金瑞敏

2017 年双十一即将来临，对于买家来说，是一年一度的购物狂欢，可以对于一个电商公司的技术来说，确是一年一次的大考。如何用更少的预算完成指定当前业务规模的流量高峰，是技术的永衡的主题。 我们有赞在双十一之前完成了全链路压测的方案，并把它用于大促的扩容和容量验证，取得了很不错的成果。
做过电商的技术同学都知道，在大促来临时，整个集群是的最高峰压力将是正常时间的几十倍，最高峰持续的时间会特别短，然后回落到正常水平的几倍的水平线上。所以，可能我们会自然而然地想到，把我们整个集群扩容几十倍的机器，在双十一当天应对几十倍的流量， 然后第二天就减至正常量，就可以完成大促的考验。事实情况是否真的这么简单？

大促保障的困难

用户购买商品的链路是一条很长很复杂的系统集群，中间会涉及到店铺，商品，会员，营销，交易，支付等 6 大核心模块，每个模块又会涉及来多个不同的服务化系统单元，我们把这一条骨干的链路就叫做核心链路。大家都知道，双十一当天，真正爆增的其实是买家的购买量，像开店/商品上架等等功能，其实并发量没什么变化。也就是说，真正的压力其实是在核心链路上面，如果把所有的系统都扩容几十倍，本身就是一个很大的浪费。正常来说，一个稍有规模的电商公司，日常有几千台机器维持正常的运转，本身就是一个较大的开销，如果突增几十倍的系统开销，对于公司的财务也是很大的压力。所以，一个较理想的方法，是只把核心链咱的系统扩大几十倍的系统吞吐量，就可以达到目标。

困难一：

大型的分布式系统，其实非常错踪复杂，公司会维持成千上成的服务化系统。理论上来说， 只有少部分的系统是核心链路的系统。但是在实际情况下， 因为公司人员的关系，会把某些非核心的系统，不知不觉加入到核心链路了。所以，第一件要做的事情， 就是把非核心系统，从核心链路上踢除。

困难二：

一般的公司，都会在线下搭建性能测试环境，在该环境下，我们的测试同学可以借助一些测试工具，去压单机单接口的性能。假如，店铺的首页面，我们在性能环境下，得出单机单接口的 qps 峰值是 500， 是否意味着， 要达到 10w 的 qps，我只需要设置 200 台机器就可以了呢？答案当然是否定的。 因为任何的页面接口都不是单独存在的，都会受公共资源的制约，如：DB，Redis，MQ，网络带宽等等。比如当店铺首页达到 10W 的 QPS 的时候，商品的详情页可能要达到 8W 的 QPS 了，也会消耗公共资源。当公共资源的能力下降时，势必会影响所有的系统。所以，通过单机性能算出来的理论值，跟实际情况会相差很远。

困难三：

正常来说， 任何大促都会有业务目标，这个目标，一般是拿 gmv 进行评估。但是我们在进行系统容量评估的时候，一般会想扩大多少台机器。 那么 gmv 跟核心链路各个系统之间的机器数量的转化关系是什么样的？

困难四：

做过大型的分布式系统的同学，可能都知道一个事实，整个集群的性能，其实是取决于接口的短板效应。而这个短板的接口，在正常的流量下，是不会显现出来的。只有集群的整体压力达到一定值的情况下，才会偶尔显现， 然后造成雪崩效应，拖累整个系统集群。所以，如何在大促之前，如何 把这些短板找到呢？然后把它们一个一个优化，这件事情显得非常重要。

困难五：

应用系统的扩容， 相比较是简单的，完成大促之后，可以很容易归还。但是 DB 等核心资源的扩容其实是不容易的，而且资源不可能归还（数据不可丢失）。
事实是检验真理的唯一标准，上面的五个困难，其实都可以用线上真实压测的办法去检验。 业内大型电商公司，会用全链路压测的方案去指导扩容的进程。有赞也不例外。今年双十一，有赞用该方案完成了对核心链路 20 倍的扩容，但是整个集群的规模只是扩大了一倍多一点。

有赞全链路压测的设计方案

全链路压测的目标是让双十一要发生的事情提前发生，并且验证在该情况下，系统的表现是良好的。做线上压测，有一个很重要的原则：线上系统，是不允许有脏数据的。
有赞的压测设计方案，可以用几个很简单的话做概括：
1. 压测流量落影子库，正常流量落正常库。
2. 压测不能把系统压崩溃。
3. 压测的模拟双下一流量最高峰时用户的购物行为，所以综合性的流量模型需要跟实际情况相符

