一、背景會員系統(tǒng)是一種基礎(chǔ)系統(tǒng)，跟公司所有業(yè)務(wù)線的下單主流程密切相關(guān)。如果會員系統(tǒng)出故障，會導(dǎo)致用戶無法下單，影響范圍是全公司所有業(yè)務(wù)線。所以，會員系統(tǒng)必須保證高性能、高可用，提供穩(wěn)定、高效的基礎(chǔ)服務(wù)。
隨著同程和藝龍兩家公司的合并，越來越多的系統(tǒng)需要打通同程APP、藝龍APP、同程微信小程序、藝龍微信小程序等多平臺會員體系。例如微信小程序的交叉營銷，用戶買了一張火車票，此時想給他發(fā)酒店紅包，這就需要查詢該用戶的統(tǒng)一會員關(guān)系。因為火車票用的是同程會員體系，酒店用的是藝龍會員體系，只有查到對應(yīng)的藝龍會員卡號后，才能將紅包掛載到該會員賬號。除了上述講的交叉營銷，還有許多場景需要查詢統(tǒng)一會員關(guān)系，例如訂單中心、會員等級、里程、紅包、常旅、實名，以及各類營銷活動等等。所以，會員系統(tǒng)的請求量越來越大，并發(fā)量越來越高，今年五一小長假的秒并發(fā)tps甚至超過2萬多。在如此大流量的沖擊下，會員系統(tǒng)是如何做到高性能和高可用的呢？這就是本文著重要講述的內(nèi)容。
二、ES高可用方案
1. ES雙中心主備集群架構(gòu)
同程和藝龍兩家公司融合后，全平臺所有體系的會員總量是十多億。在這么大的數(shù)據(jù)體量下，業(yè)務(wù)線的查詢維度也比較復(fù)雜。有的業(yè)務(wù)線基于手機號，有的基于微信unionid，也有的基于藝龍卡號等查詢會員信息。這么大的數(shù)據(jù)量，又有這么多的查詢維度，基于此，我們選擇ES用來存儲統(tǒng)一會員關(guān)系。ES集群在整個會員系統(tǒng)架構(gòu)中非常重要，那么如何保證ES的高可用呢？
首先我們知道，ES集群本身就是保證高可用的，如下圖所示：

當(dāng)ES集群有一個節(jié)點宕機了，會將其他節(jié)點對應(yīng)的Replica Shard升級為Primary Shard，繼續(xù)提供服務(wù)。但即使是這樣，還遠遠不夠。例如ES集群都部署在機房A，現(xiàn)在機房A突然斷電了，怎么辦？例如服務(wù)器硬件故障，ES集群大部分機器宕機了，怎么辦？或者突然有個非常熱門的搶購秒殺活動，帶來了一波非常大的流量，直接把ES集群打死了，怎么辦？面對這些情況，讓運維兄弟沖到機房去解決？這個非常不現(xiàn)實，因為會員系統(tǒng)直接影響全公司所有業(yè)務(wù)線的下單主流程，故障恢復(fù)的時間必須非常短，如果需要運維兄弟人工介入，那這個時間就太長了，是絕對不能容忍的。那ES的高可用如何做呢？我們的方案是ES雙中心主備集群架構(gòu)。

