您可以捐助,支持我们的公益事业。

1元 10元 50元





认证码:  验证码,看不清楚?请点击刷新验证码 必填



  求知 文章 文库 Lib 视频 iPerson 课程 认证 咨询 工具 讲座 Modeler   Code  
会员   
 
   
 
 
     
   
 订阅
  捐助
先悟透这三个理念,再来谈如何扩展你的架构
 
作者:张真 来源:infoq 发布于: 2016-8-1
  122076  次浏览      15
 

关于“微服务”大家应该并不陌生,最近”聊聊架构”的各位老师也做了不少分享,我也是微服务架构的热粉以及实践者。其实“微服务”的设计思想很好,它揭示了一种全新的思考方式以及系统设计思路。不过这次分享希望从另外一个角度,谈谈在架构实践中衍生出来的思想方法提炼,我把它们统称为“微智能”。

微智能设计思想

“微智能”这个概念起源于智能家居,是目前智能硬件领域的一股创新思想。早期的智能家居是“电气自动化”。比如电控窗帘是可以通过电气设备进行远程控制开关;第二代智能家居实现了“互联网化”,这时,电控窗帘就可以通过WiFi,蓝牙等技术与互联网设备相连,于是智能手机就能远程操控窗帘。

重点是第三代智能家居提出了“微智能”的概念,强调通过传感器自动捕获环境信息,并结合人的使用习惯偏好,实现自主调控。这时,智能窗帘会根据时节,气温,光照等信息,再考虑主人的起床/午休/睡眠时间,甚至从日程安排中提取影响因素来决定窗帘的状态,而此时窗帘也呈现出更多的状态:打开面积,角度,透光度等等(之前是“开、关”两种状态)。

“智能”这个词,通常是相对人而言,智能家居通过体现“智”,更好的服务人的生活;那么作为同样服务人的生产和生活的软件系统是否可以借鉴这种思想?

Bingo,通过实践证明,“微智能”的思想完全可以移植到软件系统架构中。先明确一下定义,这里的“智能”并非“人工智能”(最近AlphaGo太火了,对AI感兴趣的同学,可以出门左转去看Google的TensorFlow ),是指基于“自动化”手段形成“闭环反馈回路”或“自适应处理”的系统或组件。之所以叫“微智能”,是因为它可以有效地改善系统的”智商”,提升系统的自动化水平,使之更加“聪明”地工作,从而提升系统应急“灵敏”度,降低系统运维成本。

微智能设计思想体现以下几个特征:

自动发现:即真实地反映现实世界,尽可能利用“自动化”手段收集“输入”数据,这里的数据包括业务数据和系统元数据。由于现实世界很复杂,变化快,要么人工整理慢,不及时,要么根本无法处理。

当然,“自动发现”在互联网里并不新鲜,最经典的就是搜索引擎的爬虫,通过对网页的分析,不断抽取互联网中的信息,但爬虫是从业务层面体现“自动发现”,而“微智能”强调从系统架构,“微”指代系统或系统组件,“智能”体现系统或系统组件之间关联具备“自动发现”的机制。

自我维护:即形成“闭环”反馈回路,将“输入”或“中间”或“结果”数据反馈到系统中,叠加成新的“输入”或“中间”或“结果”数据。这里强调“闭环”,这是与传统“非闭环”的反馈系统的重要区别,在第二部分会着重说明。

自我维护与自动发现是相互作用的,因为从真实世界获得的信息会失真,会过期,通过不断迭代地自动发现,使系统不断趋近真实。值得注意的是,由于反馈永远是滞后的,所以迭代的结果只是趋近真实,获得可接受的数据。

自动适应(适配):适配的涵义很广,从宏观方面,包括系统集成,任务调度,资源管控等,从微观方面,包括数据处理,格式转换,接口协商等。自动适应是基于自动发现,自我维护的延展,是落地“智能”效果的体现。根据自动发现的输入数据适配相应的处理;根据自我维护的反馈,不断调整以达到优化的适配效果。这也是与传统“处理”系统的重要区别,在第二部分会进行说明。

下图是微智能设计思想的关联图:

与传统处理系统比较

这里的传统“处理系统”是指不同时具备“微智能”设计思想特征的系统。一般从应用场景上区分,可分为三类:

