58同城云认证架构设计
前言
2016年7月至2018年9月，我曾有幸在58同城工作了两年多的时间，负责认证相关业务。在两年多的时间里，从最初只有我一个人，发展到后来16个人的云认证团队，我们也实现了实名认证量近10倍的增长量，辅助上游业务消灭了大量的虚假信息，也为用户提供了更多的安全保障。
实名认证量变化曲线
在那两年里，我主导设计和开发了云认证、实名库、人脸认证、微信认证等一系列意义重大的项目，都取得了非常不错的成绩，现在回忆起来，自豪之情依然会油然而生。
下面我重点介绍一下云认证项目。
背景
在58集团实现全站实名制是我们云认证团队的战略目标，但随着全站实名制的逐步推进，认证量和服务调用量迅速增加，原来的服务架构暴露出的问题越来越多，主要体现在以下三个方面：
1.服务之间严重耦合
2.服务性能低下
3.服务稳定性差
所以我们设计和开发了云认证项目，下面我们看一下云认证的整体业务架构
一、架构设计
我先从宏观上对云认证的任务架构和技术架构做一下介绍。
1.1 业务架构
业务架构
云认证支持58集团各个平台的接入，为了方便各平台接入，我们提供了4种认证产品，可以支持PC/M/APP三端各种认证方式的快速接入。
目前（2018年5月）我们支持7种实名认证和4种企业认证，以及150多种其他认证，我们是业内提供认证方式最多、最全面的企业。
另外，我们还提供了完善的认证统计、认证查询、认证审核功能
所有的认证行为，都会经过风险控制层进行风险识别，风险控制层包含虚假模板、虚假人脸、OCR识别等47种策略，可以有效拦截虚假认证。
最终，数据会进入基础服务，由基础服务对外提供服务能力
并且，在整个过程中，我们实现了服务立体化监控和完善的日志记录。
1.2 技术架构
下面是云认证的技术架构：
技术架构
接入层负责对接各个业务线的接入，并通过HTTP或SCFV3协议与认证服务层进行交互。
认证服务层我们采用了微服务架构风格 ，按照认证方式和功能划分服务的粒度，使每个服务都可以独立开发、独立维护、独立扩展。认证服务之间完全解耦，只与对应的基础服务打交道，这使得原本复杂的网状结构变成了简单的星型结构。认证中心对外提供统一的服务接口，使我们实现了对接口的统一管理，也在很大程度上节省了调用方的接入成本。
在基础服务层，我们对数据水平切分，将认证状态与认证详细信息分别存储在Wlist和MySQL中，即保证了系统的高性能，又可以满足审核后台复杂的查询需求。通过引入基础服务层，使得我们实现了业务逻辑与数据存储的解耦，从而使业务扩展更加灵活。
二、问题和挑战
在开发云认证的过程中，我们遇到的关键问题是，由于云认证是一个I/O密集型服务，存储方案的选择对性能至关重要，如何选择合适的存储方案？
再有，针对一些必须要查询MySQL的请求，在使用缓存的基础上，如何提升缓存的命中率？
第三，如何对服务进行性能调优，消除系统瓶颈和潜在缺陷，使服务能够高效稳定运行？
问题和挑战
2.1 存储方案
上面是我们对存储方案的要求，下面的我们考虑过的几种存储方案，我们看到，MySQL/MongoDB/Redis均有几项指标不能满足我们的需求，而Wlist各项指标均能满足需求，并且我们要存储的也是“一个用户多种认证”的Key-List结构数据，所以我们最终选择的WList（WList是58同城内部使用的Key-List结构数据存储方案）。
数据库选择
2.2 缓存命中率
为了提高缓存命中率，我首先抓取了线上一个小时的请求，然后对这些请求进行分析，发现69%的数据都是在最近一周内被更新过的，并且数据的访问频率呈现指数分布，少部分数据被频繁访问。
热数据分布
因此，我采取的策略是，在Redis中维护一张热数据排行榜，在系统启动时，通过定时任务，按照数据热度和最近更新时间预加载20万条数据到缓存中
最终，我们只预热了1%的数据，就使缓存命中率达到了67.4%。
缓存预热
2.3 性能调优
性能调优分为三个阶段:
- 第一个阶段是基准测试，目的是判断服务性能是否能满足我们当初设计时期望的性能。
- 第二个阶段是负载测试，目的就是在高负载情况下找出找出系统的性能瓶颈，消除性能瓶颈，使系统性能达到最优。
- 第三个阶段是稳定性测试，目的是观察服务在长时间运行情况下的稳定性，从而找出系统潜在的缺陷。
2.3.1 基准测试
