近万服务实例稳定运行 0 故障，携程微服务架构是如何落地的？
【编者的话】本文主要介绍了从携程自研框架遇到的问题，转到落地 Dubbo 微服务框架，携程是如何实践的，以及实践过程中遇到的问题；未来转型 Service Mesh 的道路上，Dubbo 协议存在的问题，我们需要怎么样的协议层以及微服务 SDK 的定位。
携程从 .Net 技术栈的时代就已经开始微服务领域的探索，转入 Java 技术栈之后，更是经历了自研微服务框架，到现在高性能的 Dubbo，目前我们正在 Service Mesh 的道路上探索，希望能够实现微服务框架的全面标准化、以及云原生。
过去（自研服务框架）
携程从 .Net 技术栈开始，最开始是基于 ESB 总线，虽然解决了内网服务调用的治理问题，但是集中式的服务架构，经常会出现单个服务把整个总线拖垮的情况，进而导致全网瘫痪的现象。基于注册中心的 SOA 服务架构，通过分布式的服务调用，解决了单点故障带来的巨大影响。目前，携程主要是以 Java 技术栈为主，考虑到兼容历史 .Net 技术栈，所以现在的框架以自研为主，但是对比开源的高性能服务框架，自研的框架可能又存在下述提到的几个问题。
image
现在（CDubbo 服务框架）
CDubbo 名字里的 C 代表携程的治理，Dubbo 代表阿里开源的 Dubbo SDK。纵观过去两年的实践和探索，从 2018 年 4 月的第一个版本落地，到现在的近万服务实例，我们大致可以总结为下面的几个主要里程碑。
image
注册发现
注册发现是分布式服务框架的核心要素，为了支持现有的服务互通，所以需要接入携程的注册中心。
服务注册支持健康检测扩展机制，业务可以根据业务场景自定义健康检测扩展，例如当依赖的数据库不可用时不再对外提供服务。服务端通过 5s 一次的心跳保持服务的可用性，当连续 N 次没有发送<typo id="typo-760" data-origin="心跳" ignoretag="true">心跳</typo>时就会自动通知客户端。
客户端发起对服务的订阅，通过推拉结合的模式，保证节点在客户端的最终一致性。通过 Dubbo 的扩展机制，实现了自定义的路由策略，比如根据方法名指定路由策略，以及根据请求参数决定不同的路由策略，同时也能够支持就近访问，优先访问本机房的服务。
image
监控 - CAT
对微服务来说，没有了监控就好比瞎子一样，什么也不清楚。CAT 提供了分布式链路追踪的能力，可以提供很好的报表，以及场景化的问题分析。
有时，需要了解服务总的请求量以及单机的请求分布和 QPS，或者还要知道服务的执行耗时及 99 线。CAT 的聚合报表可以帮助我们更好<typo id="typo-1041" data-origin="的" ignoretag="true">的</typo>了解服务的健康状况。
image
对于超时，可能需要知道哪个阶段变慢，客户端还是服务端，序列化阶段还是服务执行过程太慢。对于异常报错，可以看到哪个过程出现的异常，同时会打印异常堆栈信息，帮助问题的定位。
image
监控 - Metrics
框架人员需要了解公司服务的宏观情况，比如各机房都有哪些服务，哪些服务使用了 Protobuf 序列化格式，哪些服务使用了 SOA 协议等，以及平均执行耗时等情况。业务同事可能也想知道自己服务具体情况，比如有哪些调用方，线程池是否已经跑满了。
通过接入携程的 Dashboard，可以提供全局的总量、错误量、线程池统计信息，也可以根据机房、协议、序列化格式等聚合数据。还能够自定义告警规则，在问题发生时能够尽早<typo id="typo-1361" data-origin="的" ignoretag="true">的</typo>介入。
image
动态配置
对业务同事来说，有可能会存在依赖的服务突然变慢导致客户端超时的情况。框架人员可能需要在机房故障时，需要全局调整 check 为 false，以解决 A B 服务循环依赖谁都无法启动的问题。动态配置提供了配置热生效的能力，不需要为了一个配置重新发布，成本很高。
服务端的多个方法，可能执行耗时也会有所不同，通过多级别的参数配置，可以设置服务默认超时为 1s，单独为执行较慢的方法设置独立的超时时间为 5s。