我們有兩個機房，分別是機房A和機房B。我們把ES主集群部署在機房A，把ES備集群部署在機房B。會員系統(tǒng)的讀寫都在ES主集群，通過MQ將數(shù)據(jù)同步到ES備集群。此時，如果ES主集群崩了，通過統(tǒng)一配置，將會員系統(tǒng)的讀寫切到機房B的ES備集群上，這樣即使ES主集群掛了，也能在很短的時間內(nèi)實現(xiàn)故障轉(zhuǎn)移，確保會員系統(tǒng)的穩(wěn)定運行。最后，等ES主集群故障恢復(fù)后，打開開關(guān)，將故障期間的數(shù)據(jù)同步到ES主集群，等數(shù)據(jù)同步一致后，再將會員系統(tǒng)的讀寫切到ES主集群。
2. ES流量隔離三集群架構(gòu)
雙中心ES主備集群做到這一步，感覺應(yīng)該沒啥大問題了，但去年的一次恐怖流量沖擊讓我們改變了想法。那是一個節(jié)假日，某個業(yè)務(wù)上線了一個營銷活動，在用戶的一次請求中，循環(huán)10多次調(diào)用了會員系統(tǒng)，導(dǎo)致會員系統(tǒng)的tps暴漲，差點把ES集群打爆。這件事讓我們后怕不已，它讓我們意識到，一定要對調(diào)用方進行優(yōu)先級分類，實施更精細的隔離、熔斷、降級、限流策略。首先，我們梳理了所有調(diào)用方，分出兩大類請求類型。第一類是跟用戶的下單主流程密切相關(guān)的請求，這類請求非常重要，應(yīng)該高優(yōu)先級保障。第二類是營銷活動相關(guān)的，這類請求有個特點，他們的請求量很大，tps很高，但不影響下單主流程?；诖耍覀冇謽?gòu)建了一個ES集群，專門用來應(yīng)對高tps的營銷秒殺類請求，這樣就跟ES主集群隔離開來，不會因為某個營銷活動的流量沖擊而影響用戶的下單主流程。如下圖所示：

3. ES集群深度優(yōu)化提升講完了ES的雙中心主備集群高可用架構(gòu)，接下來我們深入講解一下ES主集群的優(yōu)化工作。有一段時間，我們特別痛苦，就是每到飯點，ES集群就開始報警，搞得每次吃飯都心慌慌的，生怕ES集群一個扛不住，就全公司炸鍋了。那為什么一到飯點就報警呢？因為流量比較大， 導(dǎo)致ES線程數(shù)飆高，cpu直往上竄，查詢耗時增加，并傳導(dǎo)給所有調(diào)用方，導(dǎo)致更大范圍的延時。那么如何解決這個問題呢？通過深入ES集群，我們發(fā)現(xiàn)了以下幾個問題：?

• ES負載不合理，熱點問題嚴重。ES主集群一共有幾十個節(jié)點，有的節(jié)點上部署的shard數(shù)偏多，有的節(jié)點部署的shard數(shù)很少，導(dǎo)致某些服務(wù)器的負載很高，每到流量高峰期，就經(jīng)常預(yù)警。

  
  

• ES線程池的大小設(shè)置得太高，導(dǎo)致cpu飆高。我們知道，設(shè)置ES的threadpool，一般將線程數(shù)設(shè)置為服務(wù)器的cpu核數(shù)，即使ES的查詢壓力很大，需要增加線程數(shù)，那最好也不要超過“cpu core * 3 / 2 + 1”。如果設(shè)置的線程數(shù)過多，會導(dǎo)致cpu在多個線程上下文之間頻繁來回切換，浪費大量cpu資源。

  
  

• shard分配的內(nèi)存太大，100g，導(dǎo)致查詢變慢。我們知道，ES的索引要合理分配shard數(shù)，要控制一個shard的內(nèi)存大小在50g以內(nèi)。如果一個shard分配的內(nèi)存過大，會導(dǎo)致查詢變慢，耗時增加，嚴重拖累性能。

  
  

• string類型的字段設(shè)置了雙字段，既是text，又是keyword，導(dǎo)致存儲容量增大了一倍。會員信息的查詢不需要關(guān)聯(lián)度打分，直接根據(jù)keyword查詢就行，所以完全可以將text字段去掉，這樣就能節(jié)省很大一部分存儲空間，提升性能。

  
  

• ES查詢，使用filter，不使用query。因為query會對搜索結(jié)果進行相關(guān)度算分，比較耗cpu，而會員信息的查詢是不需要算分的，這部分的性能損耗完全可以避免。

  
  

• 節(jié)約ES算力，將ES的搜索結(jié)果排序放在會員系統(tǒng)的jvm內(nèi)存中進行。

  
  

• 增加routing key。我們知道，一次ES查詢，會將請求分發(fā)給所有shard，等所有shard返回結(jié)果后再聚合數(shù)據(jù)，最后將結(jié)果返回給調(diào)用方。如果我們事先已經(jīng)知道數(shù)據(jù)分布在哪些shard上，那么就可以減少大量不必要的請求，提升查詢性能。

經(jīng)過以上優(yōu)化，成果非常顯著，ES集群的cpu大幅下降，查詢性能大幅提升。ES集群的cpu使用率：?

