加入社区

订阅:www.yunweipai.com/feed

QQ群:
1群:201777608 - 运维综合
2群:526871767 - 运维综合
3群:1689067 - Linux Shell脚本

微博:weibo.com/tektea

微信:yunweipai(或扫描以下二维码)

合作伙伴

小猪动图 - GIF动图素材库_GIF在线工具

高性能高并发系统的稳定性保障

作者:肖飞,于2011年8月份加入京东,曾亲身参与到京东的应用性能监控、统一日志、流式计算、内存缓存、四层防攻击等一些基础技术平台的研发和搭建工作,经历了京东的技术系统从简单粗放向复杂精细化的演变过程。目前主要工作为多中心交易项目中的数据复制中间件JingoBUS的研发。平时也会开发一些公共的平台和工具,关注分布式系统的实现、程序设计、性能优化、开发语言等。

本文是2015年肖飞在内部分享的《高性能高并发系统的稳定性保障》PPT内容。

性能、并发、稳定性三者关系

  • 高性能:高吞吐量、低延时
  • 公式:吞吐量(并发)=单位时间/平均延时
  • N-th% Latency:TP99, TP999
  • 稳定性:低延时的稳定性标准为TP99/TP999是隐含的必要条件;系统的稳定性标准:高+可用;用户标准

吞吐量:QPS, TPS,OPS等等,并发。并不是越高越好,需要考虑TP99。用户角度:系统是个黑盒,复杂系统中的任何一环到会导致稳定性问题。SLA:在某种吞吐量下能提供TP99为n毫秒的服务能力。降低延时,会提高吞吐量,但是延时的考核是TP99这样的稳定的延时。

如何改善延时

你应该知道如下表格

高性能

原文:http://www.eecs.berkeley.edu/~rcs/research/interactive_latency.html

JeffDean

Disk random read IOPS:

IOPS = 1000 / (4 + 60000/7200/2)  = 122

IOPS = 1000 / (4 + 60000/10000/2) = 142

IOPS = 1000 / (4 + 60000/15000/2) = 166

SSD random read IOPS:

IOPS = 1000000/16=62500

 

数字的启示

  • 高速缓存的威力;
  • 线程切换代价cache miss
  • 顺序写优于随机写
  • 局域网络快于本地HDD
  • 大块读优于小块读
  • SSD解决随机读写
  • 跨地域IDC网络是最大的延时

策略

  • 关键路径:“28原则”(20%的代码影响了80%的性能问题,抓重点)、“过早优化是万恶之源”。不同解读;
  • 优化代码:空间换时间:各级缓存;时间换空间:比如传输压缩,解决网络传输的瓶颈;多核并行:减少锁竞争;lesscode;各类语言、框架、库的trick;算法+数据结构,保持代码的清晰、可读、可维护和扩展;
  • 通过性能测试和监控找出瓶颈

metric

高并发

原文:http://www.vpsee.com/2014/09/linux-performance-tools/

通过性能测试和监控:

  • 单系统operf/jprofiler etc;
  • Java的一系列工具:jstat, jstack, jmap, jvisualvm,HeapAnalyzer, mat
  • 分布式跟踪系统:Dapper,鹰眼等

benchmark

benchmark

原文:http://www.vpsee.com/2014/09/linux-performance-tools/

微观

  • 内存分配

吞吐量和利用率的权衡

显式分配器:jemalloc/tcmalloc代替默认的ptmalloc

隐式分配器:JVM GC的各种调优

是否使用hugepagen预分配和重用:Netty的Pooled ByteBuf

减少拷贝:new ArrayList(int), new StringBuilder(int)

内存分配器利用率:减少内部或外部碎片;Page Table(页表), TLB(页表寄存器缓冲),减少TLB miss,pin cache。增加COW的开销, 与内存分配器的实现冲突。JVM的GC调优是很多Java应用的关注重点。

