01 引言

某客户在阿里云上使用 K8s 集群部署了许多自己的微服务，但是某一天，其中一台节点的网卡发生了异常，最终导致服务不可用，无法调用下游，业务受损。

我们来看一下这个问题链是如何形成的？

1. ECS 故障节点上运行着 K8s 集群的核心基础组件 CoreDNS 的所有 Pod，它没有打散，导致集群 DNS 解析出现问题。
2. 该客户的服务发现使用了有缺陷的客户端版本（nacos-client 的 1.4.1 版本），这个版本的缺陷就是跟 DNS 有关——心跳请求在域名解析失败后，会导致进程后续不会再续约心跳，只有重启才能恢复。
3. 这个缺陷版本实际上是已知问题，阿里云在 5 月份推送了 nacos-client 1.4.1 存在严重 bug 的公告，但客户研发未收到通知，进而在生产环境中使用了这个版本。

风险环环相扣，缺一不可。

最终导致故障的原因是服务无法调用下游，可用性降 低，业务受损。下图示意的是客户端缺陷导致问题的根因：

1. Provider 客户端在心跳续约时发生 DNS 异常；

2. 心跳线程正确地处理这个 DNS 异常，导致线程意外退出了；

3. 注册中心的正常机制是，心跳不续约，30 秒后自动下线。由于 CoreDNS 影响的是整个 K8s 集群的 DNS 解析，所以 Provider 的所有实例都遇到相同的问题，整个服务所有实例都被下线；

4. 在 Consumer 这一侧，收到推送的空列表后，无法找到下游，那么调用它的上游（比如网关）就会发生异常。

回顾整个案例，每一环每个风险看起来发生概率都很小，但是一旦发生就会造成恶劣的影响。

所以，本篇文章就来探讨，微服务领域的高可用方案怎么设计，细化到服务发现和配置管理领域，都有哪些具体的方案。

02 微服务高可用方案

首先，有一个事实不容改变：没有任何系统是百分百没有问题的，所以高可用架构方案就是面对失败（风险）设计的。

风险是无处不在的，尽管有很多发生概率很小很小，却都无法完全避免。

在微服务系统中，都有哪些风险的可能？

这只是其中一部分，但是在阿里巴巴内部十几年的微服务实践过程中，这些问题全部都遇到过，而且有些还不止一次。

虽然看起来坑很多，但我们依然能够很好地保障双十一大促的稳定，背后靠的就是成熟稳健的高可用体系建设。

我们不能完全避免风险的发生，但我们可以控制它（的影响），这就是做高可用的本质。

控制风险有哪些策略？

注册配置中心在微服务体系的核心链路上，牵一发动全身，任何一个抖动都可能会较大范围地影响整个系统的稳定性。

1 策略一：缩小风险影响范围

集群高可用

多副本： 不少于 3 个节点进行实例部署。 多可用区（同城容灾）： 将集群的不同节点部署在不同可用区（AZ）中。 当节点或可用区发生的故障时，影响范围只是集群其中的一部分，如果能够做到迅速切换，并将故障节点自动离群，就能尽可能减少影响。

减少上下游依赖

系统设计上应该尽可能地减少上下游依赖，越多的依赖，可能会在被依赖系统发生问题时，让整体服务不可用（一般是一个功能块的不可用）。如果有必要的依赖，也必须要求是高可用的架构。

变更可灰度

新版本迭代发布，应该从最小范围开始灰度，按用户、按 Region 分级，逐步扩大变更范围。一旦出现问题，也只是在灰度范围内造成影响，缩小问题爆炸半径。

服务可降级、限流、熔断

• 注册中心异常负载的情况下，降级心跳续约时间、降级一些非核心功能等

• 针对异常流量进行限流，将流量限制在容量范围内，保护部分流量是可用的

• 客户端侧，异常时降级到使用本地缓存（推空保护也是一种降级方案），暂时牺牲列表更新的一致性，以保证可用性

如图，微服务引擎 MSE 的同城双活三节点的架构，经过精简的上下游依赖，每一个都保证高可用架构。多节点的 MSE 实例，通过底层的调度能力，会自动分配到不同的可用区上，组成多副本集群。