會員系統(tǒng)的接口耗時：

三、會員Redis緩存方案一直以來，會員系統(tǒng)是不做緩存的，原因主要有兩個：第一個，前面講的ES集群性能很好，秒并發(fā)3萬多，99線耗時5毫秒左右，已經(jīng)足夠應(yīng)付各種棘手的場景。第二個，有的業(yè)務(wù)對會員的綁定關(guān)系要求實時一致，而會員是一個發(fā)展了10多年的老系統(tǒng)，是一個由好多接口、好多系統(tǒng)組成的分布式系統(tǒng)。所以，只要有一個接口沒有考慮到位，沒有及時去更新緩存，就會導(dǎo)致臟數(shù)據(jù)，進而引發(fā)一系列的問題，例如：用戶在APP上看不到微信訂單、APP和微信的會員等級、里程等沒合并、微信和APP無法交叉營銷等等。那后來為什么又要做緩存呢？是因為今年機票的盲盒活動，它帶來的瞬時并發(fā)太高了。雖然會員系統(tǒng)安然無恙，但還是有點心有余悸，穩(wěn)妥起見，最終還是決定實施緩存方案。
1. ES近一秒延時導(dǎo)致的Redis緩存數(shù)據(jù)不一致問題的解決方案
在做會員緩存方案的過程中，遇到一個ES引發(fā)的問題，該問題會導(dǎo)致緩存數(shù)據(jù)的不一致。我們知道，ES操作數(shù)據(jù)是近實時的，往ES新增一個Document，此時立即去查，是查不到的，需要等待1秒后才能查詢到。如下圖所示：

ES的近實時機制為什么會導(dǎo)致redis緩存數(shù)據(jù)不一致呢？具體來講，假設(shè)一個用戶注銷了自己的APP賬號，此時需要更新ES，刪除APP賬號和微信賬號的綁定關(guān)系。而ES的數(shù)據(jù)更新是近實時的，也就是說，1秒后你才能查詢到更新后的數(shù)據(jù)。而就在這1秒內(nèi)，有個請求來查詢該用戶的會員綁定關(guān)系，它先到redis緩存中查，發(fā)現(xiàn)沒有，然后到ES查，查到了，但查到的是更新前的舊數(shù)據(jù)。最后，該請求把查詢到的舊數(shù)據(jù)更新到redis緩存并返回。就這樣，1秒后，ES中該用戶的會員數(shù)據(jù)更新了，但redis緩存的數(shù)據(jù)還是舊數(shù)據(jù)，導(dǎo)致了redis緩存跟ES的數(shù)據(jù)不一致。如下圖所示：

面對該問題，如何解決呢？我們的思路是，在更新ES數(shù)據(jù)時，加一個2秒的redis分布式并發(fā)鎖，為了保證緩存數(shù)據(jù)的一致性，接著再刪除redis中該會員的緩存數(shù)據(jù)。如果此時有請求來查詢數(shù)據(jù)，先獲取分布式鎖，發(fā)現(xiàn)該會員ID已經(jīng)上鎖了，說明ES剛剛更新的數(shù)據(jù)尚未生效，那么此時查詢完數(shù)據(jù)后就不更新redis緩存了，直接返回，這樣就避免了緩存數(shù)據(jù)的不一致問題。如下圖所示：

上述方案，乍一看似乎沒什么問題了，但仔細分析，還是有可能導(dǎo)致緩存數(shù)據(jù)的不一致。例如，在更新請求加分布式鎖之前，恰好有一個查詢請求獲取分布式鎖，而此時是沒有鎖的，所以它可以繼續(xù)更新緩存。但就在他更新緩存之前，線程block了，此時更新請求來了，加了分布式鎖，并刪除了緩存。當(dāng)更新請求完成操作后，查詢請求的線程活過來了，此時它再執(zhí)行更新緩存，就把臟數(shù)據(jù)寫到緩存中了。發(fā)現(xiàn)沒有？主要的問題癥結(jié)就在于“刪除緩存”和“更新緩存”發(fā)生了并發(fā)沖突，只要將它們互斥，就能解決問題。如下圖所示：

實施了緩存方案后，經(jīng)統(tǒng)計，緩存命中率90%+，極大緩解了ES的壓力，會員系統(tǒng)整體性能得到了很大提升。
2. Redis雙中心多集群架構(gòu)
接下來，我們看一下如何保障Redis集群的高可用。如下圖所示：?

