RocketMQ 千锤百炼--哈啰在分布式消息治理和微服务治理中的实践

比眉伴天荒 2022-10-09 12:20 15阅读 0赞

![头图.jpg][.jpg]

# 作者｜梁勇 #

# 背景 #

哈啰已进化为包括两轮出行（哈啰单车、哈啰助力车、哈啰电动车、小哈换电）、四轮出行（哈啰顺风车、全网叫车、哈啰打车）等的综合化移动出行平台，并向酒店、到店团购等众多本地生活化生态探索。  
  
随着公司业务的不断发展，流量也在不断增长。我们发现生产中的一些重大事故，往往是被突发的流量冲跨的，对流量的治理和防护，保障系统高可用就尤为重要。  
  
本文就哈啰在消息流量和微服务调用的治理中踩过的坑、积累的经验进行分享。

# 作者介绍 #

梁勇 ( 老梁 ) ，《 RocketMQ 实战与进阶》专栏联合作者、参与了《 RocketMQ 技术内幕》审稿工作。ArchSummit 全球架构师大会讲师、QCon 案例研习社讲师。

当前主要在后端中间件方向，在公众号【瓜农老梁】已陆续发表百余篇源码实战类文章，涵盖 RocketMQ 系列、Kafka 系列、GRPC 系列、Nacosl 系列、Sentinel 系列、Java NIO 系列。目前就职于哈啰出行，任职高级技术专家。

# 聊聊治理这件事 #

开始之前先聊聊治理这件事情，下面是老梁个人理解：

### **治理在干一件什么事？** ###

****

*  让我们的环境变得美好一些

###  ###

### **需要知道哪些地方还不够好？** ###

*  以往经验
 *  用户反馈
 *  业内对比

###  ###

### **还需要知道是不是一直都是好的？** ###

*  监控跟踪
 *  告警通知

###  ###

### **不好的时候如何再让其变好？** ###

*  治理措施
 *  应急方案

###  ###

### **目录** ###

1.  打造分布式消息治理平台
2.  RocketMQ 实战踩坑和解决
3.  打造微服务高可用治理平台

### **背景** ###

#### 裸奔的 RabbitMQ ####

公司之前使用 RabbitMQ ，下面在使用 RabbitMQ 时的痛点，其中很多事故由于 RabbitMQ 集群限流引起的。

*  积压过多是清理还是不清理？这是个问题，我再想想。
 *  积压过多触发集群流控？那是真的影响业务了。
 *  想消费前两天的数据？请您重发一遍吧。
 *  要统计哪些服务接入了？您要多等等了，我得去捞IP看看。
 *  有没有使用风险比如大消息？这个我猜猜。

#### 裸奔的服务 ####

曾经有这么一个故障，多个业务共用一个数据库。在一次晚高峰流量陡增，把数据库打挂了。

*  数据库单机升级到最高配依然无法解决
 *  重启后缓一缓，不一会就又被打挂了
 *  如此循环着、煎熬着、默默等待着高峰过去

**思考：无论消息还是服务都需要完善的治理措施**

# 打造分布式消息治理平台 #

#### 设计指南 ####

哪些是我们的关键指标，哪些是我们的次要指标，这是消息治理的首要问题。

####  ####

设计目标  
  
旨在屏蔽底层各个中间件（ RocketMQ / Kafka ）的复杂性，通过唯一标识动态路由消息。同时打造集资源管控、检索、监控、告警、巡检、容灾、可视化运维等一体化的消息治理平台，保障消息中间件平稳健康运行。

#### 消息治理平台设计需要考虑的点 ####

*  提供简单易用 API
 *  有哪些关键点能衡量客户端的使用没有安全隐患
 *  有哪些关键指标能衡量集群健康不健康
 *  有哪些常用的用户/运维操作将其可视化
 *  有哪些措施应对这些不健康

#  #

## 尽可能简单易用 ##

#### 设计指南 ####

把复杂的问题搞简单，那是能耐。

####  ####

极简统一 API  
  
提供统一的 SDK 封装了（ Kafka / RocketMQ ）两种消息中间件。  
  
![1.png][]

#### 一次申请 ####

主题消费组自动创建不适合生产环境，自动创建会导致失控，不利于整个生命周期管理和集群稳定。需要对申请流程进行控制，但是应尽可能简单。例如：一次申请各个环境均生效、生成关联告警规则等。  
  