  • 减少系统调用

批处理: buffer io,pipeline

使用用户态的等价函数: gettimeofday ->clock_gettime

减少锁竞争

RWMutex

CAS

Thread local

最小化锁范围

最小化状态,不变类

批处理增加了内存拷贝的开销,但是减少了系统调用开销,减少了上下文切换的影响。bufferio的例子:日志、网络读写。pipeline的例子:redis。

  • 减少上下文切换

触发:中断、系统调用、时间片耗尽、IO阻塞等

危害:L1/L2 Cache Missing,上下文保存/恢复

单线程:基于状态机redis和Master/Worker的nginx

CPU亲和性绑定

ThreadPool的配置,不同任务类型不同的ThreadPool

几个例子:1、docker中线程池大小的核数自动设定;2、CPU节能模式;3、CENTOS-7.1内核BUG。

  • 网络

内核TCP Tuning参数和SocketOption:net.ipv4.tcp_*

TCP Socket连接池

网络I/O模型

传输压缩

编解码效率

超时、心跳和重试机制

网卡:多队列中断CPU绑定;增加带宽:万兆、Bonding;Offload特性:ethtool -k eth0;UIO Driver: DPDK

连接池:减少握手、减少服务端session创建消耗。网络I/O模型:BIO、Non-Blocking IO、AIO;select/poll、epoll/kqueue、aio;netty使用nativetransport。Offload特性:ethtool-k eth0。   将数据包分组、重组、chksum等从内核层放到硬件层做。

如何提高吞吐量

改善和降低单机的延时,一般就能提高我们的吞吐量。从集群化上讲,因素就比较多。

宏观

  • 提升系统扩展能力
  • 应用的无状态架构
  • 缓存/存储的集群架构:冗余复制(负载均衡、异构解除系统依赖);分布式(数据sharding , 副本,路由,数据一致性);切换
  • 微服务/SOA
  • 扩容
  • 异步化
  • 缓存

复制

  • 通过复制提高读吞吐量、容灾、异构
  • 通过数据分片,提高写吞吐量
  • 程序双写:一致性难以控制,逻辑复杂,幂等性要求。完全把控复制和切换时机。异构系统唯一选择。 同步双写(数据一致性高,影响性能,不适合多个复制集); 异步双写(数据一致性差,性能高,适合多个复制集);CDC[Change Data Capture](canal,databus等)
  • 底层存储复制机制:一致性由底层控制,对应用端透明。程序和底层存储配合切换

扩容

  • 每年大促前的核心工作:该扩容了吗?现状分析;扩容规划(关键系统峰值20倍吞吐量);扩容依据(架构梳理、线上压测);
  • 扩容checklist:前(部署、DB授权....);后(配置更新、LB更新、接入日志、接入监控....)
  • 应用扩容、数据扩容、写扩容、读扩容
  • 垂直扩容:加内存、升级SSD、更换硬件。数据复制、切换
  • 水平扩容:数据迁移或初始化

现状分析:去年双十一到目前,峰值时的性能数据;软硬件性能指标;数据存储容量。

扩容规划;流量规划:核心系统20倍吞吐量;数据增长量规划;扩容依据;架构梳理;线上压测。

读扩容比写扩容难;读写分离。

异步化

  • 解耦利器
  • 削峰填谷
  • 页面异步化
  • 系统异步化
  • JMQ
  • 状态机(worker)+DB
  • 本地队列
  • 集中式缓存队列

本地内存队列:实时价格回源服务响应之后,通过BlockingQueue异步更新前端缓存。本地日志队列:库存预占。集中式缓存队列:商品变更任务下发系统。

异步化的一些例子:

1、操作系统内核的高速缓存队列,磁盘延迟刷盘;

2、mysql数据库复制、redis复制;

异步化需要注意的是:

1、任务要落地;

2、不可避免的重复执行,需要幂等;

3、是否需要保证顺序、如何保证顺序。

缓存

  • 久经考验的局部性原理
  • 多级缓存:浏览器browser cache、cdn、nginx本地redis缓存、本地JVM缓存、集中式缓存...
  • 缓存前置:2/8原则、单品页、实时价格、库存状态
  • 一致性、延迟权衡
  • 缓存主节点负责写,和最重要的校验
  • 通过CDC监听数据库binlog主动更新缓存
  • CPU不是瓶颈,网络才是
  • 优化编码,减少尺寸
  • 优化操作
  • 优化拓扑

如何保障稳定性

宏观

  • 提高可用性
  • 分组和隔离
  • 限流
  • 降级
  • 监控和故障切换

可用性

  • 可用性衡量指标:几个9
  • 可用性度量:A = MTBF / (MTBF + MTTR)
  • 减少故障、加长可用时间
  • 减少故障修复时间(发现、定位、解决)
  • 冗余复制、灾备切换,高可用的不二法门
  • 如何快速切换?
  • 切换的影响
  • 监控、ThoubleShooting、软件质量的影响

可行性指标:999,一周10分钟;9999,一周1分钟不可用。可用性:从客户角度。可用性度量:A = MTBF / (MTBF + MTTR) ,其中MTBF表示mean time betweenfailures,而MTTR表示maximum time to repair or resolve。

高可用行性的成本和收益,好钢用在刀刃上。

如何快速切换:有可以切换的?可以不重启应用么? 操作快捷么?演练过么?