關(guān)于Redis集群的高可用，我們采用了雙中心多集群的模式。在機房A和機房B各部署一套Redis集群。更新緩存數(shù)據(jù)時，雙寫，只有兩個機房的redis集群都寫成功了，才返回成功。查詢緩存數(shù)據(jù)時，機房內(nèi)就近查詢，降低延時。這樣，即使機房A整體故障，機房B還能提供完整的會員服務(wù)。
四、高可用會員主庫方案
上述講到，全平臺會員的綁定關(guān)系數(shù)據(jù)存在ES，而會員的注冊明細數(shù)據(jù)存在關(guān)系型數(shù)據(jù)庫。最早，會員使用的數(shù)據(jù)庫是SqlServer，直到有一天，DBA找到我們說，單臺SqlServer數(shù)據(jù)庫已經(jīng)存儲了十多億的會員數(shù)據(jù)，服務(wù)器已達到物理極限，不能再擴展了。按照現(xiàn)在的增長趨勢，過不了多久，整個SqlServer數(shù)據(jù)庫就崩了。你想想，那是一種什么樣的災(zāi)難場景：會員數(shù)據(jù)庫崩了，會員系統(tǒng)就崩了；會員系統(tǒng)崩了，全公司所有業(yè)務(wù)線就崩了。想想就不寒而栗，酸爽無比，為此我們立刻開啟了遷移DB的工作。
1. MySql雙中心Partition集群方案
經(jīng)過調(diào)研，我們選擇了雙中心分庫分表的MySql集群方案，如下圖所示：

會員一共有十多億的數(shù)據(jù)，我們把會員主庫分了1000多個分片，平分到每個分片大概百萬的量級，足夠使用了。MySql集群采用1主3從的架構(gòu)，主庫放在機房A，從庫放在機房B，兩個機房之間通過專線同步數(shù)據(jù)，延遲在1毫秒內(nèi)。會員系統(tǒng)通過DBRoute讀寫數(shù)據(jù)，寫數(shù)據(jù)都路由到master節(jié)點所在的機房A，讀數(shù)據(jù)都路由到本地機房，就近訪問，減少網(wǎng)絡(luò)延遲。這樣，采用雙中心的MySql集群架構(gòu)，極大提高了可用性，即使機房A整體都崩了，還可以將機房B的Slave升級為Master，繼續(xù)提供服務(wù)。
雙中心MySql集群搭建好后，我們進行了壓測，測試下來，秒并發(fā)能達到2萬多，平均耗時在10毫秒內(nèi)，性能達標(biāo)。
2. 會員主庫平滑遷移方案
接下來的工作，就是把會員系統(tǒng)的底層存儲從SqlServer切到MySql上，這是個風(fēng)險極高的工作，主要有以下幾個難點：

• 會員系統(tǒng)是一刻都不能停機的，要在不停機的情況下完成SqlServer到MySql的切換，就像是在給高速行駛的汽車換輪子。

  
  

• 會員系統(tǒng)是由很多個系統(tǒng)和接口組成的，畢竟發(fā)展了10多年，由于歷史原因，遺留了大量老接口，邏輯錯綜復(fù)雜。這么多系統(tǒng)，必須一個不落的全部梳理清楚，DAL層代碼必須重寫，而且不能出任何問題，否則將是災(zāi)難性的。

  
  

• 數(shù)據(jù)的遷移要做到無縫遷移，不僅是存量10多億數(shù)據(jù)的遷移，實時產(chǎn)生的數(shù)據(jù)也要無縫同步到mysql。另外，除了要保障數(shù)據(jù)同步的實時性，還要保證數(shù)據(jù)的正確性，以及SqlServer和MySql數(shù)據(jù)的一致性。

