分布式系统关注点(10)——让你的系统“坚挺不倒”的最后一个大招——「降级」

也许你对降级已经有了一些认识，认真看完，我想这篇文章可能会给你带来一些新的收获～

 

 

前面两篇我们已经聊过了「熔断」（分布式系统关注点(8)——99%的人都能看懂的「熔断」以及最佳实践）和「限流」（分布式系统关注点(9)——想通关「限流」？只要这一篇），这次我们聊的就是「高可用三剑客」中剩下的「降级」。

 

不知道这里有多少小伙伴接触过阿里的开放平台。在每次大促的时候，阿里都会发布这样的一个公告。

 

▲2018年双12的公告内容

 

这些调整就是「降级」工作，目的是为了腾出更多资源给核心程序使用，以最大化保证核心业务的可用性，因此就必然需要对非核心业务执行一些降级处理。

 

 

什么是「降级」

降级的目的用一句话概括就是：将有限的资源效益最大化。

 

什么样才是效益最大化呢？就像下面这个例子：

z哥有3个东西要买，一个3000的A、一个700的B、一个1200的C，对z哥的重要程度A>B>C。但此时，z哥手里只有3000块钱，你说z哥该怎么选才能把钱花的最多？必然是选A咯。

 

 

根据28原则，我们知道一个系统80%的效益是由最核心的20%的功能产出的。剩下的20%效益需要投入80%的资源才能达到。

 

这就意味着，假如系统平时需要花费100%资源做100%的事情，如果现在访问量增多3倍的话必定扛不住（需要300%的资源）。那么，在不增加资源的情况下，我希望系统不能宕机，依旧能正常工作，必然需要让出那解决剩下20%问题的80%资源。如此一来，理论上这100%的资源就可以支撑原先5倍的访问量。副作用是功能的完整性上受损80%。

 

当然，在实际的场景中不会降级掉80%的功能这么夸张，毕竟还得为用户的体验考虑。

 

举个电商场景典型的例子，在大促的时候，最重要的是什么？转化咯～赚钱咯～ 那么这个时候如果说「评论」功能占用了很多资源，你会怎么处理？其实我们可以选择临时关闭提交评论入口、关闭翻页功能等等，让下单的过程有更多的资源来处理。

 

常见的降级方案表现形式无非以下三种类型。

 

牺牲用户体验

为了减少对「冷数据」的获取，禁用列表的翻页功能。

 

为了放缓流量进入的速率，增加验证码机制。

 

为了减少“大查询”浪费过多的资源，提高筛选条件要求（禁用模糊查询、部分条件必选等）。

 

用通用的静态化数据代替「千人千面」的动态数据。

 

甚至更简单粗暴的，直接挂一个页面显示「XX功能在XX时间内暂时关闭」。

 

此类方案虽然或多或少降低了用户的体验，但是在某些时期，有些功能并不是「刚需」。以此换取对系统的保护是笔划算的买卖。

 

牺牲功能完整性

还有一些功能是「防御性」的，如果愿意冒险“裸奔”一段时间也会带来可观的资源节约。

 

比如通过临时关闭「风控」、取消部分「条件是否满足」的判断（如，将积分商品添加到购物车时判断积分够不够）等操作，减少这类「验证」动作以释放更多的资源。

 

又或者将原本info、warning级别的日志采集关闭或者直接不采集，仅采集error以及fault级别的日志。

 

牺牲时效性

一个事件发生后立马看到效果是一个很符合「思维惯性」的东西。但是根据之前的一篇文章（分布式系统关注点——数据一致性（上篇））我们知道，时效性这个东西一旦涉及到网络传输是不存在真正的“实时”的。但是为了尽可能快的将处理后的结果反映到相关的地方，你会做很多努力。比如库存的及时同步。

 

如果在特殊时期，能够临时降低对时效性的要求（3秒内生效变成30秒生效），也是一个有不错收益的方案。

 

比如原先在商品页会显示当前还剩多少个库存，现在可以调整成固定显示「有货」。

 

以及将一些原本就是异步进行的操作，处理效率放缓，甚至暂缓一段时间。如，送积分、送券等等。

 

 

讲了这么多，降级具体实施起来要怎么做呢？

 

 

「降级」怎么做

主要分为两个环节：定级定序和降级实现。

 

定级定序

就像前面的例子中提到的一样，首先我们得先确定每个功能的「重要程度」，它决定了在什么情况下可以抛弃它以保证剩下的功能可用。

 

类似于给日志定义级别一样，比如我们可以定义1～5五个级别，1的级别最高，要拼死保护。5的级别最低最先可以被降级掉。

 

一旦当系统压力过大的时候，先把级别5的功能降级掉。如果还不够再降级别4、级别3，以此类推。

 

 

但实际上光这样定级还不够，比如被定义为4级的有100个功能，需要降级的时候是一起降级吗？很明显粒度太粗了。

 

如果「定级」好比是横着切蛋糕的话，「定序」就是再来竖着切。

 

 

我们也可以来定义一些数字，比如序号1～9，序号9最先被降级。

 