服务 Owner 可能更清楚自己服务的耗时，通过服务端对客户端的参数设置，不需要每个调用方都设置一次超时，设置的时间也会更合理一些。为了避免配置出错带来的损失，我们提供了友好的可视化界面。
image
SOA 协议及互通
为了支持现有客户端迁移到 CDubbo，需要考虑支持现有的 SOA 协议。除了要确保兼容 HTTP 1.1 协议不变，其次要保证跟客户端的序列化器一致。
CDubbo 会通过 Tomcat 端口接收 SOA 协议的请求，利用现有的序列化器执行请求对象的转换，并保证 Dubbo 内部调用和 Filter 链路的一致性，确保业务逻辑的统一，也就是业务代码不需要改动，就可以启动两个协议。
image
测试平台
对于私有的二进制协议来说，没有现成的 Postman 等工具可以使用。有时，开发人员需要在本地验证测试环境的服务，也可能要验证本地启动的服务端，每个开发人员都构造一个客户端显得成本比较高。
通过 VI（GitHub 开源叫 coreStone），以及利用 Dubbo 2.7.3 提供的元数据中心和泛化调用能力，我们实现了类似 postman 的调用工具。不但可以支持直连，也能够支持本地测试，同时还可以支持 Protobuf 序列化格式。关于 Protobuf 序列化的测试方案，已经贡献到 Dubbo 社区，感兴趣的同学可以自行了解。
image
升级 Dubbo 2.7.3
关于 Dubbo 2.7.3 的详细升级历程，可以参考：https://www.infoq.cn/article/kOxdaV3y9fMZ0Bzs0jb2
现在回顾下升级的最终结果如何。目前，携程 99% 的服务已经跑在 Dubbo 2.7.3 之上，迄今为止 0 故障，只有一些不兼容的小问题，对于不兼容的问题也是确保了编译时提前暴露，运行时没有任何问题。
在发布后，也陆续的出现了一些小的问题，比如预热能力不生效，异常情况下不会回调 onError 等问题，支持服务端异步的 Trace 埋点等，这些问题已经在开源版本彻底修复了。
Threadless
业务同事反馈，需要把线程控制在理想的范围之内。但是，Dubbo 的线程数量太多，一方面是服务级独享线程池，当调用方依赖了 10 个服务，每个服务的 QPS 为 1，lantency 可能只有 10ms 的情况下，由于每个服务独立线程池，至少也需要 10 个线程了。如果多服务共享一个线程池，由于客户端默认是 Cached 的线程池模式，那么在这个场景下可能只要 1 个线程就足够了。另一方面，对同步服务来说，dubbo 2.7.5 的 threadless 可以省去 DubboClientHandler 线程，Netty IO 线程直接把响应交给业务线程，从而节省了一次线程切换。
通过实践，业务线程数量有了很大程度的下降，在高 QPS 以及依赖服务数量较多的情况下，甚至可以下降 60-70%。
image
CDubbo 服务体系
现有 CDubbo 的服务体系，同时支持 Dubbo 和 SOA 协议，对于 Dubbo 客户端能够支持 TCP 协议的传输，对于现有的 SOA 客户端，能够兼容现有的 SOA 协议。
同时，也能够支持内网和外网 Gateway 的请求，保证了多协议的配置统一，以及兼容了 SOA 的序列化格式。
image
性能表现
从协议层面来看，Dubbo 协议的响应较 SOA 协议有所提升，平均耗时从之前的 1ms 降低到了 0.3ms 左右，当然具体提升也要根据服务的报文及请求量有所差异。
image
可能有些人会觉得几毫秒的性能提升不足以挂齿，但是性能的稳定性对服务来说会很重要。我们观察了服务流量突增 3-4 倍的情况下，客户端还能保持 0 异常。长连接的多路复用，提供了很好的抗冲击能力。
image
扩展性
微服务框架跟业务代码耦合比较重，框架人员主要是用 20% 的时间解决业务 80% 的需求，另外 20% 的需求却需要 80% 时间的问题，更适合留给业务自己去解决，能够提供这个能力的唯有扩展性，dubbo 无论横向和纵向的扩展能力都很好。
通过实践，发现业务的确在各个层级都有自己的扩展。例如：业务扩展了 Router 层，支持自己的路由规则，扩展了负载均衡策略，机票同事甚至扩展了 Transport 层换成了适合自己的传输协议。