基于以上痛點，我們設(shè)計了“全量同步、增量同步、實時流量灰度切換”的技術(shù)方案。
首先，為了保證數(shù)據(jù)的無縫切換，采用實時雙寫的方案。因為業(yè)務(wù)邏輯的復(fù)雜，以及SqlServer和MySql的技術(shù)差異性，在雙寫mysql的過程中，不一定會寫成功，而一旦寫失敗，就會導(dǎo)致SqlServer和MySql的數(shù)據(jù)不一致，這是絕不允許的。所以，我們采取的策略是，在試運行期間，主寫SqlServer，然后通過線程池異步寫MySql，如果寫失敗了，重試三次，如果依然失敗，則記日志，然后人工排查原因，解決后，繼續(xù)雙寫，直到運行一段時間，沒有雙寫失敗的情況。通過上述策略，可以確保在絕大部分情況下，雙寫操作的正確性和穩(wěn)定性，即使在試運行期間出現(xiàn)了SqlServer和MySql的數(shù)據(jù)不一致的情況，也可以基于SqlServer再次全量構(gòu)建出MySql的數(shù)據(jù)，因為我們在設(shè)計雙寫策略時，會確保SqlServer一定能寫成功，也就是說，SqlServer中的數(shù)據(jù)是全量最完整、最正確的。如下圖所示：

?講完了雙寫，接下來我們看一下“讀數(shù)據(jù)”如何灰度。整體思路是，通過A/B平臺逐步灰度流量，剛開始100%的流量讀取SqlServer數(shù)據(jù)庫，然后逐步切流量讀取MySql數(shù)據(jù)庫，先1%，如果沒有問題，再逐步放流量，最終100%的流量都走MySql數(shù)據(jù)庫。在逐步灰度流量的過程中，需要有驗證機制，只有驗證沒問題了，才能進一步放大流量。那么這個驗證機制如何實施呢？方案是，在一次查詢請求里，通過異步線程，比較SqlServer和 MySql的查詢結(jié)果是否一致，如果不一致，記日志，再人工檢查不一致的原因，直到徹底解決不一致的問題后，再逐步灰度流量。如下圖所示：

所以，整體的實施流程如下：

首先，在一個夜黑風(fēng)高的深夜，流量最小的時候，完成SqlServer到MySql數(shù)據(jù)庫的全量數(shù)據(jù)同步。接著，開啟雙寫，此時，如果有用戶注冊，就會實時雙寫到兩個數(shù)據(jù)庫。那么，在全量同步和實時雙寫開啟之間，兩個數(shù)據(jù)庫還相差這段時間的數(shù)據(jù)，所以需要再次增量同步，把數(shù)據(jù)補充完整，以防數(shù)據(jù)的不一致。剩下的時間，就是各種日志監(jiān)控，看雙寫是否有問題，看數(shù)據(jù)比對是否一致等等。這段時間是耗時最長的，也是最容易發(fā)生問題的，如果有的問題比較嚴重，導(dǎo)致數(shù)據(jù)不一致了，就需要從頭再來，再次基于SqlServer全量構(gòu)建MySql數(shù)據(jù)庫，然后重新灰度流量，直到最后，100%的流量全部灰度到MySql，此時就大功告成了，下線灰度邏輯，所有讀寫都切到MySql集群。
3. MySql和ES主備集群方案
做到這一步，感覺會員主庫應(yīng)該沒問題了，可dal組件的一次嚴重故障改變了我們的想法。那次故障很恐怖，公司很多應(yīng)用連接不上數(shù)據(jù)庫了，創(chuàng)單量直線往下掉，這讓我們意識到，即使數(shù)據(jù)庫是好的，但dal組件異常，依然能讓會員系統(tǒng)掛掉。所以，我們再次異構(gòu)了會員主庫的數(shù)據(jù)源，雙寫數(shù)據(jù)到ES，如下所示：

如果dal組件故障或MySql數(shù)據(jù)庫掛了，可以把讀寫切到ES，等MySql恢復(fù)了，再把數(shù)據(jù)同步到MySql，最后把讀寫再切回到MySql數(shù)據(jù)庫。如下圖所示：