切换的影响:切换目标资源能否承受新增的压力;切换是否影响状态(数据的一致性、丢失问题)。

监控到位、即时,减少故障发现时间;监控全面,增加故障分析时可以参考的数据。

troubleshooting的能力,踩坑的精力, COE,问题本质、根源的追查。

软件质量:编码是否健壮、(异常处理、防御性、2/8原则)超时处理、日志是否全面合理、线程名称等等。

测试:case是否全面、自动回归。

上线:是否灰度:N+1, N+2;回滚方案、数据回滚。

分组和隔离

  • 网络流量隔离:大数据单独部署,QOS;
  • 业务系统隔离:秒杀系统独立出主交易;
  • 流量分组:对使用者按照重要程度、请求量、SLA要求等因素分级
  • 存储的分组:按照使用者重要程度、实时性要求等因素,将数据库的复制集分组

传统世界的例子:道路被划分为高速道路、自行道、人行道等,各行其道。

流量分组

举例:商品基础信息读服务。对使用者按照重要程度、请求量、SLA要求等因素分级,将服务实例和存储分组:交易、生产、网站、移动、promise、ERP...

读写分离

举例:商品主数据服务。按照使用者重要程度、实时性要求等因素,将数据库分组:ERP、POP、网站、大数据平台...
限流

  • 限流原则:影响到用户体验,谨慎使用
  • 区分正常流量和超预期流量:限流标准来自压力测试、折算
  • 读少限,写多限
  • 客户端配合限流
  • 不同分组的限流阈值
  • 各层限流手段

前置限流,快速失败:比如通过提供给调用方的JSF客户端,封装限流逻辑。

Nginx层限流:自主研发的模块;几个规则:账户,IP,系统调用流程。

应用限流:减少并发数线程数;读少限,写多限;DB限流;连接数。

降级

  • 保证用户的核心需求
  • 降级需要有预案和开关:确定系统和功能级别,是否可降,影响如何;降级需要有开关
  • 非关键业务屏蔽:购物车的库存状态
  • 业务功能模块降级:实时价格更新不及时;peking库,保订单管道、生产,暂停统计相关
  • 数据降级:动态降级到静态;远程服务降级到本地缓存:采销岗服务

监控和切换

  • 无所不在的监控:网络流量;操作系统指标;服务接口调用量、TP99、错误率...;日志;业务量变化;太多监控了,如何提高监控的质量
  • 切换:切换开关;成熟的流程可自动化;数据的重要性、一致性,要求强一致的,可以人工介入;系统的指标没法判断、监控点不全的,需人工判断决定

review

review

Nginx层限流:自主研发的模块;几个规则:账户,IP,系统调用流程。

应用限流:减少并发数线程数;读少限,写多限;DB限流;连接数。

如何验证性能和稳定性

  • 线上压测:两类压力测试场景(读业务压测、写业务压测);压力测试方案(从集群中缩减服务器、复制流量、模拟流量、憋单)
  • 全流程演练:降级、切换等

读业务压力测试:是将线上业务隔离后,压测至系统临界点,通过分析系统在临界点时软硬件指标定位系统短板并优化。

写逻辑压力测试,如果数据具有不可恢复性,一定要提前做好数据隔离保护,如订单号压测,为避免影响线上业务,压测前后都要做好“跳号”以隔离线上数据。

从集群中缩减服务器。加大单台服务器的压力。大概估算出正常的集群规模能够承载的流量。

复制流量。主要通过 Tcpcopy 复制端口流量,多层翻倍放大流。

模拟流量。模拟流量主要脚本攻击工具和压测工具结合,主要用ab,siege,webbench,loadruner通过多台机器压测。分机房,按分支进行压测。

憋单。主要针对后续的订单生产系统压测。通过在管道积压一批订单,然后快速释放,形成对后续生产系统持续快速的冲击,达到压测的目的。

文章出处:开涛的博客(订阅号ID: kaitao-1234567)

转载请注明:运维派 » 高性能高并发系统的稳定性保障

6
5.9k
0