然后，你可以以每个程序所支撑的上游程序/功能数量作为一个参考标准。比如，同样是级别5的程序，一个支撑了上游5个功能，一个支撑了10个功能，很显然前者的序号应该更大，更先被降级。

 

 

当然，根据所支撑的功能数量只是一个「业务无关性」的通用办法。如果想精益求精，还需要对每个功能做「作用」上的分析，毕竟不同功能之间的相对重要性还是有所差异的。（这里可以扩展了解一下Analytic Hierarchy Process，层次分析法，简称AHP）

 

 

对了，定级定序的时候有一点是需要格外注意的：某个程序所依赖的下游程序的级别不能低于该程序的级别。

 

为什么呢？因为一旦所依赖的程序被降级了，自然会导致其所支撑的所有上游程序不可用。所以，其上游程序的等级再高也是没有意义的。

 

 

至此，完成了“排兵布阵”，接下来就是“实施运作”了。

 

降级实现

首先要制定触发机制。这同熔断、限流一样，什么时候该触发「降级」这个动作也需要依赖提前制定的一些策略。这部分内容和前面两篇（熔断、限流）类似，无非是接口的超时率、错误率，或者系统的资源耗用率等，这里就不重复展开了。

 

当程序发现满足了降级条件进入「降级模式」后，程序该如何处理请求呢？

 

全局变量 int _runLevel = 3;  //运行系统级别，默认值5
全部变量 int _runIndex = 7;  //运行系统序号，默认值9

//以下是一个level=4、index=8的功能示例。

if(myLevel > _runLevel and myIndex > _runIndex){
    // 进入降级模式。
}else{
    // do something...
}

 

题外话：通过Aop+注解（特性）的方式来做上面的if判断是一个爽的事情。

 

 

虽然处理请求的方式有很多，但特别强调的是，要实现的降级策略要尽可能的简单。因为「边际效应」的存在，为了应对突发状况把事情反而搞复杂了就得不偿失了。

 

那么在实现部分，如果是前端。我们比较常见的是：

• 在返回的http报文中通过Cache-Control的设置，让后续的请求直接走浏览器缓存。
• 页面中原本需要异步加载的数据，直接不加载。
• 禁用部分操作按钮，甚至直接告知“临时关闭”。
• 动态页面的url通过反响代理切换到静态页面返回。

 

这里面除了禁用按钮外，大部分事情都可以在接入层，如nginx中处理掉，这样可以避免对业务项目的代码侵入。

 

如果是后端程序的话，针对「读」类型的操作，可以将“// 进入降级模式”部分代码写成下面的样子：

• 如果是无返回值方法。默认return或者throw一个异常。
• 如果是有返回值方法。默认返回本地mock的数据或者throw一个异常。

 

后端部分如果有使用一些中间件的话，直接在中间件（rpc、mq代理等）中处理掉是极好的（一般会内置一个fallback接口待实现），如此也可以避免对业务代码的侵入。

 

最后我们来聊聊后端程序的「写」问题。

 

缓存是大型系统中的常客，随着系统规模越大，为了在性能和成本上寻求更优，不可避免的会增加复杂度引入多级缓存。如此就会变成：本地缓存 –> 分布式缓存 –> DB/源服务，这样的一个层层递进的关系。

 

平时的代码可能是这样的：

if(write数据库(data) == true){
    if(write分布式缓存(data) == true){
        write本地缓存(data);        
        return success;
    }
    else{
        rollback数据库(data);
        return fail;
    }
}
else{
    return fail;
}

 

在高负载时期，我们可以降低对一致性的要求。将耗时的「数据落盘」操作降级为「异步」进行。

 

甚至，如果可以的话能做的更彻底，同步到分布式缓存也异步进行。

 

write本地缓存(data);
    
pushMessage(data); //发出的消息可以通过集中式的MQ、也可以直接写本地磁盘。

return success;

 

数据库是系统的最后一座堡垒，非非非常极端的情况下，我们可以把一些「写数据」操作在「数据库访问框架」中给禁用了，让给所有资源都给到「读数据」。使得系统从表象上来看至少还是“活着站在那”的，虽然很多功能操作一下就是返回失败（这不也是实在没办法了嘛，面子得要啊，死撑～）。

 

 

总结

至此我们聊了做降级的思路以及最常见的一些实现方式，但是真正要把降级最好是一个任重而道远的过程。

 

从方案的角度来说，如果降级的过程需对每个功能/程序逐一进行，那么理论上10个功能点就可以产生P(10，10)= 3628800种方案。

 

再从现实的角度来说，流量又是不可预测的。某些功能可能这次需要作为level2来看待，下次其实作为level3就够了。

 

所以这是一个需要长期不断打磨和调优的过程。

 

最后，希望近期的「高可用三剑客」可以作为你了解「高可用」的起点，可以先收藏防身（当然再分享一下也是极好的），欢迎后续一起交流探讨～

 

 

 

Question：

你曾经是否有遇到过什么场景，当时是通过马上改代码来「降级」呢？欢迎来吐槽