同程旅行网基于 RocketMQ 高可用架构实践
作者： 刘树东
背景介绍
为何选择 RocketMQ
我们在几年前决定引入 MQ 时，市场上已经有不少成熟的解决方案，比如 RabbitMQ , ActiveMQ，NSQ，Kafka 等。考虑到稳定性、维护成本、公司技术栈等因素，我们选择了 RocketMQ ：
- 纯 Java 开发，无依赖，使用简单，出现问题能 hold ；
- 经过阿里双十一考验，性能、稳定性可以保障；
- 功能实用，发送端：同步、异步、单边、延时发送；消费端：消息重置，重试队列，死信队列；
- 社区活跃，出问题能及时沟通解决。
使用情况
- 主要用于削峰、解耦、异步处理；
- 已在火车票、机票、酒店等核心业务广泛使用，扛住巨大的微信入口流量；
- 在支付、订单、出票、数据同步等核心流程广泛使用；
- 每天 1000+ 亿条消息周转。
下图是 MQ 接入框架图
由于公司技术栈原因，client sdk 我们提供了 java sdk ；对于其他语言，收敛到 http proxy ，屏蔽语言细节，节约维护成本。按照各大业务线，对后端存储节点进行了隔离，相互不影响。
MQ 双中心改造
之前单机房出现过网络故障，对业务影响较大。为保障业务高可用，同城双中心改造提上了日程。
为何做双中心
- 单机房故障业务可用；
- 保证数据可靠：若所有数据都在一个机房，一旦机房故障，数据有丢失风险；
- 横向扩容：单机房容量有限，多机房可分担流量。
双中心方案
做双中心之前，对同城双中心方案作了些调研，主要有冷（热）备份、双活两种。（当时社区 Dledger 版本还没出现，Dledger 版本完全可做为双中心的一种可选方案。）
- 同城冷（热）备份
两个独立的 MQ 集群, 用户流量写到一个主集群，数据实时同步到备用集群，社区有成熟的 RocketMQ Replicator 方案，需要定期同步元数据，比如主题，消费组，消费进度等。
- 同城双活
两个独立 MQ 集群，用户流量写到各自机房的 MQ 集群，数据相互不同步。
平时业务写入各自机房的 MQ 集群，若一个机房挂了，可以将用户请求流量全部切到另一个机房，消息也会生产到另一个机房。
对于双活方案，需要解决 MQ 集群域名。
- 若两个集群用一个域名，域名可以动态解析到各自机房。此方式要求生产、消费必须在同一个机房。假如生产在 idc1 ，消费在 idc2 ，这样生产、消费各自连接一个集群，没法消费数据。
- 若一个集群一个域名，业务方改动较大，我们之前对外服务的集群是单中心部署的，业务方已经大量接入，此方案推广较困难。
为尽可能减少业务方改动，域名只能继续使用之前的域名，最终我们采用一个 Global MQ 集群，跨双机房，无论业务是单中心部署还是双中心部署都不影响；而且只要升级客户端即可，无需改动任何代码。
双中心诉求
- 就近原则：生产者在 A 机房，生产的消息存于 A 机房 broker ； 消费者在 A 机房，消费的消息来自 A 机房 broker 。
- 单机房故障：生产正常，消息不丢。
- broker 主节点故障：自动选主。
就近原则
简单说，就是确定两件事：
- 节点（客户端节点，服务端节点）如何判断自己在哪个 idc；
- 客户端节点如何判断服务端节点在哪个 idc。
如何判断自己在哪个 idc?