全链路压测的总体设计：

有图有真相，我们先上图。
在上述图中，我们明显可以看到，全链路压测有几个很关键的部分。
1 数据工厂，负责造请求数据。
2 大流量下发器，产生很大的压力去压系统。
3 线上服务集群同时处理压测请求 + 正常请求。
4 压测流量落影子存储，正常流量落正常存储。
5 压测流量对于外部的依赖走 mock 服务器，正常流量走正常外部集群。
6 水位的检测，需要检测存储 + 线上应用服务器的健康度，并且能够干预流量下发。

关键模块的设计方案

数据工厂设计

数据工厂是压测的一个很核心的部件。最主要的是由 hive 表的集合 + 各种导入/导出的脚本组成。
数据工厂的目的：保存压测需要准备的所有的数据，数据需要做清洗，比如：
1. 商品未下架
2. 商品的库存无限
3. 营销活动的信息有效，未过期。
4. 店铺未关闭
5. 等等。
场景的定义：
场景的定义关系到数据的准备，正常来说，压测只会压随着买家人数的暴增，系统的压力立即压加的场景，我们把这个场景涉及到的系统叫做 “核心链路”。

影子存储的设计与路由能力

DB, 路由方式由 RDS 提供。 存储可以有两种方式：
1. 影子表与正常表存在同样的 instance，不同的 schema 中。这个方案不需要增加额外的存储开销，相对便宜，但是风险较高（把库压死了会影响线上业务）。
2. 影子表与正常表存在不同的 instance，相同的 schema 中。
这个方案相对较贵，需要额外搭建 DB 集群。但是安全性较高。 我们选择的是第一个方案。
redis： 通过 key 值做区别。压测流量的 key 值加统一前缀。通过 redis-client 做路由。
hbase, 通过命名空间做隔离。影子空间加前缀，提供统一的 hbase client 做数据访问, 由该 client 做路由。
es，通过 index 名字做区别。影子的索引统一加前缀。提供统一的 es client 做数据访问，由该 client 做路由。

线上应用集群的变更

1 统一线上应用对于数据的访问（db+es+hbase+redis），提借统一的 client。
2 由于线上的应用都是服务化工程，远程调用时，必须具备压测流量的标记透传能力。
3 线上的少部分应用，需要访问三方的服务，比如：物流，支付。 这些应用需要改造为压测的流量直接访问 mock 服务器。

全布式流量下发器设计与链路设计的能力

我们选用 gatling 作为我们的流量下发器实现。数据文件的内容
每一种场景，都有不同的数据文件，数据文件由场景相对应的多种 url 组合而成。比如：我们本次压测会压 “无优惠的场景，秒杀场景，满减场景，拼团场景” 等等。无优惠的场景分为 “店铺首页，商品详情页，加购物车页，下单页，支付页，支付成功页” 等等。这个文件不涉及到漏斗较化率。一般来说，一个数据文件很大（至少是 G 级别的）。所以我们的数据文件的内容格式为：

• 所有的数据文件
  • 无优惠的场景数据文件
  • 场景集合 1
    • 店铺首页 URL
    • 商品详情页 URL
    • 加购物车页 URL
    • 下单页 URL
    • 支付页 URL
    • 支付成功页 URL
  • 场景集合 2
    • 店铺首页 URL
    • 商品详情页 URL
    • 加购物车页 URL
    • 下单页 URL
    • 支付页 URL
    • 支付成功页 URL
    • 秒杀场景数据文件
    • 满减场景数据文件
  • 拼团场景数据文件
  • ....

流量下发脚本的内容
流量下发脚本， 核心是控制漏斗转化率。
1 不同场景的流量配比。
2 每个场景下面，url 从上往下的漏斗较化率。
gatling 提供天然的转化率配置脚本， 用起来非常方便。有兴趣的同学可以自行 google。

水位检测系统的能力设计

这个是一个很重要的模块，在项目启动之初，是希望：以实时计算的方式， 一边采集各个应用系统的资源使用情况 + 接口耗时 + 业务正确率， 一边向 gatling 发送流量干预信号，以做到自动保护系统的目的。由于时间的关系，我们并未实现。取而代之的是人肉查看实时监控界面的方式，人为去干预 gatling 的流量下发情况。

