三年多前，我在騰訊負責的活動運營系統，因為業務流量規模的數倍增長，系統出現了各種各樣的異常，當時，作為開發的我，7*24小時地沒日沒夜處理告警，周末和凌晨也經常上線，疲於奔命。後來，當時的老領導對我說：你不能總扮演一個“救火隊長”的角色， 要嘗試從系統整體層面思考產生問題的根本原因，然後推進解決。我幡然醒悟，“火”是永遠救不完的，讓系統能夠自動”滅火”，才是解決問題的正確方向。簡而言之，系統的異常不能總是依賴於“人”去恢復，讓系統本身具備“容錯”能力，才是根本解決之道。三年多過去了，我仍然負責著這個系統，而它也已經從一個日請求百萬級的小Web系統，逐步成長為一個高峰日請求達到8億規模的平台級系統，走過一段令人難忘的技術歷程。
容錯其實是系統健壯性的重要指標之一，而本文會主要聚焦於“容錯”能力的實踐，希望對做技術的同學有所啟發和幫助。
（備注：QQ會員活動運營平台，後面統一簡稱AMS）
簡單重試，要使用在恰當的場景。或者，主動計算服務成功率，成功率過低，就直接不做重試行為，避免帶來過高的流量沖擊。
這種重試的機制，看似比較可用，而實際上也存在一些問題：
（1） 通常會存在“資源浪費”的問題。因為備份服務系統，很可能長期處於閒置狀態，只有在主服務異常的時候，它的資源才會被比較充分地使用。不過，如果對於核心的服務業務（例如核心數據、營收相關）進行類似的部署，雖然會增加一些機器成本和預算，但這個付出通常也是物有所值的。
（2） 觸發重試機制，對於用戶的請求來說，耗時必然增加。主服務請求失敗，然後再到備份服務請求，這個環節的請求耗時就至少翻倍增長，假設主服務出現連接（connect）超時，那麼耗時就更是大幅度增加。一個服務在正常狀態下，獲取數據也許只要50ms，而服務的超時時間通常會設置到500-1000ms，甚至更多，一旦出現超時重試的場景，請求耗時必然大幅度增長，很可能會比較嚴重地影響用戶體驗。
（3） 主備服務一起陷入異常。如果是因為流量過大問題導致主服務異常，那麼備份服務很可能也會承受不住這種級別的流量而掛掉。
重試的容錯機制，在AMS上有使用，但是相對比較少，因為我們認為主備服務，還是不足夠可靠。
（2） 支持平行擴容。遇到大流量場景，支持加機器擴容。
（3） 自動剔除異常機器。在我們的路由服務，發現某個服務的機器異常的時候（成功率低於50%），就會自動剔除該機器，後續，會發出試探性的請求，確認等它恢復正常之後，再重新加回到服務機器組。
例如，假如一組服務下擁有服務機器四台（ABCD），假設A機器的服務因為某種未知原因，完全不可用了，這個時候L5服務會主動將A機器自動從服務組裡剔除，只保留BCD三台機器對外提供服務。而在後續，假如A機器從異常中恢復了，那麼L5再主動將機器A加回來，最後，又變成ABCD四台機器對外提供服務。
在過去的3年裡，我們逐步將AMS內的服務，漸漸從寫死IP列表或者主備狀態的服務，全部升級和優化為L5模式的服務，慢慢實現了AMS後端服務的自我容錯能力。至少，我們已經比較少遇到，再因為某一台機器的軟件或者硬件故障，而不得不人工介入處理的情況。我們也慢慢地從疲於奔命地處理告警的苦難中，被解放出來。
算上網絡通信和其他環節的耗時，用戶就等待了超過5s時間，最後卻獲得一個異常的結果，用戶的心情通常是崩潰的。
解決這個問題的方式，就是設置一個合理的超時時間。例如，回到上面的的例子，平均處理耗時是100ms，那麼我們不如將超時時間從5s下調到500ms。從直觀上看，它就解決了吞吐率下降和用戶等待過長的問題。然而，這樣做本身又比較容易帶來新的問題，就是會引起服務的成功率下降。因為平均耗時是100ms，但是，部分業務請求本身耗時比較長，耗時超過500ms也比較多。例如，某個請求服務端耗時600ms才處理完畢，然後這個時候，客戶端認為等待超過500ms，已經斷開了連接。處理耗時比較長的這類型業務請求會受到比較明顯的影響。
（1） 快慢分離
根據實際的業務維度，區分對待地給各個業務服務配置不同的超時時間，同時，最好也將它們的部署服務也分離出來。例如，天天酷跑的查詢服務耗時通常為100ms，那麼超時時間我們就設置為1s，某新手游的查詢服務通常耗時為700ms，那麼我們就設置為5s。這樣的話，整體系統的成功率，就不會受到比較大的影響。