2 策略二：缩短风险发生持续时间

核心思路就是：尽早识别、尽快处理

识别 —— 可观测

例如，基于 Prometheus 对实例进行监控和报警能力建设。

进一步地，在产品层面上做更强的观测能力：包括大盘、告警收敛/分级（识别问题）、针对大客户的保障、以及服务等级的建设。

MSE注册配置中心目前提供的服务等级是 99.95%，并且正在向 4 个 9（99.99%）迈进。

快速处理 —— 应急响应

应急响应的机制要建立，快速有效地通知到正确的人员范围，快速执行预案的能力（意识到白屏与黑屏的效率差异），常态化地进行故障应急的演练。

预案是指不管熟不熟悉你的系统的人，都可以放心执行，这背后需要一套沉淀好有含金量的技术支撑（技术厚度）。

减少不必要的发布，例如：增加迭代效率，不随意发布；重要事件、大促期间进行封网。

从概率角度来看，无论风险概率有多低，不断尝试，风险发生的联合概率就会无限趋近于 1。

架构升级，改进设计

Nacos2.0，不仅是性能做了提升，也做了架构上的升级：

1. 升级数据存储结构，Service 级粒度提升到到 Instance 级分区容错（绕开了 Service 级数据不一致造成的服务挂的问题）；

2. 升级连接模型（长连接），减少对线程、连接、DNS 的依赖。

提前发现风险

1. 这个「提前」是指在设计、研发、测试阶段尽可能地暴露潜在风险；

2. 提前通过容量评估预知容量风险水位是在哪里；

3. 通过定期的故障演练提前发现上下游环境风险，验证系统健壮性。

如图，阿里巴巴大促高可用体系，不断做压测演练、验证系统健壮性和弹性、观测追踪系统问题、验证限流、降级等预案的可执行性。

03 服务发现高可用方案

服务发现包含服务消费者（Consumer）和服务提供者（Provider）。

1 Consumer 端高可用

通过推空保护、服务降级等手段，达到 Consumer 端的容灾目的。

推空保护

可以应对开头讲的案例，服务空列表推送自动降级到缓存数据。

服务消费者（Consumer）会从注册中心上订阅服务提供者（Provider）的实例列表。

当遇到突发情况（例如，可用区断网，Provider端无法上报心跳） 或 注册中心（变配、重启、升降级）出现非预期异常时，都有可能导致订阅异常，影响服务消费者（Consumer）的可用性。

无推空保护

• Provider 端注册失败（比如网络、SDKbug 等原因）

• 注册中心判断 Provider 心跳过期

• Consumer 订阅到空列表，业务 中断报错

开启推空保护

• 同上

• Consumer 订阅到空列表，推空保护生效，丢弃变更， 保障业务服务可用

开启方式

开启方式比较简单

开源的客户端 nacos-client 1.4.2 以上版本支持

配置项

• SpingCloudAlibaba 在 spring 配置项里增加：
• spring.cloud.nacos.discovery.namingPushEmptyProtection=true

• Dubbo 加上 registryUrl 的参数：
• namingPushEmptyProtection=true

提空保护依赖缓存，所以需要持久化缓存目录，避免重启后丢失，路径为： ${user.home}/nacos/naming/${namespaceId}

服务降级

Consumer 端可以根据不同的策略选择是否将某个调用接口降级，起到对业务请求流程的保护（将宝贵的下游 Provider 资源保留给重要的业务 Consumer 使用），保护重要业务的可用性。

服务降级的具体策略，包含 返回 Null 值、返回 Exception 异常、返回自定义 JSON 数据和自定义回调。

MSE 微服务治理中心中默认就具备该项高可用能力。

2 Provider 端高可用

Provider 侧通过注册中心和服务治理提供的容灾保护、离群摘除、无损下线等方案提升可用性。

容灾保护

容灾保护主要用于避免集群在异常流量下出现雪崩的场景。

下面我们来具体看一下：

无容灾保护（默认阈值 =0）

• 突发请求量增加，容量水位较高时，个别 Provider 发生故障；

• 注册中心将故障节点摘除，全量流量会给剩余节点；

• 剩余节点负载变高，大概率也会故障；

• 最后所有节点故障， 100% 无 法提供服务。

开启容灾保护（阈值=0.6）

• 同上；

• 故障节点数 达到保护阈值 ，流量平摊给所有机器；

• 最终 保障 50% 节点能够提供服务。

容灾保护能力，在紧急情况下，能够保存服务可用性在一定的水平之上，可以说是整体系统的兜底了。

这套方案曾经救过不少业务系统。

离群实例摘除

心跳续约是注册中心感知实例可用性的基本途径。

但是在特定情况下，心跳存续并不能完全等同于服务可用。

因为仍然存在心跳正常，但服务不可用的情况，例如：

• Request 处理的线程池满

• 依赖的 RDS 连接异常或慢 SQL

微服务治理中心 提供离群实例摘除

• 基于异常检测的摘除策略：包含网络异常和网络异常 + 业务异常（HTTP 5xx）

• 设置异常阈值、QPS 下限、摘除比例下限

离群实例摘除的能力是一个补充，根据特定接口的调用异常特征，来衡量服务的可用性。

无损下线

无损下线，又叫优雅下线、或者平滑下线，都是一个意思。首先看什么是 有损下线：

Provider 实例进行升级过程中，下线后心跳在注册中心存约以及变更生效都有一定的时间，在这个期间 Consumer 端订阅列表仍然没有更新到下线后的版本，如果鲁莽地将 Provider 停止服务，会造成一部分的流量损失。