业务应用系统:为了完成具体的Business需求而建设的系统,在我看来,这类系统大致经历了几代:3T(Three Tier)架构,面向服务的架构(SOA),再到微服务架构。这类系统的特征是,通常输入数据的源头是人,是所有数字世界数据的源头,它通过系统Link了几方人群形成协作,产生价值。

基础系统:为了支持研发、测试、运维、资源管理等服务而建设的系统。比如CI系统、云平台、服务治理、监控系统、自动化测试系统。这类系统的特征是,输入数据的源头大多是系统以及基础设施,它Link系统和基础设施支持运营。

数据系统:收集并处理各种数据,为业务或运营输出指标型数据。如传统BI、大数据平台。这类系统的特征是,输入数据来源大多是业务应用系统,输出数据也大多到业务应用系统或直接指导业务生产。

无论是哪一类系统,从抽象的模式上一般符合以下2种系统模型:反馈系统,分布式处理系统。

1、反馈系统

先来说说“反馈系统”,这个词起源于通信领域,标准定义是将系统的后果或输出信息采集、处理,然后送回输入端并据此调整系统行为的系统。由于信息流通构成闭合环路,它亦称为闭环系统。

“闭环”是反馈系统的重要特征,这里的“闭环”是指系统架构层面,而非业务上的闭环体系(比如推荐系统)。但实际上在传统软件架构中,反馈系统并没有做到闭环。原因可能有以下几点:

业务需求简单,似乎没有构造闭环的必要,也不考虑业务需求变化快而带来的风险。

技术栈没有拉通,系统实现者只追求“当下可用”,也不考虑长期运维需求。

技术实现手段上没有创新,认为构造闭环“不可能”,受传统开发经验束缚。

以监控系统为例,实现对应用的访问监控(如QPS、响应时间、错误码),传统做法是在应用中加入埋点代码,通过埋点代码收集监控指标数据。这样做的好处是,直接简单;缺陷是代码变更相互影响,代码规模膨胀后不易维护,容易留存“僵尸”代码。当然也有些改进做法,利用后期注入或劫持的方式,比如JAVA中可以通过Weave Byte-Code,但实际上这只是解除了应用代码与监控代码的运行时依赖,在逻辑上监控代码还是依赖于应用代码变更。

如何解决上述问题呢?

首先目前目标,实质上要解决的是如何“自动”获得元数据。监控系统的元数据就是如何定义应用,以什么粒度定义应用的监控指标。通常来说,应用对外提供的服务可以作为合适的粒度。引入“微智能”的思想就是要自动发现应用的服务,提取需要的元数据,并且能够在应用代码长期更新过程中,不断自我维护这些服务的元数据,从而构造一个“服务元数据的闭环”。第三部分应用与服务画像会分享这类案例。

2、分布式处理系统

接下来说说分布式处理系统,目前几乎所有软件系统都可以归类其中。标准定义是系统组件通过网络交换数据实现协作的软件系统。

但分布式处理,只强调了数据的交互方式是网络,对如何实施成分布式,数据交互的规则,如何进行协作等并没有清楚的定义。

在“如何进行协作”的问题上,目前存在3个问题:

1)配置静态绑定。

多数软件主要采用“中心化”架构和“分层”架构这两种架构模式。例如3T是一种分层架构实现:Web层,逻辑处理层,数据层。处理方向是单向的:Web层->逻辑处理层->数据层;例如MongoDB Sharding是一种中心化实现,将路由信息存放在ConfigServer,依赖MongoS来实现对Mongo实例的访问。

以上两种架构在协作上都是依赖于配置的静态绑定。配置中会说明调用关系(IP、端口、URL等);说明任务角色,当然这种任务角色通常还是静态的,是在软件架构阶段已经明确定义下来的,如MongoS就是做代理,ConfigServer完成配置,Mongo实例完成存储和查询。

配置静态绑定依赖于许多人工处理,所以当系统规模扩展时,会变得难以维护。改进做法是实现配置中心,让不同任务角色基于配置中心实现协作,这样确实一定程度减少了人工介入,实现了部分自我维护。

2)无法感知全网运行时变化

配置信息体现了协作的静态关联,即便实现配置中心,分布式任务角色仍然不能感知分布式处理系统的运行时变化。比如3T中,如果数据层出现了问题,导致数据不能存储或查询,逻辑层需要在执行出现异常后才能得知,通常的做法是切换到数据层其他节点。这种做法的缺陷是如果系统规模较大,容易出现短时多点故障,且可能重复出现,因为系统对这些异常是滞后处理的,系统不能自动调整或适配。

