【CSDN 编者按】过去一年，“删库跑路”、安全漏洞等事件层出不穷，企业、技术人员深受其害，作为一名程序员，在新的一年即将到来之际，我们该如何避免面向监狱编程？
作者 | jinjunzhu 责编 | 欧阳姝黎
凌晨四点被公司的监控告警叫醒了，告警的原因是生产环境跑批任务发生故障。即刻起床处理故障，但还是花了不少时间才解决。
这次故障是一次数据校验的跑批任务，校验前面跑批任务的数据是否正确。幸运的是，之前的核心任务已经完成，并没有影响到生产上的交易系统工作。
为什么我在这里提到了交易工作呢？因为交易系统是整个系统业务流量的入口，如果交易系统发生故障，那会给公司带来直接的收入损失。
今天我们聊的话题是服务治理，服务治理最终达到的结果就是系统 「7 * 24」 小时不间断服务。
监控告警
公司的这次生产告警很准确，找到系统的直接维护人，并且通知到是哪个跑批任务出了故障。这次告警是通过监控跑批任务中间件的任务执行结果来触发的。
1.1 批处理效率
❝ 多数情况下批处理任务是不阻碍业务入口的，所以不需要监控。 ❞
在阻碍业务入口的情况下，批处理任务必须要监控。我举两个业务场景：
域名系统要通过 dns 信息和数据库记录来找出脏数据进行交易补偿，这期间客户查询域名信息可能是脏数据
银行日终跑批期间是不允许实时交易的，这个「7 * 24」小时不间断服务相违背
这些场景下批处理效率是非常重要的一个监控指标，必须配置超时阈值并进行监控。
1.2 流量监控
常用的限流的指标如下图:
流量监控我们需要注意几点：
不同的系统，使用的监控指标是不同的，比如 redis，可以用 QPS 指标，对于交易系统，可以用 TPS
通过测试和业务量的预估来配置合适的监控阈值
监控阈值需要考虑突发情况，比如秒杀、抢券等场景
异常监控对于系统来说非常重要。在生产环境中很难保证程序不发生异常，配置合理的异常报警对快速定位和解决问题至关重要。比如开篇提到的跑批告警，告警信息中带着异常，让我很快就定位到了问题。
异常监控需要注意下面几个方面：
客户端 read timeout,这时要尽快从服务端找出原因
对客户端收到响应的时间设置一个阈值，比如 1 秒，超出后触发告警
对业务异常一定要监控，比如失败响应码
生产环境配置系统资源时，一般要对系统资源的使用率有一个预测。比如 redis 在当前的内存增长速率下，多久会耗尽内存，数据库在当前的增长速率下多久会用光磁盘。
系统资源需要设置一个阈值，比如 70%，超过这个限值就要触发告警。因为资源使用快要饱和时，处理效率也会严重下降。
配置资源使用率的阈值时，一定要考虑突增流量和突发业务的情况，提前预留额外的资源来应对。
对核心服务要做好限流措施，防止突增流量把系统压垮。
1.5 请求延迟
这个图中，我们假设组合服务会并发地调用下面的订单、库存和账户服务。客户端发出请求后，组合服务处理请求需要花费 2 秒的处理时间，账户服务需要花费 3 秒的处理时间，那客户端配置的 read timeout 最小是 5 秒。
监控系统需要设置一个阈值来监控，比如 1 秒内如果有 100 个请求延迟都大于了 5 秒就触发报警，让系统维护人员去查找问题。
❝ 客户端设置的 read timeout 不能太大，如果因为服务端故障导致延迟，要保证 fail-fast，防止因为资源不能释放造成系统性能大服务降低。 ❞1.6 监控注意事项
监控是为了能让系统维护人员快速发现生产问题并定位到原因，不过监控系统也有几个指标需要考虑：
根据监控目标来指定监控指标采样频率，频率太高会增加监控成本。
监控覆盖率，最好能够覆盖到所有核心的系统指标。