（2） 解決同步阻塞等待
“快慢分離”可以改善系統的同步等待問題，但是，對於某些耗時本來就比較長的服務而言，系統的進程/線程資源仍然在同步等待過程中，無法響應其他新的請求，只能阻塞等待，它的資源仍然是被占據，系統的整體吞吐率仍然被大幅度拉低。
解決的思路，當然是利用I/O多路復用，通過異步回調的方式，解決同步等待過程中的資源浪費。AMS的一些核心服務，采用的就是“協程”（又叫“微線程”，簡單的說，常規異步程序代碼裡嵌套比較多層的函數回調，編寫復雜。而協程則提供了一種類似寫同步代碼的方式，來寫異步回調程序），以解決同步等待的問題。異步處理的簡單描述，就是當進程遇到I/O網絡阻塞時，就保留現場，立刻切換去處理下一個業務請求，進程不會因為某個網絡等待而停止處理業務，進而，系統吞吐率即使遇到網絡等待時間過長的場景，通常都能保持在比較高的水平。
值得補充一點的是，異步處理只是解決系統的吞吐率問題，對於用戶的體驗問題，並不會有改善，用戶需要等待的時間並不會減少。
（1） 發貨等待超時，發貨服務執行發貨失敗。這種場景，問題不大，後續用戶重新點擊領取按鈕，就可以觸發下一次重新發貨。
（2） 發貨等待超時，發貨服務實際在更晚的時候執行發貨成功，我們稱之為“超時成功”。比較麻煩的場景，則是每次都是發貨超時，而實際上都發貨成功，如果系統設計不當，有可能導致用戶可以無限領取禮包，最終造成活動運營事故。
第二種場景，給我們帶來了比較麻煩的問題，如果處理不當，用戶再次點擊，就觸發第多次“額外”發貨。
例如，我們假設某個發貨服務超時時間設置為6s，用戶點擊按鈕，我們的AMS收到請求後，請求發貨服務發貨，等待6s後，無響應，我們給用戶提示“領取失敗”，而實際上發貨服務卻在第8秒執行發貨成功，禮包到了用戶的賬戶上。而用戶看見“領取失敗”，則又再次點擊按鈕，最終導致“額外”多發一個禮包給到這個用戶。
例子的時序和流程圖大致如下：
這裡就提到了防重入，簡單的說，就是如何確認不管用戶點擊多少次這個領取按鈕，我們都確保結果只有一種預期結果，就是只會給用戶發一次禮包，而不引起重復發貨。我們的AMS活動運營平台一年上線的活動超過4000個，涉及數以萬計的各種類型、不同業務系統的禮包發貨，業務通信場景比較復雜。針對不同的業務場景，我們做了不同的解決方案：
（1） 業務層面限制，設置禮包單用戶限量。在發貨服務器的源頭，設置好一個用戶僅能最多獲得1個禮包，直接避免重復發放。但是，這種業務限制，並非每個業務場景都通用的，只限於內部具備該限制能力的業務發貨系統，並且，有一些禮包本身就可以多次領取的，就不適用了。
（2） 訂單號機制。用戶的每一次符合資格的發貨請求，都生成一個訂單號與之對應，通過它來確保1個訂單號，只發貨1次。這個方案雖然比較完善，但是，它是依賴於發貨服務方配合做“訂單號發貨狀態更新“的，而我們的發貨業務方眾多，並非每一個都能支持”訂單號更新“的場景。
（3） 自動重試的異步發貨模式。用戶點擊領取禮包按鈕後，Web端直接返回成功，並且提示禮包在30分鐘內到賬。對於後台，則將該發貨錄入到發貨隊列或者存儲中，等待發貨服務異步發貨。因為是異步處理，可以多次執行發貨重試操作，直到發貨成功為止。同時，異步發貨是可以設置一個比較長的超時等待時間，通常不會出現“超時成功”的場景，並且對於前端響應來說，不需要等待後台發貨狀態的返回。但是，這種模式，會給用戶帶來比較不好的體驗，就是沒有實時反饋，無法立刻告訴用戶，禮包是否到賬。
通常一個發貨服務如果出現異常，大多數情況，在connect步驟就是失敗或者超時，而如果一個請求走到等待回包（read）時超時，那麼發貨服務另外一邊就有可能發生了“超時但發貨成功”的場景。這個時候，我們將read超時的發生次數記錄起來，然後提供了一個配置限制次數的能力。假如設置為2次，那麼當一個用戶第一次領取禮包，遇到read超時，我們就允許它重試，當還遇到第二次read超時，就達到我們之前設置的閥值2，我們就認為它可能發貨成功，拒絕用戶的第三次領取請求。
