微服务架构如何保障双11狂欢下的99.99%高可用
欢迎关注个人微信号：石杉的架构笔记（id：shishan100）
周一至周五早8点半！精品技术文章准时送上！
往期文章
【双11狂欢的背后】微服务注册中心如何承载大型系统的千万级访问？
【性能优化之道】每秒上万并发下的Spring Cloud参数优化实战
目录
一、概述
二、业务场景
三、线上经验—如何设置Hystrix线程池大小
四、线上经验—如何设置请求超时时间
五、问题解决
六、总结
一、概述
上一篇文章讲了一个朋友公司使用Spring Cloud架构遇到问题的一个真实案例，虽然不是什么大的技术问题，但如果对一些东西理解的不深刻，还真会犯一些错误。
如果没看过这篇的朋友，建议先看看：【双11狂欢的背后】微服务注册中心如何承载大型系统的千万级访问？
因为本文的案例背景会基于上一篇文章。
这篇文章我们来聊聊在微服务架构中，到底如何保证整套系统的高可用？
其实排除掉一些基础设施的故障，比如说Redis集群挂了，Elasticsearch集群故障了，MySQL宕机了。
微服务架构自己本身最最核心的保障高可用的措施，就是两个：
一个是基于Hystrix做资源隔离以及熔断；
另一个是做备用降级方案。
如果资源隔离和降级都做的很完善，那么在比如双11的这种高并发场景下，虽然可能会出现个别的服务故障，但是绝对是不会蔓延到整个系统全部宕机的。
这里大家如果忘了如何基于hystrix做资源隔离、熔断以及降级的话，可以回顾一下文章：《 拜托！面试请不要再问我Spring Cloud底层原理 》
二、业务场景
好的，那我们这就来深入的分析一下，在实际生产系统中，hystrix的线程池以及超时时间，这两个参数应该如何根据系统的负载设置到最佳的状态？
大家首先回顾下面这张图，这是上篇文章中说到的一个公司的系统。
核心服务A调用了核心服务B和C，在核心服务B响应过慢时，会导致核心服务A的某个线程池全部卡死。
但是此时因为你用了hystrix做了资源隔离，所以核心服务A是可以正常调用服务C的，那么就可以保证用户起码是可以使用APP的部分功能的，只不过跟服务B关联的页面刷不出来，功能无法使用罢了。
当然这种情况在生产系统中，是绝对不被允许的，所以大家千万让上述情况发生。
在上一篇文章中，我们最终把系统优化成了下图这样，要保证一个hystrix线程池可以轻松处理每秒钟的请求，同时还有合理的超时时间设置，避免请求太慢卡死线程。
三、线上经验—如何设置Hystrix线程池大小
好，现在问题来了，在生产环境中，我们到底应该如何设置服务中每个hystrix线程池的大小，以及如何设置超时时间呢？
下面就是我们线上大量系统优化后的生产经验总结：
假设你的服务A，每秒钟会接收30个请求，同时会向服务B发起30个请求，然后每个请求的响应时长经验值大概在200ms，那么你的hystrix线程池需要多少个线程呢？
计算公式是：30（每秒请求数量） * 0.2（每个请求的处理秒数） + 4（给点缓冲buffer） = 10（线程数量）。
如果大家对上述公式存在疑问，不妨反过来推算一下，为什么10个线程可以轻松抗住每秒30个请求？
一个线程200毫秒可以执行完一个请求，那么一个线程1秒可以执行5个请求，理论上，只要6个线程，每秒就可以执行30个请求。
也就是说，线程里的10个线程中，就6个线程足以抗住每秒30个请求了。剩下4个线程都在玩儿，空闲着。
那为啥要多搞4个线程呢？很简单，因为你要留一点buffer空间。
万一在系统高峰期，系统性能略有下降，此时不少请求都耗费了300多毫秒才执行完，那么一个线程每秒只能处理3个请求了，10个线程刚刚好勉强可以hold住每秒30个请求。所以你必须多考虑留几个线程。