![2.png][]

## 客户端治理 ##

#### 设计指南 ####

监控客户端使用是否规范，找到合适的措施治理

#### 场景回放 ####

场景一 瞬时流量与集群的流控

假设现在集群 Tps 有 1 万，瞬时翻到 2 万甚至更多，这种过度陡增的流量极有可能引发集群流控。针对这类场景需监控客户端的发送速度，在满足速度和陡增幅度阈值后将发送变的平缓一些。

场景二 大消息与集群抖动

当客户端发送大消息时，例如：发送几百KB甚至几兆的消息，可能造成 IO 时间过长与集群抖动。针对这类场景治理需监控发送消息的大小，我们采取通过事后巡检的方式识别出大消息的服务，推动使用同学压缩或重构，消息控制在 10KB 以内。

场景三 过低客户端版本

随着功能的迭代 SDK 的版本也会升级，变更除了功能外还有可能引入风险。当使用过低的版本时一个是功能不能得到支持，另外一个是也可能存在安全隐患。为了解 SDK 使用情况，可以采取将 SDK 版本上报，通过巡检的方式推动使用同学升级。

场景四 消费流量摘除和恢复

消费流量摘除和恢复通常有以下使用场景，第一个是发布应用时需要先摘流量，另外一个是问题定位时希望先把流量摘除掉再去排查。为了支持这种场景，需要在客户端监听摘除/恢复事件，将消费暂停和恢复。

场景五 发送/消费耗时检测

发送/消费一条消息用了多久，通过监控耗时情况，巡检摸排出性能过低的应用，针对性推动改造达到提升性能的目的。

场景六 提升排查定位效率

在排查问题时，往往需要检索发了什么消息、存在哪里、什么时候消费的等消息生命周期相关的内容。这部分可以通过 msgId 在消息内部将生命周期串联起来。另外是通过在消息头部埋入 rpcId / traceId 类似链路标识，在一次请求中将消息串起来。

### **治理措施提炼** ###

需要的监控信息

*  发送/消费速度
 *  发送/消费耗时
 *  消息大小
 *  节点信息
 *  链路标识
 *  版本信息

常用治理措施

*  定期巡检：有了埋点信息可以通过巡检将有风险的应用找出来。例如发送/消费耗时大于 800 ms、消息大小大于 10 KB、版本小于特定版本等。
 *  发送平滑：例如检测到瞬时流量满足 1 万而且陡增了 2 倍以上，可以通过预热的方式将瞬时流量变的平滑一些。
 *  消费限流：当第三方接口需要限流时，可以对消费的流量进行限流，这部分可以结合高可用框架实现。
 *  消费摘除：通过监听摘除事件将消费客户端关闭和恢复。

## 主题/消费组治理 ##

#### 设计指南 ####

监控主题消费组资源使用情况

#### 场景回放 ####

场景一 消费积压对业务的影响  
  
有些业务场景对消费堆积很敏感，有些业务对积压不敏感，只要后面追上来消费掉即可。例如单车开锁是秒级的事情，而信息汇总相关的批处理场景对积压不敏感。通过采集消费积压指标，对满足阈值的应用采取实时告警的方式通知到应用负责的同学，让他们实时掌握消费情况。  
  
场景二 消费/发送速度的影响  
  
发送/消费速度跌零告警？有些场景速度不能跌零，如果跌零意味着业务出现异常。通过采集速度指标，对满足阈值的应用实时告警。  
  
场景三 消费节点掉线  
  
消费节点掉线需要通知给应用负责的同学，这类需要采集注册节点信息，当掉线时能实时触发告警通知。  
  
场景四 发送/消费不均衡  
  
发送/消费的不均衡往往影响其性能。记得有一次咨询时有同学将发送消息的key设置成常量，默认按照 key 进行 hash 选择分区，所有的消息进入了一个分区里，这个性能是无论如何也上不来的。另外还要检测各个分区的消费积压情况，出现过度不均衡时触发实时告警通知。