监控有效性，监控指标不是越多越好，太多会给分辨报警有效性带来额外工作量，也会让开发人员习以为常。
告警时效，对于跑批任务这种非实时交易类系统，可以不用实时告警，记录事件后定一个时间，比如早晨 8 点触发告警，责任人到公司后处理。
为避免长尾效应，最好不要使用平均值。如下图：
10 个请求，有 9 个延迟都是 1 秒，但有1 个延迟是 10 秒，所以平均值参考意义并不大。
❝ 可以采用按照区间分组的方式，比如延迟1秒以内的请求数量，1-2秒的请求数量，2-3秒的请求数量分组进行统计，按照指数级增长的方式来配置监控阈值。 ❞
故障管理
2.1 常见故障原因
故障发生的原因五花八门，但常见的无非下面几种：
发布升级带来的故障
硬件资源故障
系统过载
恶意攻击
基础服务故障
应对故障，我们分两步走：
立即解决故障，比如因为数据问题引起的故障，修改问题数据即可。
找出故障原因，可以通过查找日志或者调用链追踪系统来定位问题并解决
升级带来的故障，有的是上线后能很快暴露的。有的是上线很长时间才会暴露，比如有的业务代码可能之前一直执行不到。
对于第一种情况，可以采用灰度发布的方式进行验证解决。
对于第二种情况，完全避免是很难的，我们只能最大限度的提高测试用例覆盖率。
2.2.2 硬件资源故障
这类故障主要分为两类：
硬件资源超载，比如内存不够
硬件资源老化
对于第一种故障一般用监控告警的方式来通知责任人处理，处理的方式主要是增加资源，找出消耗资源严重的程序进行优化。
对于第二种故障需要运维人员对硬件资源进行记录和监控，对于老化的资源及时进行更换。
2.3 系统过载
系统过载可能是遇到秒杀之类的突增流量，也可能是随着业务发展慢慢地超过系统承受能力，可以使用增加资源或者限流的方式来应对。
2.4 恶意攻击
恶意攻击的类型非常多，比如 DDOS 攻击、恶意软件、浏览器攻击等。
针对恶意攻击，防止手段也很多，比如对请求报文进行加密、引入专业的网络安全防火墙、定期安全扫描、核心服务部署在非默认端口等。
2.5 基础软件故障
发布管理
发布通常指软硬件的升级，包括业务系统版本升级、基础软件升级、硬件环境升级等。作为程序员，本文讲的升级是针对业务系统的升级。
3.1 发布流程
一般情况下，业务系统升级流程如下：
发布到生产环境，验证没有问题表示发布成功。
3.2 发布质量
在升级软件的时候，发布质量非常重要，为保证发布质量需要注意下面这些问题。
3.2.1 CheckList
为了保证发布质量，发布前维护一份 CheckList，并且开发团队对所有的问题进行确认。等这份清单都确认完成后进行构建发布。下面是一些比较典型的问题：
上线 sql 是否正确
生产配置文件配置项是否完备
外部依赖的服务是否已经发布并验证完成
新机器路由权限是否已经开通
多个服务的发布顺序是否已经明确
如果上线后发生故障怎么应对
升级时采用金丝雀部署的方式，先把其中一个 server 作为金丝雀进行发布升级，这个 server 在生产环境运行后没有问题，再升级其他的 server。有问题则进行回滚。
3.2.2 蓝绿部署
升级之前客户端的请求发送到绿色服务上，升级发布之后，通过负载均衡把请求转到蓝色系统，绿色系统暂时不下线，如果生产测试没有问题，则下线绿色系统，否则切回绿色系统。
❝ 蓝绿部署跟金丝雀部署的区别是，金丝雀部署不用增加新的机器，而蓝绿部署相当于是增加了一套新机器，需要额外的资源成本。 ❞3.2.4 ab 测试
❝ ab测试的版本都是已经是验证没有问题的，这点不同于灰度发布。 ❞3.2.4 配置变更