3)无法动态任务分配

这里的任务是指分布式任务,动态指的是编排任务过程的动态化(不是资源使用)。多数的系统由于执行流程是代码Link,所以任务分配是固定不变的,特别是应用业务系统。近几年随着Hadoop兴起,出现了一些任务调度框架/平台,各家玩法不同,但大多可以归纳为如下模型:

目前的任务调度只解决了任务分配问题,但实际上任务的编排过程仍然依赖于配置静态绑定(比如任务依赖),所以不能算是“动态”分配。

微智能的思想可以帮助解决上面3个问题:

1)配置中心化,配置的物理型数据来自自动发现,人只作为关键约束的输入源。关键约束包括资源约束、能力约束、时序约束、业务约束等。

2)运行时变化感知通过自动发现与自我维护建立全网共识数据,这些数据是约束判断的输入数据。

3)分布式任务角色与节点无关化,从物理看起来所有节点是对等的,根据全网共识数据自动匹配符合约束的节点,根据相关约束动态编排任务处理。

需要明确的是,微智能的思想并不是要取代传统处理系统架构,它是其延展,是对反馈,分布式处理的归纳与融合。第五部分的共识计算系统会解释这一点。

接下来的部分是结合实践,通过一些案例说明微智能思想如何落地,以及能够带来哪些积极改善。

应用与服务画像

关于服务化,有两个关键事项:服务注册与发现、服务监控。它们都需要服务的元数据,包括:服务UUID、服务实例URL、服务访问Schema等。

做法1:人工梳理,人工配置到服务注册中心。缺陷是在系统大规模发展之后,服务单元的数量巨大,以及服务交互的关系变得异常复杂,人工已经很难精确梳理。

做法2:运行时注册,即在应用的初始化代码中埋点,这样应用启动时,每个服务将自己的元数据提交到服务注册中心。优点是已经可以自动化地提交元数据了,缺陷是埋点代码依靠人工梳理,对于初建系统是OK的,遗留系统改造量大;强烈依赖实施者,实施者的疏漏或错会体现成系统错误;不易维护,由于实施者必须是系统研发人员,埋点代码变更可能跟不上应用代码变更。

而我们在实施服务治理过程中,采用了“微智能”设计,通过对应用进行剖析(Profiling)来获得服务的元数据以及应用的元数据。这种剖析,又被称作画像。由于我们这边大部分都是基于JEE的Web系统,所以通过对应用服务器中间件的改进来获得这种Profiling能力,从而实现对应用&服务的画像。下图是Profiling Intercept Framework结构图:

基本原理是:

1、通过对应用服务器中间件进行扩展,最好是无缝扩展(不改或少改源码),获取介入应用启动以及Servlet启动的能力。像Jetty,GlassFish之类都是基于Intercept Chain架构,所以几乎可以无缝实现;而Tomcat,Jboss是早期层级架构,可以采用运行时劫持的方式。

2、通过实现不同的ProfileHandler(画像处理器)来实现不同的画像。这个过程主要有2种方式:

根据工业规范画像。JEE的技术栈是较完整的官方协议规范(JSR)以及主流框架Spring等民间主流协议规范。这些协议规范都清楚地描述了应用、接口的形态、形式,甚至运行机制。

根据环境上下文画像。JEE Web程序运行都有特定的环境上下文,比如Jar包,classes,Java运行时,工作目录,部署描述符等等。

我们目前针对自身需求实现了对JEE Web的应用全画像,包括应用基本信息(名称、root context、存储路径)访问URL、Jar包依赖&版本等;对服务接口实现了纯Http、JAXWS、JAXRS、SpringMVC等工业规范的画像,包括服务名、服务UUID、服务URL、服务方法入参&出参、服务类&方法关键注解等。这样就实现了“服务元数据的自动发现”。

由于JEE Web程序更新一定需要重启应用,所以每次重启应用都会进行重新画像,系统将收集到的画像与之前画像比较,就能清楚的分析出应用&服务到底做了哪些变更,从而形成了“服务元数据的自我维护”。两者结合就构成了“应用与服务画像的闭环反馈”。