五、異常會員關(guān)系治理會員系統(tǒng)不僅僅要保證系統(tǒng)的穩(wěn)定和高可用，數(shù)據(jù)的精準(zhǔn)和正確也同樣重要。舉個例子，一個分布式并發(fā)故障，導(dǎo)致一名用戶的APP賬戶綁定了別人的微信小程序賬戶，這將會帶來非常惡劣的影響。首先，一旦這兩個賬號綁定了，那么這兩個用戶下的酒店、機票、火車票訂單是互相可以看到的。你想想，別人能看到你訂的酒店訂單，你火不火，會不會投訴？除了能看到別人的訂單，你還能操作訂單。例如，一個用戶在APP的訂單中心，看到了別人訂的機票訂單，他覺得不是自己的訂單，就把訂單取消了。這將會帶來非常嚴重的客訴，大家知道，機票退訂費用是挺高的，這不僅影響了該用戶的正常出行，還導(dǎo)致了比較大的經(jīng)濟損失，非常糟糕。
針對這些異常會員賬號，我們進行了詳細的梳理，通過非常復(fù)雜燒腦的邏輯識別出這些賬號，并對會員接口進行了深度優(yōu)化治理，在代碼邏輯層堵住了相關(guān)漏洞，完成了異常會員的治理工作。如下圖所示：

六、展望：更精細化的流控和降級策略任何一個系統(tǒng)，都不能保證百分之一百不出問題，所以我們要有面向失敗的設(shè)計，那就是更精細化的流控和降級策略。
1. 更精細化的流控策略
熱點控制。針對黑產(chǎn)刷單的場景，同一個會員id會有大量重復(fù)的請求，形成熱點賬號，當(dāng)這些賬號的訪問超過設(shè)定閾值時，實施限流策略。
基于調(diào)用賬號的流控規(guī)則。這個策略主要是防止調(diào)用方的代碼bug導(dǎo)致的大流量。例如，調(diào)用方在一次用戶請求中，循環(huán)很多次來調(diào)用會員接口，導(dǎo)致會員系統(tǒng)流量暴增很多倍。所以，要針對每個調(diào)用賬號設(shè)置流控規(guī)則，當(dāng)超過閾值時，實施限流策略。
全局流控規(guī)則。我們會員系統(tǒng)能抗下tps 3萬多的秒并發(fā)請求量，如果此時，有個很恐怖的流量打過來，tps高達10萬，與其讓這波流量把會員數(shù)據(jù)庫、es全部打死，還不如把超過會員系統(tǒng)承受范圍之外的流量快速失敗，至少tps 3萬內(nèi)的會員請求能正常響應(yīng)，不會讓整個會員系統(tǒng)全部崩潰。

2. 更精細化的降級策略基于平均響應(yīng)時間的降級。會員接口也有依賴其他接口，當(dāng)調(diào)用其他接口的平均響應(yīng)時間超過閾值，進入準(zhǔn)降級狀態(tài)。如果接下來 1s 內(nèi)進入的請求，它們的平均響應(yīng)時間都持續(xù)超過閾值，那么在接下的時間窗口內(nèi)，自動地熔斷。
基于異常數(shù)和異常比例的降級。當(dāng)會員接口依賴的其他接口發(fā)生異常，如果1分鐘內(nèi)的異常數(shù)超過閾值，或者每秒異常總數(shù)占通過量的比值超過閾值，進入降級狀態(tài)，在接下的時間窗口之內(nèi)，自動熔斷。
目前，我們最大的痛點是會員調(diào)用賬號的治理。公司內(nèi)，想要調(diào)用會員接口，必須申請一個調(diào)用賬號，我們會記錄該賬號的使用場景，并設(shè)置流控、降級策略的規(guī)則。但在實際使用的過程中，申請了該賬號的同事，可能異動到其他部門了，此時他可能也會調(diào)用會員系統(tǒng)，為了省事，他不會再次申請會員賬號，而是直接沿用以前的賬號過來調(diào)用，這導(dǎo)致我們無法判斷一個會員賬號的具體使用場景是什么，也就無法實施更精細的流控和降級策略。所以，接下來，我們將會對所有調(diào)用賬號進行一個個的梳理，這是個非常龐大且繁瑣的工作，但無路如何，硬著頭皮也要做好。