自愈：问题自动发现与修复
分享一个颇为曲折的故事。
一、背景
早在2016年的时候，我实现了一个监控系统，自动检查数据平台各节点的基础数据是否一致。
可是，这个仅仅是监控系统，用于检验缓存实时更新功能的正确性。
2019年春节前夕，部门提出要做一个万能的通用的自愈系统。
当时各种脑暴讨论，讨论到最后，发现要做到万能与通用，这个自愈系统就需要与业务无关，也就变成了一个状态机模式的调度系统。
而当时周围还没有任何一个自愈相关的实践，大家不仅希望万能通用，还希望与业务有关系，后来大部分人都有新的项目了，这件事便不了了之了。
年前的时候，我们团队的服务遇到一个问题，然后做了一个实实在在的自动发现与自动修复系统，为自动修复积攒了不少经验，下面分享给大家。
二、几年后出问题了
image
还是上面的数据平台，基础数据通过内部设计的一套通知机制，几乎做到数据完全一致。
而对于非基础数据，比如第三方储存或服务提供的数据，无法走内部这一套通知机制。
这部分数据修改后，生效时间会比较久。
为了加速第三方服务的生效时间，第三方服务也复用了内部的通知机制。
但是这样有一个问题。
缓存服务收到更新通知后，会去第三方服务拉最新数据，此时第三方服务有很小的概率返回旧数据。
这导致第三方服务数据不一致问题小概率性出现。
……
巧妙的是，以前底层cms的很多计算逻辑都是通过各种脚本定时完成的。
这使得每计算一个数据，都会触发一次写操作。
这种多次写恰好修复了这个不一致问题。
因为第一次写的时候，第三方服务会有小概率计算出旧数据。
几秒后第二次写的时候，第三方服务依赖的下游是旧数据的概率就非常小了。
实际情况时，会写很多很多次，所以概率被无限缩小。
PS：对于后面的重复写，大家可以理解为第三方服务计算的新数据没变化，但是缓存认为有变化，再次去拉取第三方服务。
就这样第三方服务运行了好几年，几乎没出现什么问题。
……
不幸的是，春节的前几周，底层cms升级改造正式上线，所有计算逻辑只会写一次。
这使得第三方服务问题暴露出来，被无数运营投诉。
让底层cms暂时回滚是行不通的。
对数据系统的架构进行重构，使这个第三方服务支持快速更新，短期内也没那个时间。
所以做一个自愈系统就显得非常有必要了。
三、自愈系统架构
简单思考下，自愈系统大概分为三大模块：数据输入模块、数据拉取模块、数据对比修复模块。
如下图
image
数据输入模块一般是从消息队列接收消息。
这里可能还需要对输入的数据进行过滤、标准化等预处理逻辑。
最终将需要监控的数据放入任务队列。
由于不同任务需要等待不同的时间才能启动检查。
任务队列可以是一个按处理时间排序的列表。
数据拉取模块每次从任务队列顶部检查是否有到达时间的任务。
有了取出，先拉取基准数据（认为是正确的），再拉待校验的数据（可能需要拉很多接口的数据）。
当然，这里与数据输入一样，需要对拉取的结果进行过滤与标准化。
之后就是对比数据是否一致，不一致了调用修复接口进行修复。
上面就是一个自愈系统简化后的模型。
四、加强版自愈
年前的时候，让一个同事做了这样一个系统。
那个版本为了快速测试流程，很多参数是 hardcode 的。
我简单的 codeview 了架构流程，看着没啥问题。
后面我提出一个要求：这些参数需要配置化。
于是相关参数被改成配置文件读取后，就直接发布上线了。
上线后的一个月内，运营也都没有来反馈问题了。
……
可是，半个月前，运营突然又大面积反馈这个问题了。
我心中有一个很大的疑惑。
如果自愈系统有问题，一个月前就应该不断的遇到问题。
如果自愈系统没问题，这些问题就应该被自动发现自动修复。
难道仅仅是概率问题？
于是我同时要到 自愈系统和 第三方系统的代码，进行 codereview。
然后发现第三方系统存在两个问题，自愈系统存在一个过滤问题。
将问题反馈给相关负责人后，第三方系统的问题被修复了一个，自愈系统的过滤问题也被修复了。
但是运营依旧在投诉，这说明问题依旧存在。
此时，我们正处于组织架构调整期。
第三方系统 和 自愈系统的负责人都去做其他新项目去了。
问题还是需要解决，于是我开始接手这两个服务了。
……
接手后需要做两件事情。
第一件事是修复第三方系统遗留的那个已知问题。
第二件事是分析自愈系统为啥没有发现问题、修复问题。
由于数据节点众多，目前自愈系统检查节点数据的逻辑是抽样拉取的。
分析了之前有问题的数据，如果数据有问题，是必现的。
难道刚开始那几秒，数据在反复变化？
于是我猜想，一次抽样可能发现不了问题，全部计算量又太大。
一种不错的方法是有策略的多次检查。
最常见的策略有：等差策略、指数策略。
等差策略就是每隔多少秒触发一次检查。
比如第5、10、15、20、25、30秒检查。
指数策略就是每次间隔时间翻倍。
比如第5、10、20、40、80、160秒检查。
我对这两个策略都不是很满意，因为时间间隔的太近了。
于是我引入了阶乘策略，即相乘的因子每次加一。
比如第5、10、30、120、600、3600秒检查。
算法确定后，就是代码实现了。
将算法封装在一个对象内后，实现还算简单，很快我就上线了。
image
当我分析策略的正确性时，我惊呆了。
数据拉取模块竟然有一个隐藏很深的BUG，使得结果永远都被认为是一致的。
自此，我前面提到的疑惑算是得到了解释，确实是概率问题。自愈系统从来没正常执行过。
问题修复后，运营果然几乎不反馈问题了。
后来他们又反馈了一个问题，分析之后，发现是新功能不在监控范围之内，我补充进去后，然后到现在为止再也没收到反馈了。
五、回顾
回顾一下这个自愈系统，整个流程大概确定了。
大概如下：
1、MQ 输入任务、过滤、标准化
2、有策略的进入任务队列
3、调度任务拉取基准数据与对比数据，结果标准化
4、任务结果对比，不一致时进行自愈修复
疑惑解开之前，我引入了有策略的多轮检查机制来确保问题被发现与修复。
而最终的问题竟然是一个隐藏的BUG。
这个问题属于逻辑BUG，只能引入单元测试来发现。
由于涉及到各种接口网络调用，还需要使用 MOCK 钩子来解决依赖。
单元测试和MOCK钩子我在个别项目中用到过，后面有时间了，也引入到这个项目来。
到时候再给大家分享一下单元测试的实践与MOCK钩子的实践。
《完》
-EOF-
