。
（3）存储之间是彼此物理隔离的，即使服务器硬件故障，也不会相互影响。
2. 轻重分离，物理隔离
另外一方面，我们对于一些核心的业务，进行“轻重分离”。例如，我们支持 2016 年“手 Q 春节红包”活动项目的服务集群。就将负责信息查询和红包礼包发货的集群分别独立部署，信息查询的服务相对没有那么重要，业务流程比较轻量级，而红包礼包发货则属于非常核心的业务，业务流程比较重。
轻重分离的这个部署方式，可以给我们带来一些好处：
（1）查询集群即使出问题，也不会影响发货集群，保证用户核心功能正常。
（2）两边的机器和部署的服务基本一致，在紧急的情况下，两边的集群可以相互支援和切换，起到容灾的效果。
（3）每个集群里的机器，都是跨机房部署，例如，服务器都是分布在 ABC 三个机房，假设 B 机房整个网络故障了，反向代理服务会将无法接受服务的 B 机房机器剔除，然后，剩下 AC 机房的服务器仍然可以正常为外界提供服务。
如果系统架构设计层面的“容错”我们都搭建完善了，那么再继续下一层容错，就需要根据实际的业务来进行，因为，不同的业务拥有不同的业务逻辑特性，也能够导致业务层面的各种问题。而在业务层面的容错，简而言之，避免“人的失误”。不管一个人做事性格多么谨慎细心，也总有“手抖”的时候，在不经意间产生“失误”。AMS 是一个活动运营平台，一个月会上线 400 多个活动，涉及数以千计的活动配置信息（包括礼包、规则、活动参与逻辑等等）。在我们的业务场景下，因为种种原因而导致“人的失误”并不少。
例如，某个运营同学看错礼包发放的日限量，将原本只允许 1 天放量 100 个礼包的资源，错误地配置为每天放量 200 个。这种错误是测试同学比较难测试出来的，等到活动真正上线，礼包发放到 101 个的时候，就报错了，因为资源池当天已经没有资源了。虽然，我们的业务告警系统能够快速捕获到这个异常（每 10 分钟为一个周期，从十多个维度，监控和计算各个活动的成功率、流量波动等等数据），但是，对于腾讯的用户量级来说，即使只影响十多分钟，也可以影响成千上万的用户，对于大规模流量的推广活动，甚至可以影响数十万用户了。这样的话，就很容易就造成严重的“现网事故”。
完善的监控系统能够及时发现问题，防止影响面的进一步扩大和失控，但是，它并不能杜绝现网问题的发生。而真正的根治之法，当然是从起源的地方杜绝这种场景的出现，回到上面“日限量配置错误”的例子场景中，用户在内部管理端发布活动配置时，就直接提示运营同学，这个配置规则是不对的。
在业界，因为配置参数错误而导致的现网重大事故的例子，可以说是多不胜数，“配置参数问题”几乎可以说是一个业界难题，对于解决或者缓解这种错误的发生，并没有放之四海而皆准的方法，更多的是需要根据具体业务和系统场景，亦步亦趋地逐步建设配套的检查机制程序或者脚本。
因此，我们建设了一套强大并且智能的配置检查系统，里面集合了数十种业务的搭配检查规则，并且检查规则的数目一直都在增加。这里规则包括检查礼包日限量之类比较简单的规则，也有检查各种关联配置参数、相对比较复杂的业务逻辑规则。
另外一方面，流程的执行不能通过“口头约定”，也应该固化为平台程序的一部分，例如，活动上线之前，我们要求负责活动的同事需要验证一下“礼包领取逻辑”，也就是真实的去领取一次礼包。然而，这只是一个“口头约定”，实际上并不具备强制执行力，如果这位同事因为活动的礼包过多，而漏过其中一个礼包的验证流程，这种事情也的确偶尔会发生，这个也算是“人的失误”的另外一种场景。
为了解决问题，这个流程在我们 AMS 的内部管理端中，是通过程序去保证的，确保这位同事的 QQ 号码的确领取过全部的礼包。做法其实挺简单的，就是让负责活动的同事设置一个验证活动的 QQ 号码，然后，程序在发货活动时，程序会自动检查每一个子活动项目中，是否有这个 QQ 号码的活动参与记录。如果都有参与记录，则说明这位同事完整地领取了全部礼包。同时，其他模块的验证和测试，我们也都采用程序和平台来保证，而不是通过“口头约定”。
通过程序和系统对业务逻辑和流程的保证，尽可能防止“人的失误”。
这种业务配置检查程序，除了可以减少问题的发生，实际上也减轻了测试和验证活动的工作，可以起到节省人力的效果。不过，业务配置检查规则的建设并不简单，逻辑往往比较复杂，因为要防止误杀。
无论是人还是机器，都是会产生“失误”，只是对于单一个体，发生的概率通常并不大。但是，如果一个系统拥有数百台服务器，或者有一项工作有几百人共同参与，这种“失误“的概率就被大大提升，失误很可能就变为一种常态了。机器的故障，尽可能让系统本身去兼容和恢复，人的失误，尽可能通过程序和系统流程来避免，都尽可能做到”不依赖于人“。
容错的核心价值，除了增强系统的健壮性外，我觉得是解放技术人员，尽可能让我们不用凌晨起来处理告警，或享受一个相对平凡闲暇的周末。对于我们来说，要完全做到这点，还有很长的路要走，与君共勉。