无损下线有很多不同的解决方案，但侵入性最低的还是服务治理中心默认提供的能力，无感地整合到发布流程中，完成自动执行。免去繁琐的运维脚本逻辑的维护。

04 配置管理高可用方案

配置管理主要包含 配置订阅 和 配置发布 两类操作。

配置管理解决什么问题？

多环境、多机器的配置发布、配置动态实时推送。

1 基于配置管理做服务高可用

微服务如何基于配置管理做高可用方案？

发布环境管理

一次管理上百台机器、多套环境，如何正确无误地推送、误操作或出现线上问题如何快速回滚，发布过程如何灰度。

业务开关动态推送

功能、活动页面等开关。

容灾降级预案的推送

预置的方案通过推送开启，实时调整流控阈值等。

上图是大促期间配置管理整体高可用解决方案。比如降级非核心业务、功能降级、日志降级、禁用高风险操作。

客户端高可用

配置管理客户端侧同样有容灾方案。

本地目录分为两级，高优先级是容灾目录、低优先级是缓存目录。

缓存目录： 每次客户端和配置中心进行数据交互后，会保存最新的配置内容至本地缓存目录中，当服务端不可用状态下，会使用本地缓存目录中内容。

容灾目录： 当服务端不可用状态下，可以在本地的容灾目录中手动更新配置内容，客户端会优先加载容灾目录下的内容，模拟服务端变更推送的效果。

简单来说，当配置中心不可用时，优先查看容灾目录的配置，否则使用之前拉取到的缓存。

容灾目录的设计，是因为有时候不一定会有缓存过的配置，或者业务需要紧急覆盖使用新的内容开启一些必要的预案和配置。

整体思路就是，无法发生什么问题，无论如何，都要能够使客户端能够读取到正确的配置，保证微服务的可用性。

服务端高可用

在配置中心侧，主要是针对读、写的限流。

限制连接数、限制写：

• 限连接：单机最大连接限流，单客户端 IP 的连接限流

• 限写接口：发布操作&特定配置的秒级分钟级数量限流

控制操作风险

控制人员做配置发布的风险。

配置发布的操作是可灰度、可追溯、可回滚的。

配置灰度

发布历史&回滚

变更对比

05 动手实践

最后我们一起来做一个实践。

场景取自前面提到的一个高可用方案，在服务提供者所有机器发生注册异常的情况下，看服务消费者在推空保护打开的情况下的表现。

1 实验架构和思路

上图是本次实践的架构，右侧是一个简单的调用场景，外部流量通过网关接入，这里选择了 MSE 产品矩阵中的云原生网关，依靠它提供的可观测能力，方便我们观察服务调用情况。

网关的下游有 A、B、C 三个应用，支持使用配置管理的方式动态地将调用关系连接起来，后面我们会实践到。

基本思路：

1. 部署服务，调整调用关系是网关->A->B->C，查看网关调用成功率。

2. 通过模拟网络问题，将应用B与注册中心的心跳链路断开，模拟注册异常的发生。

3. 再次查看网关调用成功率，期望服务 A->B 的链路不受注册异常的影响。

为了方便对照，应用 A 会部署两种版本，一种是开启推空保护的，一种是没有开启的情况。

最终期望的结果是，推空保护开关开启后，能够帮助应用 A 在发生异常的情况下，继续能够寻址到应用B。

网关的流量打到应用 A 之后，可以观察到，接口的成功率应该正好在 50%。

2 开始

接下来开始动手实践吧。这里我选用阿里云 MSE+ACK 组合做完整的方案。

环境准备

首先，购买好一套 MSE 注册配置中心专业版，和一套 MSE 云原生网关。这边不介绍具体的购买流程。

在应用部署前，提前准备好配置。这边我们可以先配置 A 的下游是 C，B 的下游也是 C。

部署应用

接下来我们基于 ACK 部署三个应用。可以从下面的配置看到，应用 A 这个版本 spring-cloud-a-b ，推空保护开关已经打开。

这里 demo 选用的 nacos 客户端版本是 1.4.2，因为推空保护在这个版本之后才支持。

配置示意（无法直接使用）：

部署应用：

在网关注册服务

应用部署好之后，在 MSE 云原生网关中，关联上 MSE 的注册中心，并将服务注册进来。

我们设计的是网关只调用 A，所以只需要将 A 放进来注册进来即可。

验证和调整链路

基于 curl 命令验证一下链路：

验证一下链路。 可以看到这时候 A 调用的是 C，我们将配置做一下变更，实时地将 A 的下游改为 B。

再看一下，这时三个应用的调用关系是 ABC，符合我们之前的计划。

接下来，我们通过一段命令，连续地调用接口，模拟真实场景下不间断的业务流量。

观测调用

通过网关监控大盘，可以观察到成功率。

注入故障

一切正常，现在我们可以开始注入故障。

这里我们可以使用 K8s 的 NetworkPolicy 的机制，模拟出口网络异常。

这个 8080 端口的意思是，不影响内网调用下游的应用端口，只禁用其它出口流量（比如到达注册中心的 8848 端口就被禁用了）。这里 B 的下游是 C。

网络切断后，注册中心的心跳续约不上，过一会儿（30 秒后）就会将应用 B 的所有 IP 摘除。

再次观测

再观察大盘数据库，成功率开始下降，这时候，在控制台上已经看不到应用 B 的 IP 了。

05 小结

通过实践，我们模拟了一次真实的风险发生的场景，并且通过客户端的高可用方案（推空保护），成功实现了对风险的控制，防止服务调用的发生异常。