China .NET Conf 2019-.NET技术架构下的混沌工程实践

这个月的8号、9号，个人很荣幸参加了China.NET Conf 2019 , 中国.NET开发者峰会，同时分享了技术专题《.NET技术架构下的混沌工程实践》，给广大的.NET开发小伙伴介绍混沌工程和高可用性改造实践。会后大家伙聚餐的时候，陈计节老师建议大家将各自的议题分享到社区，分享给大家。因此，今天和大家分享我的技术专题《.NET技术架构下的混沌工程实践》。

整个专题主要分为四个部分：

1. .NET分布式、微服务架构下的高可用性挑战
2. 混沌工程简介
3. .NET混沌工程的实践和成果分享
4. 展望和规划

一、.NET分布式、微服务架构下的高可用性挑战

目前，我们特来电的技术架构是分布式、微服务化的，线上超过1000台Server，高可用保障压力很大：

• 系统7*24小时运行，不允许宕机，一旦宕机出问题，直接影响全国人民出行；
• 系统SLA要求99.95% ，全年可宕机时间只有4.38小时；
• 服务调用链路越来越长，依赖越来越复杂，某个环节出问题，都有肯能导致服务雪崩、大规模宕机；
• 线上遭遇：网络抖动、内存泄露、线程阻塞、CPU被打爆、 数据库被打爆、中间件宕机等棘手问题；
• 每天上百次发布更新，系统高可用性保障压力非常大；

一张全链路监控图可以反映我们系统的复杂：

例如主机CPU被打爆的问题，线上经常会遇到：

经历了线上各种高可用性问题后，我们做了很多反思和总结：

系统在实现了分布式、微服务化之后，我们到底有多少把握来保证系统的正常运行？  

如果出现问题，整个分布式系统会变得非常“混乱”，甚至会引发系统的大规模宕机。

因此，我们有必要在线上事故出现之前，提前识别出系统有哪些弱点和问题，统一管控系统的固有混沌。

这套管控系统固有混沌的方法和体系，就是我们今天要介绍的主角：混沌工程。

二、混沌工程简介

1. 什么是混沌工程？

通过受控的实验，掌握系统运行行为的过程，称为混沌工程。

    混沌工程的典型实践：Chaos Monkey
     一只捣乱的猴子，在你的系统里面上蹦下窜，不停捣乱，直到搞挂你的系统。

2. 为什么需要混沌工程？

   混沌工程可以提升整个系统的弹性。
   通过混沌实验，可以发现系统脆弱的一面，主动发现这些问题，并解决这些问题。

3. 混沌工程怎么做？

   混沌工程的一般实施步骤：

1 选择系统正常运行状态下的可度量指标，作为基准的“稳定状态”
2 混沌实验分为实验组和对照组，都能保持系统的“稳定状态”
3 对实验组注入混沌事件，如服务不可用、中间件宕机等混沌事件
4 比较实验组和对照组“稳定状态”的差异

   如果混沌实验前后系统的“稳定状态”一致，则可以认为系统应对这种混沌事件是弹性的、高可用的。
   相反的，如果打破了系统的稳定状态，我们就找到了一个系统弱点，然后尽可能地解决它，提升系统的高可用性。

4. 实施混沌工程的推荐原则

• 明确系统稳定运行的状态（指标）
• 混沌事件必须是现实世界可能发生的（合理的）
• 在生产环境进行混沌实验 ：生产环境可以真实地反映系统的稳定性
• 持续集成：线上应用每天都在更新，通过持续集成的方式可以不断发现问题、解决问题。
• 最小化影响范围：线上进行混沌实验，必须可控，必须确定混沌实验的最小化影响范围。