全链路压测的实施

如果实施过全链路压测的项目，大家都会有一个共同的感受：做基础的组件容易，让核心业务去完成相关的升级与验证工作很难。原因只有一个：需要用全链路压测的公司，业务规模都很大，涉及的团队都会特别多。梳理清楚庞大的业务，让所有的业务团队一起发力，本身就是一件很难的事情。
我们把链路压测的实施分为以下几个阶段：
1 基础中间件开发，各种框架升级开发，压测器研究与脚本开发。
2 业务升级与线下验证（人工点击，数据落影子库）
3 业务升级与线上验证（人工点击，数据落影子库）
4 数据工厂数据准备。
5 小流量下发验证（用 gatling 下发，数据落影子库）
6 大流量压测与系统扩容
第 2,3,5 的阶段，都需要借助业务测试同学的力量。
第 4 的阶段，需要借助业务开发同学的力量。
第 6 的阶段，需要借助业务团队 + 运维同学的力量。
所以，每个阶段人员都不太一样，所以需要每一个阶段，都组织不同成员的虚拟小组，借助各个团队的力量完成相应的工作。

压测过程中的重要细节与把控

流量爬升的规律

正常来说，在大促之前做压测， 目的一般是给扩容/优化做方向性的指导。 假设，我们双十一，需要扩大 20 倍的容量，以应对高峰。那我一定不会一开始就拿 20 倍的流量去压我们的系统，因为这样做的话，所有的系统都会在一瞬间就挂掉， 这样没有任何意义。我们的做法是，阶段性的爬坡打流量，然后把系统的能力一段一段提升上去。
例如：
1 第一天，我们会以日常流量的最高峰，为起始流量，然后爬坡到一个流量高峰 A，记为第一天的目标。在压测之前，先做一次扩容。在压测中，碰到了某个瓶颈了，加该系统的机器来提升能力。
2 第二天，我们以 A 为起始流量，然后再次爬坡到 B。 同样压测前做扩容 + 压测中碰到瓶颈加机器。
3 以此类推，一直最终流量到目标流量为止。
4 每一天的压测，也是需要慢慢爬坡的方式提升流量。在爬坡的某个高度， 会稳定 5 分钟，然后再次爬坡。稳定时间 5 分钟，爬坡时间 30 秒。

非核心链路进核心链路的问题

发现并解决这个问题，本身就是压测的一个目的之一。 正常来说，非核心链路，在大促来临时，不会扩大多少的容量。 当压测的压力起来的时候，很容易通过系统报警查到。
当发现这个问题的时候，一定需要坚决地要求业务方做系统改造，把非核心系统的强依赖去掉。解耦的技术有很多，需要根据不同的业务规则来选择方案。比如：业务降级，通过中间件解耦，异步化等等。

上下游扩容/代码优化的选择

一般来说，在压测的过程中，当碰到压测流量不能再升高的时候，会有很多的原因，我们碰到的情况有以下几种：
1 下游的某些服务化工程的能力达到瓶颈了，导致网关 rt 值升高，拖累整个集群的 QPS 不上去。
2 网关应用自身的能力达到瓶颈。
3 中间件/DB 能力达到瓶颈。
4 job 的能力达到瓶颈，导致数据处理不够及时。
5 流量集中的页面，消耗了集群大量的资源，如：店铺首页，商品详情页等。
针对 2,3,4 这样的情况，我们的选择是毫不犹豫地加机器，代码优化的性价比较低。 针对第 1 种情况，需要做一些分析，如果这样的能力是在系统设计者的预期之内的，可以选择加机器。如果完全超乎意料的，一定需要通过程序优化，来提升能力。不然的话，加了资源，可能还是瓶颈。
针对第 5 种情况，一定要做的事情，就是静态化。因为这些流量集中页面，一般都是展示性质的。不管如何做应用内的优化，获得的能力提升，远不如做静态化的收益大。

未来展望

全链路压测的方案只是在有赞初试牛刀，我们已经看到这个方案在提升 + 验证集群处理能力方面具大的价值。当前，这个方案做得还较粗糙，还存在一些问题：
1 压测只能在夜间做。
2 压测中需要有很多业务开发人员陪同。
3 链路规划复杂度太高。
4 压测控制台的稳定性还不够高。
5 水位检测与流量干预是通过肉眼来观看监控来实现。
后续我们团队会继续投入大精力去完善整个方案。希望可以做到，压测的方案可以变成：
1 线上测试链路的机器人，时时去检测线上系统的正确性，同时没有脏数据干扰。
2 测试同学手里的工具，做到流量压测常归化，开发同学不用陪同。
3 压测可以在白天进行，晚上熬夜毕竟不利于健康。
4 链路规划图形化，并与数据工厂结合， 完成数据的准备工作。
5 水位检测与流量干预来保护系统，让业务系统不会被压崩溃。
欢迎关注我们的公众号