雪球:对于时延敏感的服务,当外部请求超过系统处理能力。假设系统没有做对应保护,可能导致历史累计的超时请求达到一定规模。像雪球一样形成恶性循环。由于系统处理的每一个请求都由于超时而无效。系统对外呈现的服务能力为0,且这样的情况下不能自己主动恢复。
作者bison,腾讯后台开发技术总监。
过载保护,看似简单。可是要做好并不easy。这里用两个以前经历的反面案例。给出过载保护的直观展现,并附上一点感想。
案例一基本情况
例如以下图。进程A是一个单进程系统。通过udp套接字接收前端请求进行处理。在处理过程中。须要訪问后端系统B,是同步的方式訪问后端系统B,依据后端系统B的SLA,超时时间设置是100ms。
前端用户请求的超时时间是1s。
进程A的时序是:
Step1: 从socket接收缓冲区接收用户请求
Step2: 进行本地逻辑处理
Step3: 发送请求到后端系统B
Step4: 等待后端系统B返回
Step5: 接收后端系统B的应答
Step6: 应答前端用户,回到step1处理下一个请求
正常情况下的负载
正常情况下:
1、前端请求报文大小约100Bytes。
前端请求的峰值每分钟1800次。即峰值每秒30次。
2、后端系统B并行能力较高。每秒能够处理10000次以上,绝大多数请求处理时延在20ms内。
3、进程A在处理请求的时候。主要时延是在等待后端系统B,其它本地运算耗时很少,小于1ms
这个时候,我们能够看出,系统工作良好,由于处理时延在20ms内,每秒进程A每秒中能够处理50个请求,足以将用户每秒峰值30个请求及时处理完。
导火索
某天,后端系统B进行了新特性公布,因为内部逻辑变复杂,导致每一个请求处理时延从20ms延长至50ms,依据sla的100ms超时时间,这个时延仍然在正常范围内。当用户请求达到峰值时间点时。灾难出现了。用户每次操作都是“server超时无响应”。整个服务不可用。
过载分析
当后端系统B处理时延延长至50ms的时候,进程A每秒仅仅能处理20个请求(1s / 50ms = 20 )。小于正常情况下的用户请求峰值30次/s。这个时候操作失败的用户往往会重试,我们观察到前端用户请求添加了6倍以上,达到200次/s。是进程A最大处理能力(20次/s)的10倍。
这个时候为什么全部用户发现操作都是失败的呢? 为什么不是1/10的用户发现操作能成功呢? 由于请求量和处理能力之间巨大的差异使得5.6s内就迅速填满了socket接收缓冲区(平均能缓存1000个请求,1000/(200-20)=5.6s)。而且该缓冲区将一直保持满的状态。
这意味着,一个请求被追加到缓冲区里后。要等待50s(缓存1000个请求。每秒处理20个。须要50s)后才干被进程A 取出来处理,这个时候用户早就看到操作超时了。换句话说。进程A每次处理的请求,都已经是50s曾经产生的。进程A一直在做无用功。
雪球产生了。
案例二基本情况
前端系统C通过udp訪问后端serverD,后端server D的udp套接字缓冲区为4MB。每一个请求大小约400字节。后端serverD偶尔处理超时情况下。前端系统C会重试。最多重试2次。
正常情况下的负载
正常情况,后端serverD单机收到请求峰值为300次/s,后端serverD单机处理能力是每秒1500次。时延10ms左右。
这个时候工作正常。
导火索
因为产品特性(比如提前通知大量用户,未来某某时刻将进行一项秒杀活动;类似奥运门票,大量用户提前得知信息:某日開始发售门票),大量的用户聚集在同一时刻发起了大量请求,超出了后台serverD的最大负载能力。操作响应失败的用户又重试, 中间系统的重试,进一步带来了更大量的请求(正常情况下的9倍)。导致全部用户操作都是失败的。
过载分析
仅仅是导火索不一样。同案例一。巨大的请求和处理能力之间的鸿沟。导致后端serverD的4M大小的接收缓冲区迅速填满(4秒就填满)。且过载时间内,接收缓冲区一直都是满的。而处理完缓冲区内的请求,ServerD须要6秒以上(4MB / 400 / 1500 = 6.7S)。
所以serverD处理的请求都是6s之前放入缓冲区的,而该请求在最前端早已经超时。雪球形成了。
启发
1、 每一个系统,自己的最大处理能力是多少要做到清清楚楚。比如案例一中的前端进程A。他的最大处理能力不是50次/s,也不是20次/S,而是10次/S。由于它是单进程同步的訪问后端B, 且訪问后端B的超时时间是100ms,所以他的处理能力就是1S/100ms=10次/S。而平时处理能力表现为50次/S,仅仅是运气好。
2、 每一个系统要做好自我保护,量力而为。而不是尽力而为。
对于超出自己处理能力范围的请求。要勇于拒绝。
3、 每一个系统要有能力发现哪些是有效的请求,哪些是无效的请求。
上面两个案例中。过载的系统都不具备这中慧眼,逮着请求做死的处理。雪球时事实上是做无用功。
4、 前端系统有保护后端系统的义务。sla中承诺多大的能力。就仅仅给到后端多大的压力。这就要求每个前后端接口的地方,都有明白的负载约定,一环扣一环。
5、 当过载发生时。该拒绝的请求(1、超出整个系统处理能力范围的。2、已经超时的无效请求)越早拒绝越好。就像上海机场到市区的快速上。刚出机场就有电子公示牌显示,进入市区某某路段拥堵,请绕行。
6、 对于用户的重试行为,要适当的延缓。
比如登录发现后端响应失败,再又一次展现登录页面前,能够适当延时几秒钟,并展现进度条等友好界面。当多次重试还失败的情况下,要安抚用户。
7、 产品特性设计和公布上,要尽量避免某个时刻导致大量用户集体触发某些请求的设计。
公布的时候注意灰度。
8、 中间层server对后端发送请求。重试机制要慎用,一定要用的话要有严格频率控制。
9、 当雪球发生了,直接清空雪球队列(比如重新启动进程能够清空socket 缓冲区)可能是高速恢复的有效方法。
10、过载保护非常重要的一点,不是说要加强系统性能、容量,成功应答全部请求。而是保证在高压下,系统的服务能力不要陡降到0,而是顽强的对外展现最大有效处理能力。
对于“每一个系统要有能力发现哪些是有效的请求。哪些是雪球无效的请求”。这里推荐一种方案:在该系统每一个机器上新增一个进程:interface进程。Interface进程可以高速的从socket缓冲区中取得请求,打上当前时间戳。压入channel。
业务处理进程从channel中获取请求和该请求的时间戳,假设发现时间戳早于当前时间减去超时时间(即已经超时,处理也没有意义)。就直接丢弃该请求,或者应答一个失败报文。
Channel是一个先进先出的通信方式。能够是socket。也能够是共享内存、消息队列、或者管道,不限。
Socket缓冲区要设置合理。假设过大,导致及时interface进程都须要处理长时间才干清空该队列,就不合适了。建议的大小上限是:缓存住超时时间内interface进程可以处理掉的请求个数(注意考虑网络通讯中的元数据)。