### **治理措施提炼** ###

需要的监控信息

*  发送/消费速度
 *  发送分区详情
 *  消费各分区积压
 *  消费组积压
 *  注册节点信息

常用治理措施

*  实时告警：对消费积压、发送/消费速度、节点掉线、分区不均衡进行实时告警通知。
 *  提升性能：对于有消费积压不能满足需求，可以通过增加拉取线程、消费线程、增加分区数量等措施加以提升。
 *  自助排查：提供多维度检索工具，例如通过时间范围、msgId 检索、链路系统等多维度检索消息生命周期。

## 集群健康治理 ##

#### 设计指南 ####

度量集群健康的核心指标有哪些？

#### 场景回放 ####

场景一 集群健康检测  
  
集群健康检测回答一个问题：这个集群是不是好的。通过检测集群节点数量、集群中每个节点心跳、集群写入Tps水位、集群消费Tps水位都是在解决这个问题。  
  
场景二 集群的稳定性  
  
集群流控往往体现出集群性能的不足，集群抖动也会引发客户端发送超时。通过采集集群中每个节点心跳耗时情况、集群写入Tps水位的变化率来掌握集群是否稳定。  
  
场景三 集群的高可用  
  
高可用主要针对极端场景中导致某个可用区不可用、或者集群上某些主题和消费组异常需要有一些针对性的措施。例如：MQ 可以通过同城跨可用区主从交叉部署、动态将主题和消费组迁移到灾备集群、多活等方式进行解决。

### **治理措施提炼** ###

需要的监控信息

*  集群节点数量采集
 *  集群节点心跳耗时
 *  集群写入 Tps 的水位
 *  集群消费 Tps 的水位
 *  集群写入 Tps 的变化率

常用治理措施

*  定期巡检：对集群 Tps 水位、硬件水位定期巡检。
 *  容灾措施：同城跨可用区主从交叉部署、容灾动态迁移到灾备集群、异地多活。
 *  集群调优：系统版本/参数、集群参数调优。
 *  集群分类：按业务线分类、按核心/非核心服务分类。

### **最核心指标聚焦** ###

如果说这些关键指标中哪一个最重要？我会选择集群中每个节点的心跳检测，即：响应时间（ RT ），下面看看影响 RT 可能哪些原因。

![3.png][]

### 关于告警 ###

*  监控指标大多是秒级探测
 *  触发阈值的告警推送到公司统一告警系统、实时通知
 *  巡检的风险通知推送到公司巡检系统、每周汇总通知

### 消息平台图示 ###

### **架构图** ###

![4.png][]

### **看板图示** ###

*  多维度：集群维度、应用维度
 *  全聚合：关键指标全聚合

![5.png][]

![6.png][]

# RocketMQ 实战中踩过的坑和解决方案 #

### 行动指南 ###

我们总会遇到坑，遇到就把它填了。

### 1. RocketMQ 集群 CPU 毛刺 ###

#### 问题描述 ####

\*\*

RocketMQ 从节点、主节点频繁 CPU 飙高，很明显的毛刺，很多次从节点直接挂掉了。

![7.png][]

