东汉末年，他们把「服务雪崩」玩到了极致（干货）

赤壁之战

话说东汉末年，曹操、孙权、刘备在长江赤壁（今湖北蒲圻西北）进行了一次争夺老大位置的大战，这就是有名的​​赤壁之战​​。

一、还原赤壁之战​

曹操统一北方后，南下打败了刘备，占领荆襄之地后，还想干掉东边的孙权，于是刘备和孙权一起联合抗击曹军八十万大军。

曹操的军队大部分都是北方的，对于水上作战的经验非常欠缺，而且很多士兵晕船，于是曹操命令军队将​​船尾用铁索相连​​，减弱了风浪颠簸，利于士兵演练。

我们来看看周瑜、黄盖、诸葛亮的对话：

❝

​​黄盖​​​：曹操是真的蠢啊，把船连着，如果船烧着了，其他船会跟着一起烧着的。锁链不易解开，船都逃不了了。我们用火攻，直接把曹军干趴下。
​​​周瑜​​​：但如何接近他们的船呢？
​​​黄盖​​​：我用诈降带几艘船出发，船上载浸油的干草，等接近曹军时，点燃干草，冲向曹军的连环船，引燃他们的船只。
​​​周瑜​​​：妙啊！可是哪来的东风？
​​​诸葛亮​​：我来借东风~

❞

赤壁之战那天，火船乘风闯入曹军船阵，顿时一片火海。联军乘势攻击，曹军伤亡惨重，最后以联军大胜结束，成为了以少胜多的经典战役。

二、战情分析​

周瑜和黄盖看出了连环船的弱点：「如果一只船被烧着了，也会把连着的船烧着」 。

这就很像我们的系统中出现的​​服务雪崩​​问题。

假定我们系统引进了微服务的思想，将多个服务进行拆分，每个服务都是通过接口调用来完成的，看似功能通过微服务化后，功能和职责单一，正是我们想要的.

但随着业务的增长，服务的数量也是​​随之增多​​​，逻辑也会​​更加复杂​​​，一个服务的某个逻辑需要​​依赖​​​多个其他服务才能完成。假如一个被依赖的服务不能向上游的服务提供服务，则很可能造成​​雪崩效应​​​，最后导致整个服务​​不可访问​​。

就像雪山上某一处出现积雪崩塌的现象，慢慢地带动其他片区的积雪崩塌，产生了级联反应，最后造成大片的积雪崩塌，这就是常见的雪崩场景。

「小结」 一个服务失败，导致整条链路的服务都失败的场景，称为服务雪崩。

那曹军应该怎么避免这个问题呢？别急，后面再看答案。

三、系统中的雪崩效应​

微服务之间往往采用 RPC 或者 HTTP 调用，一般都会设置调用超时的限制，或者通过失败重试机制来确保服务成功执行。但如果不考虑服务的熔断和限流，还是很容易产生服务雪崩的。下面用例子来讲解下雪崩效应是怎么产生的。

• 我们系统中三个服务：​​订单服务​​​、​​商品服务​​​、​​库存服务​​。
• 下单场景：用户下单了一个商品，客户端调用订单服务来生成预付款订单，订单服务调用商品服务查看下单的哪款商品，商品服务调用库存服务判断这款商品是否有库存，如有库存，则可以生成预付款订单。
• 假定因双十一​​流量暴增​​，库存服务不可用（如响应超时等），库存服务收到的很多请求都未处理完，它将无法处理更多请求。
• 而上游的商品服务​​依赖​​​库存服务，商品服务的​​超时​​​和​​重试机制​​​会被执行。商品服务新的调用不断产生，会导致商品服务的调用被​​大量积压​​​，产生大量的调用​​等待​​​和​​重试调用​​​，慢慢​​耗尽​​商品服务的资源，比如内存，结果导致商品服务也宕机了。
• 而订单服务也会重走商品服务的老路。结果就是三个服务​​都不可用了​​。

四、造成雪崩的真实场景​

1.4.1 服务提供者不可用

• ​​硬件故障:​​如网络故障、硬盘损坏等。
• ​​程序的 bug:​​如算法需要占用大量 CPU 的计算时间导致 CPU 使用率过高。
• ​​缓存击穿:​​比如应用刚重启，短时间内缓存是失效的，导致大量请求直接访问到了数据库，数据库不堪重负，服务不可用。
• ​​秒杀和大促:​​服务短时间承载不了那么多请求量。

1.4.2 重试加大流量

• ​​用户连续重试:​​比如用户看到界面上没有响应，所以又操作了一遍，结果又增加了一倍请求量。
• ​​程序重试机制:​​比如代码中有多次重试的逻辑，一次失败后，过几秒后再重试，重试个三次就取消重试，走异常处理分支了。也是增加了请求量。