這種做法，假設發貨服務真的出現很多超時成功，那麼用戶也最多只能刷到2次禮包（次數可配置），而避免發生禮包無限制被刷的場景。但是，這種方案並不完全可靠，謹慎使用。
在發貨場景，還會涉及分布式場景下的CAP（一致性、可用性、分區容錯性）問題，不過，我們的系統並非是一個電商服務，大部分的發貨並沒有強烈的一致性要求。因此，總體而言，我們是弱化了一致性問題（核心服務，通過異步重試的方式，達到最終一致性），以追求可用性和分區容錯性的保證。
例如，2015年下半年，我們就將其中一個核心的存儲數據，從1個分離為3個。
這樣做帶來了很多好處：
（1） 原來主存儲的壓力被分流。
（2） 穩定性更高，不再是其中一個出問題，影響整個大的模塊。
（3） 存儲之間是彼此物理隔離的，即使服務器硬件故障，也不會相互影響。
輕重分離的這個部署方式，可以給我們帶來一些好處：
（1） 查詢集群即使出問題，也不會影響發貨集群，保證用戶核心功能正常。
（2） 兩邊的機器和部署的服務基本一致，在緊急的情況下，兩邊的集群可以相互支援和切換，起到容災的效果。
（3） 每個集群裡的機器，都是跨機房部署，例如，服務器都是分布在ABC三個機房，假設B機房整個網絡故障了，反向代理服務會將無法接受服務的B機房機器剔除，然後，剩下AC機房的服務器仍然可以正常為外界提供服務。
例如，某個運營同學看錯禮包發放的日限量，將原本只允許1天放量100個禮包的資源，錯誤地配置為每天放量200個。這種錯誤是測試同學比較難測試出來的，等到活動真正上線，禮包發放到101個的時候，就報錯了，因為資源池當天已經沒有資源了。雖然，我們的業務告警系統能夠快速捕獲到這個異常（每10分鐘為一個周期，從十多個維度，監控和計算各個活動的成功率、流量波動等等數據），但是，對於騰訊的用戶量級來說，即使只影響十多分鐘，也可以影響成千上萬的用戶，對於大規模流量的推廣活動，甚至可以影響數十萬用戶了。這樣的話，就很容易就造成嚴重的“現網事故”。
完善的監控系統能夠及時發現問題，防止影響面的進一步擴大和失控，但是，它並不能杜絕現網問題的發生。而真正的根治之法，當然是從起源的地方杜絕這種場景的出現，回到上面“日限量配置錯誤”的例子場景中，用戶在內部管理端發布活動配置時，就直接提示運營同學，這個配置規則是不對的。
在業界，因為配置參數錯誤而導致的現網重大事故的例子，可以說是多不勝數，“配置參數問題”幾乎可以說是一個業界難題，對於解決或者緩解這種錯誤的發生，並沒有放之四海而皆准的方法，更多的是需要根據具體業務和系統場景，亦步亦趨地逐步建設配套的檢查機制程序或者腳本。
因此，我們建設了一套強大並且智能的配置檢查系統，裡面集合了數十種業務的搭配檢查規則，並且檢查規則的數目一直都在增加。這裡規則包括檢查禮包日限量之類比較簡單的規則，也有檢查各種關聯配置參數、相對比較復雜的業務邏輯規則。
另外一方面，流程的執行不能通過“口頭約定”，也應該固化為平台程序的一部分，例如，活動上線之前，我們要求負責活動的同事需要驗證一下“禮包領取邏輯”，也就是真實的去領取一次禮包。然而，這只是一個“口頭約定”，實際上並不具備強制執行力，如果這位同事因為活動的禮包過多，而漏過其中一個禮包的驗證流程，這種事情也的確偶爾會發生，這個也算是“人的失誤”的另外一種場景。
為了解決問題，這個流程在我們AMS的內部管理端中，是通過程序去保證的，確保這位同事的QQ號碼的確領取過全部的禮包。做法其實挺簡單的，就是讓負責活動的同事設置一個驗證活動的QQ號碼，然後，程序在發貨活動時，程序會自動檢查每一個子活動項目中，是否有這個QQ號碼的活動參與記錄。如果都有參與記錄，則說明這位同事完整地領取了全部禮包。同時，其他模塊的驗證和測試，我們也都采用程序和平台來保證，而不是通過“口頭約定”。
通過程序和系統對業務邏輯和流程的保證，盡可能防止“人的失誤”。
這種業務配置檢查程序，除了可以減少問題的發生，實際上也減輕了測試和驗證活動的工作，可以起到節省人力的效果。不過，業務配置檢查規則的建設並不簡單，邏輯往往比較復雜，因為要防止誤殺。