只有系统日志有错误提示

```js
    2020-03-16T17:56:07.505715+08:00 VECS0xxxx kernel:[] ? __alloc_pages_nodemask+0x7e1/0x9602020-03-16T17:56:07.505717+08:00 VECS0xxxx kernel: java: page allocation failure. order:0, mode:0x202020-03-16T17:56:07.505719+08:00 VECS0xxxx kernel: Pid: 12845, comm: java Not tainted 2.6.32-754.17.1.el6.x86_64 #12020-03-16T17:56:07.505721+08:00 VECS0xxxx kernel: Call Trace:2020-03-16T17:56:07.505724+08:00 VECS0xxxx kernel:[] ? __alloc_pages_nodemask+0x7e1/0x9602020-03-16T17:56:07.505726+08:00 VECS0xxxx kernel: [] ? dev_queue_xmit+0xd0/0x3602020-03-16T17:56:07.505729+08:00 VECS0xxxx kernel: [] ? ip_finish_output+0x192/0x3802020-03-16T17:56:07.505732+08:00 VECS0xxxx kernel: [] ?

各种调试系统参数只能减缓但是不能根除，依然毛刺超过 50%  
![8.png][]

#### 解决方案 ####

****

将集群所有系统升级从 centos 6 升级到 centos 7 ，内核版本也从从 2.6 升级到 3.10 ，CPU 毛刺消失。

### 2. RocketMQ 集群线上延迟消息失效 ###

### 问题描述 ###

RocketMQ 社区版默认本支持 18 个延迟级别，每个级别在设定的时间都被会消费者准确消费到。为此也专门测试过消费的间隔是不是准确，测试结果显示很准确。然而，如此准确的特性居然出问题了，接到业务同学报告线上某个集群延迟消息消费不到，诡异！

### 解决方案 ###

****

将" delayOffset.json “和” consumequeue / SCHEDULE\_TOPIC\_XXXX "移到其他目录，相当于删除；逐台重启 broker 节点。重启结束后，经过验证，延迟消息功能正常发送和消费。

# 打造微服务高可用治理平台 #

### 设计指南 ###

哪些是我们的核心服务，哪些是我们的非核心服务，这是服务治理的首要问题

### 设计目标 ###

****

服务能应对突如其来的陡增流量，尤其保障核心服务的平稳运行。

### 应用分级和分组部署 ###

### **应用分级** ###

根据用户和业务影响两个纬度来进行评估设定的，将应用分成了四个等级。

*  业务影响：应用故障时影响的业务范围
 *  用户影响：应用故障时影响的用户数量

S1：核心产品，产生故障会引起外部用户无法使用或造成较大资损，比如主营业务核心链路，如单车、助力车开关锁、顺风车的发单和接单核心链路，以及其核心链路强依赖的应用。  
  
S2: 不直接影响交易，但关系到前台业务重要配置的管理与维护或业务后台处理的功能。  
  
S3: 服务故障对用户或核心产品逻辑影响非常小，且对主要业务没影响，或量较小的新业务；面向内部用户使用的重要工具，不直接影响业务，但相关管理功能对前台业务影响也较小。  
  
S4: 面向内部用户使用，不直接影响业务，或后续需要推动下线的系统。

### **分组部署** ###

****

S1 服务是公司的核心服务，是重点保障的对象，需保障其不被非核心服务流量意外冲击。

*  S1 服务分组部署，分为 Stable 和 Standalone 两套环境
 *  非核心服务调用 S1 服务流量路由到 Standalone 环境
 *  S1 服务调用非核心服务需配置熔断策略

![9.png][]

### 多种限流熔断能力建设 ###

### **我们建设的高可用平台能力** ###

![10.png][]

### **部分限流效果图** ###

\*\*

*  预热图示

![11.png][]

*  排队等待

![12.png][]

*  预热+排队

![13.png][]

### **高可用平台图示** ###

*  中间件全部接入
 *  动态配置实时生效
 *  每个资源和 IP 节点详细流量

![14.png][]

### 总结 ###

*  哪些是我们的关键指标，哪些是我们的次要指标，这是消息治理的首要问题
 *  哪些是我们的核心服务，哪些是我们的非核心服务，这是服务治理的首要问题
 *  源码&实战 是一种比较好的工作学习方法。

[.jpg]: /images/20221005/46e65c7cd61e463f8dac61dc587b24cf.png
[1.png]: /images/20221005/06f765006cd5417aacbe20f87b54380a.png
[2.png]: /images/20221005/b265b39a5c9847039aa5add262aa529e.png
[3.png]: /images/20221005/2468fb55b9eb4576a22486e4324de4da.png
[4.png]: /images/20221005/3611926ddc324a9db608c50d97d7b636.png
[5.png]: /images/20221005/14022f4edc35499f960fee72456b5108.png
[6.png]: /images/20221005/9d200858272346daa20606e2c8c52962.png
[7.png]: /images/20221005/220a5ad500c7427aab4a006dc85d31f4.png
[8.png]: /images/20221005/b79d75ddb3be42de81b9d3683162a3f2.png
[9.png]: /images/20221005/dba36acb63be41b88323d78775624af9.png
[10.png]: /images/20221005/fe1b5fe23c694ad2b07eb22db8d1e525.png
[11.png]: /images/20221005/e7d48493e9794d9db7e30149f1cbe7bd.png
[12.png]: /images/20221005/0b2b202dead54ac993c206cee606c5f3.png
[13.png]: /images/20221005/1fde8b472d62487d873308b89b8833cc.png
[14.png]: /images/20221005/f33a7e217d034faa9a988b7b2ecbd0c2.png