五、如何防止雪崩​

方案

出问题前预防：限流、主动降级、隔离

出问题后修复：熔断、被动降级

「本篇主要来讲解熔断机制。」 后续几篇会讲解其他方案。

六、熔断原理和算法​

1.6.1 熔断概念

熔断这个概念来源于电路系统中的​​保险丝​​​熔断。当电流过大时，保险丝熔断，防止因​​电流过大​​损坏电器元器件，或因电流过大，导致元器件热度过高，发生火灾。

​保险丝长啥样

「物理公式」 电功率 P = I^2 * R，I 代表电流，元器件的电阻 R 不变的情况下，电流越大，电功率约大，电阻做的电功大部分都用来​​发热​​了，所以电功率越大，发热越严重。（还好高中物理没忘。）

放到我们系统中，怎么理解熔断？

如果在某段时间内，调用某个服务非常慢甚至超时，就可以将这个服务熔断，后续其他服务再调用这个服务就直接返回，告诉其他服务：「“已经熔断了，你别调用我了，过段时间再来试下吧。”」

1.6.2 如何熔断

「熔断有个原则」 一段时间内，统计失败的次数或者失败请求的占比超过一定阈值，就进行熔断。

详细的原理如下图所示：

1.6.3 统计请求的算法

• 请求访问到后台服务后，首先判断熔断开关是否打开。
• 如果熔断开关​​已打开​​，则表明当前请求不能被处理。
• 如果熔断开关​​未打开​​，则判断时间窗口是否已满。
• 如果时间窗口​​未满​​，则请求桶中的请求数加 1。
• 如果返回的响应有异常，则失败桶的​​失败数加 1​​​，如果返回的响应没有异常，则成功桶的​​成功数加 1​​。
• 如果时间窗口​​已满​​，则开始判断是否需要熔断。

1.6.4 熔断的恢复算法

• 当熔断后，开关切换到​​断开状态​​。
• 过一段时间后，开关切换为​​半断开状态​​​（Half-Open）。半断开状态下，允许对应用程序的一定数量的请求可以去调用服务，如果调用成功，则认为服务可以正常访问了，于是将开关切换为​​闭合状态​​。
• 如果半断开状态下，还是有调用失败的情况，则认为服务还没有恢复，开关从半断开状态切换到​​断开状态​​。

1.6.5 统计失败率的时间窗口

• ​​时间窗口可以比喻为人坐在窗户边，看外面来往的车辆，一定时间内从窗户外经过的车辆。​​
• 每次请求，都会判断时间窗口是否已满（如5分钟），如果时间窗口已满，则重新开始计时，且清理请求数/成功数/失败数。
• 注意：第一次开始的起始时间默认为当前时间。

1.6.6 尝试恢复服务的时间窗口

• 开关为断开的状态，经过一定时间后，比如 1 分钟，设置为​​半断开​​的状态，尝试发送请求检测服务是否恢复。
• 如果已恢复，则切换状态为关闭状态。如果未恢复，则切换状态为​​断开​​的状态，经过 1 分钟后，重复上面的步骤。
• 这里的时间窗口可以根据环境的运行状态进行动态调整，比如第一次是 1 分钟，第二次是 3 分钟，第三次是 10 分钟。

七、熔断中间件​

肯定有人会问了，你这上面讲的原理，难道还真的自己去写这套算法？

「答案：是的，项目中我们自己造了一个轮子：熔断器。」

但这里我不推荐大家这么做。市面上还有更优秀的开源组件供大家使用，比如阿里系的 ​​Sentinel​​​（推荐），Netflix 的 ​​Hystrix​​（已停止更新）。

当然 Sentinel 就不在这篇讲了，后续奉上~

八、扭转战局​

曹操大败是因为连锁船的原因，那如何给曹操提供一​​妙计​​，助他扭转战局呢？

「方案有如下几个」

• 可以用麻绳代替锁链，因绳子更容易割断。（熔断机制）
• 将船划分到几个区域，区域之间保持一定距离，即使某个区域烧着了，也不会影响其他区域。（熔断+资源隔离）
• 在湖面上提前设关卡，黄盖过来的话，先检查船和人，有问题不予通行。（熔断）

九、限流、降级​

本来是想在这篇把​​限流​​​和​​降级​​也写完的，发现熔断的内容越写越多了，那就把限流和降级放在后面几篇吧。也是三国故事哦~

写在最后​

《三国演义》也是我非常喜欢的一部文学作品，书大概看了 80 %，电视剧是看完了的。

最喜欢的角色当然是军师诸葛亮啦，还有枭雄曹操~~

本文转载自公众号：悟空聊架构