image
生态
好的生态，可以降低开发成本，例如利用现有的开源 dubbo admin，dubbo go 等组件。另外，也可以降低业务的学习成本，在其他公司学习的 Dubbo 框架，到了携程还可以接着用，不需要重新学习私有的服务框架。技术支持也比较少，很多业务同事甚至比我们还熟悉 Dubbo 框架。
image
Dubbo 协议现有问题 & Dubbo 3.0 规划
除了前面提到的 Dubbo 框架得到业界广泛认可的优点，在我们实践的过程中，也发现了现有的 Dubbo 2.x 版本协议存在的一些不足，比如在云原生大背景下，协议对网关不够友好，缺乏移动端的轻量级 SDK 等。据我们与 Dubbo 官方维护团队的深度交流，这些点也都是当前 Dubbo 3.0 在重点突破的方向，如下一代协议、应用级服务发现、云原生基础设施支持等，携程作为 Dubbo 深度用户也将持续<typo id="typo-3774" data-origin="的" ignoretag="true">的</typo>参与到 Dubbo 3.0 的建设与落地过程中。
image
未来（Service Mesh）
网上关于 Service Mesh 的意义讲了很多，众说纷纭，个人认为可能最主要还是以下几点。
- 标准化意味着更低的成本，比如研发成本低，学习成本也比较低，其他公司学习的微服务框架，到携程还可以继续用，省去了学习和踩坑的成本；
- 进程解耦，框架同学可能比较感兴趣，中间件无法独立升级的问题一直困扰着框架研发同学，在这个问题上，Envoy 可以独立升级也是值得期待的；
- 通过下沉，复用了云基础设施的一些能力，一方面，能够更好的支持多语言，业务根据自己的场景选择合适的语言，另一方面，通过下沉也能够让 SDK 更简单，减少 Jar 依赖的兼容性问题；
- 因为更加标准以及下沉，能够带来更好的云部署能力，业务出海时可以根据实际情况部署需要的组件，不再依赖框架全家桶了。
image
Service Mesh SDK
下图是 Istio 官网提供的 Service Mesh 架构图，如果说 Istio 解决了控制平面的标准化，Envoy 或者 sofa-mosn 解决了数据平面的标准化，那么对于 SDK 来说，是否需要有个标准化的组件，或者是否存在适合我们的标准的 SDK 呢？
对于部分中小公司，没有自己的中间件团队，可能会选择商业版 SDK。但是，对于携程这样的规模，对扩展性要求很强，同时已经存在上千 Dubbo <typo id="typo-4379" data-origin="服务" ignoretag="true">服务</typo>的公司来说，我们可能更期待 3.0 的标准协议。
image
现有协议不适合下沉
现有的 SOA 协议可能不太适合作为标准协议，基于 HTTP 1.1 的文本协议，跟 TCP 协议相比，建连带来的成本，很大程度上会导致长尾，影响服务的稳定性。
image
Dubbo 协议由于对网关不太友好，同时存在着跨语言和协议穿透性等问题，Envoy 本身也可以理解为单机网关代理，所以也不太适合作为标准协议。
新协议
既然现有的协议都不太适合，是否可以考虑云原生的标准协议 gRPC。没错，从协议层面来看，这个选择没有问题，但是 gRPC 跟 proto 强绑定的问题，需要携程现有的几千个服务重写业务逻辑代码，这个成本可是无法被接受的。
我们对于新的协议的期待，应该是能够基于 POJO 对象，同时还要符合 gRPC 协议规范。一方面，能够很好<typo id="typo-4745" data-origin="的" ignoretag="true">的</typo>利用云原生的基础能力。另一方面，对于小众语言，也可以利用现有的 gRPC 框架实现与主流 SDK 的互通。
image
对于新的 SDK，不但要有标准的传输协议，同时考虑到服务框架与业务的紧密耦合，扩展性也是要保留的主要的特性，还需要考虑 API 的标准化，利用统一的监控组件。
总结
现在，我们实现了 SDK 的部分标准化。未来，我们一定会在云原生的道路上走<typo id="typo-5031" data-origin="的" ignoretag="true">的</typo>更快，更稳，更标准。
image