好多时候我们把配置写在代码里，比如 yaml 文件。这样我们修改配置后就需要重新发布新版本。如果配置修改频繁，可以考虑下面两种方法：
引入配置中心
使用外部系统保存配置
容量管理
在 2.3 节中讲到系统过载导致的系统故障。容量管理是保证系统上线后稳定运行的一个重要环节，主要是保证系统流量不超过系统能承受的阈值，防止系统崩溃。一般情况下，系统容量超载的原因如下：
业务持续增加给系统带来的流量不断增加
系统资源收缩，比如一台机器上新部署了一个应用，占用了一些资源
系统处理请求变慢，比如因为数据量变大，数据库响应变慢，导致单个请求处理时间变长，资源不能释放
重试导致的请求增加
突增流量，比如微博系统遇到明星离婚案之类的新闻。
对于一些失败的请求进行重试，能够很好地增加系统的用户体验。重试一般分为两类，一类是对连接超时的请求，一类是对响应超时的请求。
对于连接超时的请求，可能是网络瞬时故障造成的，这种情况下重试并不会对服务端造成压力，因为失败的请求压根就没有到达服务端。
如果服务 B 响应慢导致超时，客户端配置了失败重试 2 次，服务 A 也配置了失败重试 2 次，在服务 B 最终不能响应的情况下，服务 B 最终被调了 9 次。
在大型分布式系统中，如果调用链很长，每个服务都配置了重试，那重试会给调用链下游服务造成巨大的压力甚至让系统崩溃。可见重试不是越多越好，合理的设置重试对系统有保护作用。
对于重试，有如下 3 个建议：
非核心业务不重试，如果重试，必须限定次数
重试时间间隔要指数增加
根据返回失败的状态进行重试，比如服务端定义一个拒绝码，客户端就不重试了
对于突增流量，是很难提前规划到的。
遇到突增的流量时，我们可以先考虑增加资源。以 K8S 为例，如果原来有 2 个 pod，使用 deploy 编排扩容到 4 个 pod。命令如下：
kubectl scale deployment springboot-deployment --replicas=4
如果资源已经用完了，那就得考虑限流了。推荐几个限流框架：
google guava
netflix/concurrency-limits
sentinel
系统建设初期做好容量规划是非常重要的。
可以根据业务量来估算系统的 QPS，基于 QPS 进行压力测试。针对压力测试的结果估算的容量，并不一定能应对生产环境的真实场景和突发情况，可以根据预估容量给出预留资源，比如 2 倍容量。
4.4 服务降级
服务降级对于服务端来说，可以有三种方式：
服务端容量超载后，直接拒绝新的请求
非核心服务暂停，预留资源给核心服务用
客户端可以根据服务端拒绝的请求比例来进行降级处理，比如观察 1 分钟，如果服务端对 1000 个请求，拒绝了 100 个，客户端可以作为参考，以后每分钟超过 90 个，就直接拒绝。
总结
微服务化的架构给系统带来了很多好处，但同时也带来了一些技术上的挑战。这些挑战包括服务注册与发现、负载均衡、监控管理、发布升级、访问控制等。而服务治理就是对这些问题进行管理和预防，保证系统持续平稳地运行。
本文所讲的服务治理方案，也算是传统意义上的方案，有时会有一些代码的侵入，而框架的选择也会对编程语言有限制。
在云原生时代，Service Mesh 的出现又把服务治理的话题带入一个新的阶段。后续再做分享。
4月20日晚八点，欢迎来到CSDN悦读时间直播间，与四位大咖一起探索UNIX传奇往事的启示，围观《UNIX传奇》新书发布会！
☞直接学 Vue 3 吧 —— 对话 Vue.js 作者尤雨溪☞“因人脸识别错误，我被捕了！”☞“诺奖摇篮”贝尔实验室：从辉煌到衰败的百年沉浮