老规矩，给大家来一张图，直观的感受一下。
四、线上经验—如何设置请求超时时间
接着来，那么请求的超时时间设置为多少？答案是300毫秒。
为啥呢？很简单啊，兄弟！如果你的超时时间设置成了500毫秒，想想可能会有什么后果？
考虑极端情况，如果服务B响应变慢，要500毫秒才响应，你一个线程每秒最多只能处理2个请求了，10个线程只能处理20个请求。
而每秒是30个请求过来，结局会如何？咱们回看一下第一张图就知道了，大量的线程会全部卡死，来不及处理那么多请求，最后用户会刷不出来页面。
还是有点不理解？再给你一张图，让你感受一下这个不合理的超时时间导致的问题！
如果你的线程池大小和超时时间没有配合着设置好，很可能会导致服务B短暂的性能波动，瞬间导致服务A的线程池卡死，里面的线程要卡顿一段时间才能继续执行下一个请求。
哪怕服务B的接口性能恢复到200毫秒以内了，服务A的线程池里卡死的状况也要好一会儿才能恢复过来。你的超时时间不合理的设置的越长，比如设置1秒、2秒，那么这种卡死的情况就需要越长的时间来恢复。
所以说，此时你的超时时间就得设置成300毫秒，保证一个请求300毫秒内执行不完，立马超时返回。
这样线程池里的线程不会长时间卡死，可以有条不紊的处理多出来的请求，大不了就是300毫秒内处理不完立即超时返回，但是线程始终保持可以运行的状态。
这样当服务B的接口性能恢复到200毫秒以内了，服务A的线程池里的线程很快就可以恢复。
这就是生产系统上的hystrix参数设置优化经验，你必须考虑到各种参数应该如何设置。
否则的话，很可能会出现上文那样的情况，用了高大上的Spring Cloud，结果跟黑盒子一样，莫名其妙系统故障，各种卡死，宕机什么的。
五、问题解决
好了，我们继续。如果现在这套系统每秒有6000请求，然后核心服务A一共部署了60台机器，每台机器就是每秒会收到100个请求，那么此时你的线程池需要多少个线程？
很简单了，10个线程抗30个请求，30个线程抗100请求，差不多了吧。
这个时候，你知道你的服务A的线程池，调用服务B的那个线程池，应该分配多少线程了吧？超时时间如何设置应该也知道了！
其实这个东西不是固定死的，但是你要知道他的计算方法，根据服务的响应时间、系统高峰QPS、有多少台机器，来计算出来，线程池的大小以及超时时间！
设置完这些之后，就应该要考虑服务降级的事情了。
如果你的某个服务挂了，那么你的hystrix会走熔断器，然后就会降级，你需要考虑到各个服务的降级逻辑。
举一些常见的例子：
如果查询数据的服务挂了，你可以查本地的缓存
如果写入数据的服务挂了，你可以先把这个写入操作记录日志到比如mysql里，或者写入MQ里，后面再慢慢恢复
如果redis挂了，你可以查mysql
如果mysql挂了，你可以把操作日志记录到es里去，后面再慢慢恢复数据。
具体用什么降级策略，要根据业务来定，不是一成不变的。
六、总结
总结一下，排除那些基础设施的故障，你要玩儿微服务架构的话，需要保证两点：
首先你的hystrix资源隔离以及超时这块，必须设置合理的参数，避免高峰期，频繁的hystrix线程卡死
其次，针对个别的服务故障，要设置合理的降级策略，保证各个服务挂了，可以合理的降级，系统整体可用！
如有收获，请帮忙转发，您的鼓励是作者最大的动力，谢谢！
一大波微服务、分布式、高并发、高可用的原创系列文章正在路上：
《兄弟，用大白话告诉你小白都能看懂的Hadoop架构原理》，敬请期待
《大规模集群下Hadoop的NameNode如何承载高并发访问》，敬请期待
欢迎扫描下方二维码，持续关注：
石杉的架构笔记（id:shishan100）
十余年BAT架构经验倾囊相授