关于应用与服务画像的技术难点,对这个感兴趣的同学可以线下交流,在此次分享不作详述。

自解析数据交互

服务之间调用实际是消息传递处理的过程。一般的调用发生可能只涉及两方系统间,但在实际实践中系统间的复杂集成是很常见的。由于流程处理的复杂性,在一次调用中,会触发多方系统的调用共同完成同一个流程。

一个实际案例是,需要在VPN登录过程中实现短信验证。这里涉及到三方系统:VPN系统(厂商支持不能修改,负责VPN验证),短信系统(负责接收短期发送请求&发送短信),员工信息服务(能够提供员工手机号)。

由于VPN是厂商提供,作为安全考虑不能将员工手机号预先交予,而提供给VPN的是视为公开信息的员工ID,那么VPN对短信进行服务调用后,原本为手机号的字段变成了员工ID,短信系统需要调用员工信息服务来获取员工手机号。

传统的做法是直接将三方系统进行接口对接,这样做虽然能满足眼前需求,但缺陷是:

如果产生类似需求,短信系统还需要变更,也需要额外维护新需求的代码。

如果有多个类似VPN的调用方,又存在多个类似员工信息服务的协助方,作为服务方的短信系统就会集成一大堆只符合单一需求的代码。

抽象一下如下图所示:

根据“微智能”思想,我们把这个过程变成了这样:

基本原理是:

在原有服务的基础上,定义一套扩展Schema,称为自解析数据Schema。这套Schema描述了需要进行协议转换的元数据,包括协助方URL,协议转换Schema 关键字,通信技术类型,返回处理提取关键字等等。

实现一个可扩展的自解析数据执行引擎。它需要能够解析自解析数据Schema;它的调用实现也是依据工业规范,比如Http、JAXWS、JAXRS,因此具有通用性;它能够对协助方调用结果进行初步判断(状态、异常等),能够根据自解析数据Schema实现返回信息的提取。

这样一来,服务方无需对每种需求进行单独地代码集成,实现了“服务调用的自动适配”;同时形成了“服务调用的闭环”,因为自解析数据Schema的实例传播是调用方与协助方完成的,服务方不用参与。

共识计算系统

共识计算系统是“彻底”的微智能系统,是完全基于“自动发现,自我维护,自动适应”理念设计的。共识计算系统就是微智能思想的基本架构模型。

解释一组概念:

Node:共识计算网络中的每个运行进程,就是一个节点,它们是对等的,没有任务角色之分,Node是计算的基本单位,也是信息协调的基本单位。

Feature:是一种计算能力,依赖一组配置。Node与Feature的关系,好比人与人的能力,在社会网络中的节点就是以人为单位的,每个人身上有不同的能力,能力可以获得,更新或失去。

Group:是由某些Node构成的组,一个Node可以存在于多个组中,一个Group允许被其他Group包含,则等同于该Group的Node也被包含。Group是信息协调的二级单位,Group与计算没有必然联系。Node与Group的关系,好比人与社会组织,每个人可以属于多个社会组织,社会组织可能是物理方式或是虚拟方式协调社会信息。

共识信息:在共识计算网络中可以被任何Node查询和分享的信息。共识信息可能包含统一的Schema也可能是一组Schema。这好比人类社会中的公开信息,任何人都可以查询和分享。

各类Feature解析:

心跳服务:是共识信息的主要收集者,它收集全网或Group内所有Node的状态信息或感知信息。例如Node所在Host的IP,具备哪些feature,对外提供哪些服务&服务元数据等等。

心跳Client: 共识信息收集执行者。

感知Feature:是一组Feature的统称,也是共识信息的收集者。它们需要外部的感知实现的支持,作为共识信息中系统与上下文环境的收集者。

感知实现:依据特定场景设计的收集执行程序。

Feature变更服务:允许任何Node安装,更新或卸载Feature的服务。

配置变更服务:Feature的运行都需要配置支持,允许任何Node的任何Feature变更配置。

NotifyMgr:允许任何Node发送特定的Notify信息,这些信息也是共识信息组成。比如通知某个上下文环境变化。

JobTracker,TaskTracker,JobProxy:是一组用来实现任务动态编排&调度的服务。

业务Feature:是用来实现业务计算或处理的服务。

在宜信的服务治理系统中,我们应用了共识计算系统的架构。

它提供了8种能力,如下图左侧所示:

就“基于策略的管控”的能力,这里主要谈谈服务SLA智能协商与计算动态编排是如何运用共识信息。

1. 服务SLA智能协商

SLA是从性能,容量,级别三个方面约定服务质量,同时SLA通常还会描述服务降级约定。通常的做法就是设置服务能力上限,无法达成就进行服务降级。但是静态的SLA是滞后于响应的,服务降级只保证服务方,对调用方没有保证。

如果服务之间能够动态协商实际有效的SLA,不但能够更大限度保证高可用,还使得调用方甚至整个调用链能够控制风险,有效利用资源。

基本原理是:

1) 从共识信息中获得服务状态(可用)、资源消耗(CPU、内存)、最近服务质量(响应时间、QPS),从而不断反馈到服务发现中,调用方每次获得“最佳”服务节点。

2)如果某系服务节点发现“不良”状况(共识信息不断更新获取),服务节点可以感知调用风险,也可以调整自身的服务质量SLA,并反馈到共识信息。

3)在1)中的调用方如果发现调用服务的SLA发生改变,也可以反馈到共识信息,从而逐级改变整个调用链的SLA。

4)人工可以配置相关约束,保证调用链的SLA是可控的,收敛的。

5)当某些服务节点的历史区间资源消耗有限时,其闲时资源可以被其他服务节点复用,当然这里需要虚拟化技术的配合。

6)反过来,当某些服务节点资源不够用时,也可以反馈到共识信息,一方面保证SLA不再调整,另一方面可以申请新资源以供使用,这里也需要虚拟化技术的配合。

2. 计算动态编排

基本原理是:

1)通过JobProxy提交一组任务原语,主要描述一组任务处理,每个任务处理包括数据源、需要什么Feature、自解析数据Schema、并行处理策略、定时执行策略、终止策略等。这组任务处理可能是一次执行也可能是周期性执行。

2)具备JobTracker的节点能够感知全网Node的业务Feature,根据任务原语,以及相关Node状态,资源等共识数据,决定最终的执行序列,并在执行过程中监测执行状态(来自TaskTracker的反馈)。所以,每次执行序列可能会指定不同的Node来完成,在执行过程中也可能变更执行序列,直到不能产生所需执行序列或触发终止策略的约束。

3)具备TaskTracker的节点在收到Task原语后,调用对应的业务Feature完成Task执行,无论成功失败都反馈执行状态到共识信息中。

总结

本文主要是诠释一下“微智能”在软件系统中的思想体现,它指基于“自动化”手段形成“闭环反馈回路”或“自适应处理”的系统或组件。

“微智能”设计具备三个特征:自动发现、自我维护、自动适应。

它相比传统反馈系统而言,形成了系统架构层面的闭环反馈;相比分布式处理系统而言,具备更多演进特点(动态配置,全网状态感知,计算动态编排)。

案例“应用服务画像”描述了如何构造“服务元数据的闭环”;案例“自解析数据交互”描述了如何构造“服务调用的闭环”以及“服务调用的自适应”。

最后通过宜信服务治理系统来解 析“共识计算系统”是如何“彻底”地落地“微智能”设计思想的,并着重讲解了服务SLA智能协调和计算动态编排的原理

   
122076 次浏览       15
相关文章

用户故事与用例
交互设计师之精益画布篇
数据分析之用户画像方法与实践
如何快速建立用户模型?
 
相关文档

用户界面设计
给企业做大数据精准用户画像
用户体验和交互设计
大数据下的用户画像
相关课程

用户体验&界面设计
用户体验、易用性测试与评估
用户研究与用户建模
用户体验的软件UI设计最佳实践
最新课程计划
信息架构建模(基于UML+EA)3-21[北京]
软件架构设计师 3-21[北京]
图数据库与知识图谱 3-25[北京]
业务架构设计 4-11[北京]
SysML和EA系统设计与建模 4-22[北京]
DoDAF规范、模型与实例 5-23[北京]

从手机登录页面设计想到的
如何把无意识引入交互设计中
交互设计的真相
当视觉设计师遇上产品经理
手机交互设计原则
用户体验之网页板块设计
更多...   

以用户为中心的设计
可用性评估
Desktop及Web-based视觉设计
认知原理与设计应用
手机用户界面设计

北京 以用户为中心的界面设计
北京 用户体验& 界面设计
上海 华为 用户体验& 界面设计
深圳 用户体验& 界面设计
爱立信 以用户为中心的设计
北京 用户体验与界面设计
福州 以用户为中心的界面设计
更多...