我们期望的性能是在并发线程数为100的情况下，单机QPS能达到4000次，客户端平均耗时不超过50ms，每分钟超时量超时量小于5次。下面是我们测试的结果
测试报告
2.3.2 负载测试
第二个阶段，我们逐渐加大了并发线程数，发现前期服务性能有所提升，但并发线程数超过140以后，服务的性能开始逐渐下降，并且开始出现大量超时。同时，在服务一侧也观察到服务的全部耗时远大于执行耗时。
负载测试效果
访问量耗时
通过SCF的线程模型我们知道，请求从进入队列，到被工作线程处理完成的时间就是全部耗时，工作线程从队列中取出这个请求，到处理完成的时间就是执行耗时。两者只差就是请求在队列中等待的时间，这是种典型的生产者过多，而消费者过少的情况。
SCF线程模型
所以，要想提升系统性能，就需要增加工作线程数量，也就是增加队列数量。
随后，我们开始逐步增加队列数量，来观察服务分别的100/150/200并发下的负载情况，从图上我们可以看出，在队列数量为128时，服务性能达到最佳，单机QPS达到8600次，超时量为0。
image.png
2.3.3 稳定性测试
在稳定性测试阶段，我们本来是计划测试一周时间，但到第二天，我们就观察到服务开始出现明显的“毛刺”现象。
我们再观察系统的其他各项指标，发现这些“毛刺”出现的时间和Full GC时间基本吻合，由此，可以基本确定是Full GC导致的服务性能下降。
老年代内存变化情况
GC状态统计
根据经验，出现比较频繁的Full GC，一般来说，有两种情况，一是代码编写有问题，导致了内存泄露，二是JVM参数配置不合理。
于是我首先对代码进行了CodeReview，确定代码并没有问题。于是，我导出来JVM的配置参数。
调整前JVM参数配置
这是我摘录的部分参数，上面几个参数分别设置了堆内存大小，年轻代大小，并发收集器线程数，老年代使用了CMS并发收集器，这些都没有问题。下面三个参数是SCF默认的配置。
通过这三个参数我们可以看到，它去掉了Survivor区，让新生代中在一次Young GC后存活下来的对象直接进入老年代。这其实也是我们偶尔会用到的一种配置方式，主要是为了解决promotion failed问题，所谓的promotion failed问题，就是新生代有大量对象需要进入老年代，而老年代空间不足，就需要触发一次或者连续触发多次Full GC，造成服务较长时间停顿。
这里采用的解决方案就是，去掉Survivor区，并通过CMSInitiatingOccupancyFraction控制老年代的GC时机，保证老年代中总是有足够的空间来容纳新生代中存活下来的对象，但这种解决方案的隐患就是会导致Full GC比较频繁。
我们的服务对性能很敏感，即便老年代采用了并发回收器，也难以避免频繁的Full GC对性能的影响
我最终采用的解决方案是，增大Survivor区和进入老年代的年龄，让绝大多数对象在新生代就被回收掉，同时调整触发Full GC的时机，保证老年代中始终有足够的空间。这样既减少了Full GC的频率，又解决了promotion failed问题。
调整后的JVM参数配置
三、优化效果
这是我截取的最近一周（2018年5月数据）服务的处理耗时情况，可以看到服务非常的稳定：
请求耗时情况
经过一番辛苦努力，我们最终达成了一系列明显的成果：
- 服务实例数从16台减少到了8台
- 单机QPS从1400提升到了8600
- 平均请求耗时从4ms降低到了0.78ms
- 请求抛弃量从78次/天降低到了0次/天
- 请求超时量从327次/天降低到了0次/天
- 服务运维成本从24工时/月减少到了2工时/月
项目效果
截止到2018年5月，认证中心服务的调用方已经超过160个，单日调用量达到17.6亿次（2018年5月数据），在春节期间，服务连续运行1个月没有重启，依然很稳定。
四、总结
在58工作的两年多里，通过担任认证技术负责人，负责项目，和团队内及业务线的同学沟通需求，合作开发，我的团队合作能力、沟通能力都有明显提高。
在整个过程中，遇到了各种各样的技术问题，我认识到自己的技术能力还有很大提升空间，所以我坚持每天学习，并且将自己的学习成果以技术分享的形式分享给团队的成员，让大家都有所进步。非常感谢58给我提供的平台，感谢曾经和我一起并肩作战的小伙伴们，即便已经离开了，依然非常感谢！