   这里大家会问：在生产环境上搞混沌实验，能行吗？

5. 现实中的混沌工程

  生产环境必须以稳定为前提，因此推荐O2O模式的混沌实验：即线下演练、线上验证
  在系统未经过大规模高可用性改造之前，建议首先进行全面的线下演练：

   那么, .NET技术架构下的混沌工程怎么做？

三、.NET混沌工程的实践和成果分享

  我们线上系统主要用到了以下.NET技术栈和开源技术：

• ASP.NET MVC
• 基于ASP.NET Core的Web运行框架-WRF
• 基于ASP.NET Web API的分布式服务网关-SG
• 基于.NET RPC通讯技术的分布式微服务平台-HSF
• 基于RabbitMQ和Kafka的消息应用中心-MAC
• iBatis.NET & Entity Framework
• RabbitMQ & RabbitMQ Client for .NET
• Kafka & Confluent.Kafka
• Redis
• Nginx
• …

    在上述.NET 技术架构下，我们梳理了大量的混沌工程事件：

     通过大量的混沌实验，我们逐步建立了提升系统高可用性的方法论和体系：

     .NET技术架构下的高可用性改进-依赖治理、容错降级     

      业务场景：
      随着业务复杂度的上升，服务调用链路越来越长，链路上存在大量不可控的因素：      

• • 网络抖动，导致服务异常
  • Redis、MQ、DB等中间件不可用，导致服务超时、异常
  • 依赖的服务不可用，直接影响服务调用方  

     如何应对：识别强弱依赖，对弱依赖进行降级，对强依赖有限降级     

• • “用户有感知” 是强依赖
  • “用户无感知” 是弱依赖
  • 故障发生时，核心业务有损失的是强依赖，无损失的是弱依赖

      .NET技术架构下的高可用性改进-解耦/隔离       

      业务场景：
      核心业务的调用链路很长，整个链路上包含主流程和辅流程
      辅流程的重要性低，不能因为辅流程的不可用，影响了主流程。

       如何应对：

       .NET技术架构下的高可用性改进-超时治理        

       业务场景：
       对于服务超时，长时间等待会影响用户体验，并发大时还可能造成线程池被打爆。
       同时可能产生服务级联反应，导致大范围服务雪崩。

        应对方案：
        超时时间设置：服务刚上线时，可以根据压测情况预估一个值；
        服务上线后再根据实际监控进行修改，比如设置99%的请求响应时间为超时时间。
        超时后的处理策略：
        如果不是核心服务，可直接超时返回失败。
        如果是核心服务，可以设置相应的重试次数.         

        示例：
        配置服务超时时间
        设置Http请求超时时间
        设置数据库连接超时、SQL执行超时
        代码控制超时时间（例如：Polly的Timeout策略）

      .NET技术架构下的高可用性改进-重试补偿         

        业务场景：
        实际线上应用中，假如遇到网络抖动、发布重启、数据库阻塞超时等情况，都有可能引起服务调用失败。         

        应对方案：
        通过失败重试、异常后的补偿，尽可能地保证业务可用。
        重试情况下：业务要保证幂等性、保证最终一致性。        

        示例：
        服务失败重试策略
        消息发送、消费失败重试、补偿
        代码层面失败重试补偿（例如：Polly的Retry策略）

      高可用改进还有很多技巧，这里不一一详细给大家赘述了。

      通过对系统进行全面的高可用性改进，提升了我们对线上系统的信心！

四、 展望和规划

    2019年，我们启动了混沌工程实践，逐步建立了混沌工程的自有方法论和体系，通过近一年的混沌工程实践，混沌工程文化逐渐被开发团队所认可。目前，混沌工程已经逐步过渡到线上生产环境进行（这来自于足够的信心和把握）。但这只是一个起步，未来：

• 正式的混沌工程团队：通过多团队配合、保障资源的持续投入
• 覆盖所有的关键核心应用：让混沌工程深入到每个产品
• 坚持O2O混沌工程实践：线下演练、线上验证，更可控
• 混沌事件注入工具：ChaosBlade for .NET，工具让混沌工程更高效
• 持续的混沌实验：持续进行、持续改进

    目标：通过混沌工程揭示问题、解决问题、形成闭环，不断提升系统高可用性。

以上是本次China.NET Conf 2019的技术专题，分享给大家。

周国庆

2019/11/15