- ip 查询
节点启动时可以获取自身 ip ，通过公司内部的组件查询所在的机房。
- 环境感知
需要与运维同学一起配合，在节点装机时，将自身的一些元数据，比如机房信息等写入本地配置文件，启动时直接读写配置文件即可。
我们采用了第二个方案，无组件依赖，配置文件中 logicIdcUK 的值为机房标志。
客户端节点如何识别在同一个机房的服务端节点？
客户端节点可以拿到服务端节点的 ip 以及 broker 名称的，因此：
- ip 查询：通过公司内部组件查询 ip 所在机房信息；
- broker 名称增加机房信息：在配置文件中，将机房信息添加到 broker 名称上；
- 协议层增加机房标识：服务端节点向元数据系统注册时，将自身的机房信息一起注册。
相对于前两者，实现起来略复杂，改动了协议层， 我们采用了第二种与第三种结合的方式。
就近生产
基于上述分析，就近生产思路很清晰，默认优先本机房就近生产；
若本机房的服务节点不可用，可以尝试扩机房生产，业务可以根据实际需要具体配置。
就近消费
优先本机房消费，默认情况下又要保证所有消息能被消费。
队列分配算法采用按机房分配队列
- 每个机房消息平均分给此机房消费端；
- 此机房没消费端，平分给其他机房消费端。
伪代码如下：
Map<String, Set> mqs = classifyMQByIdc(mqAll);
Map<String, Set> cids = classifyCidByIdc(cidAll);
Set<> result = new HashSet<>;
for(element in mqs){
result.add(allocateMQAveragely(element, cids, cid)); //cid为当前客户端
}
消费场景主要是消费端单边部署与双边部署。
单边部署时，消费端默认会拉取每个机房的所有消息。
双边部署时，消费端只会消费自己所在机房的消息，要注意每个机房的实际生产量与消费端的数量，防止出现某一个机房消费端过少。
单机房故障
- 每组 broker 配置
一主两从，一主一从在一机房，一从在另一机房；某一从同步完消息，消息即发送成功。
- 单机房故障
消息生产跨机房；未消费消息在另一机房继续被消费。
故障切主
在某一组 broker 主节点出现故障时，为保障整个集群的可用性，需要在 slave 中选主并切换。要做到这一点，首先得有个broker 主故障的仲裁系统，即 nameserver（以下简称 ns ）元数据系统（类似于 redis 中的哨兵）。
ns 元数据系统中的节点位于三个机房（有一个第三方的云机房，在云上部署 ns 节点，元数据量不大，延时可以接受），三个机房的 ns 节点通过 raft 协议选一个leader，broker 节点会将元数据同步给 leader, leader 在将元数据同步给 follower 。
客户端节点获取元数据时, 从 leader，follower 中均可读取数据。
切主流程
- 若 nameserver leader 监控到 broker 主节点异常, 并要求其他 follower 确认；半数 follower 认为 broker 节点异常，则 leader 通知在 broker 从节点中选主，同步进度大的从节点选为主;
- 新选举的 broker 主节点执行切换动作并注册到元数据系统；
- 生产端无法向旧 broker 主节点发送消息。
流程图如下
切中心演练
用户请求负载到双中心，下面的操作先将流量切到二中心---回归双中心---切到一中心。确保每个中心均可承担全量用户请求。
先将用户流量全部切到二中心
流量回归双中心，并切到一中心
回顾
- 全局 Global 集群
- 就近原则
- 一主二从，写过半消息即及写入成功
- 元数据系统 raft 选主
- broker 主节点故障，自动选主
MQ 平台治理
即使系统高性能、高可用，倘若随便使用或使用不规范，也会带来各种各样的问题，增加了不必要的维护成本，因此必要的治理手段不可或缺。
目的
- 让系统更稳定
- 及时告警
- 快速定位、止损
治理哪些方面
主题/消费组治理
- 申请使用
生产环境 MQ 集群，我们关闭了自动创建主题与消费组，使用前需要先申请并记录主题与消费组的项目标识与使用人。一旦出现问题，我们能够立即找到主题与消费组的负责人，了解相关情况。若存在测试，灰度，生产等多套环境，可以一次申请多个集群同时生效的方式，避免逐个集群申请的麻烦。
- 生产速度
为避免业务疏忽发送大量无用的消息，有必要在服务端对主题生产速度进行流控，避免这个主题挤占其他主题的处理资源。
- 消息积压
对消息堆积敏感的消费组，使用方可设置消息堆积数量的阈值以及报警方式，超过这个阈值，立即通知使用方；亦可设置消息堆积时间的阈值，超过一段时间没被消费，立即通知使用方。
- 消费节点掉线
消费节点下线或一段时间无响应，需要通知给使用方。
客户端治理
- 发送、消费耗时检测
监控发送/消费一条消息的耗时，检测出性能过低的应用，通知使用方着手改造以提升性能；同时监控消息体大小，对消息体大小平均超过 10 KB 的项目，推动项目启用压缩或消息重构，将消息体控制在 10 KB 以内。
- 消息链路追踪
一条消息由哪个 ip 、在哪个时间点发送，又由哪些 ip 、在哪个时间点消费，再加上服务端统计的消息接收、消息推送的信息，构成了一条简单的消息链路追踪，将消息的生命周期串联起来，使用方可通过查询msgId或事先设置的 key 查看消息、排查问题。
- 过低或有隐患版本检测
随着功能的不断迭代，sdk 版本也会升级并可能引入风险。定时上报 sdk 版本，推动使用方升级有问题或过低的版本。
服务端治理
- 集群健康巡检
如何判断一个集群是健康的？定时检测集群中节点数量、集群写入 tps 、消费 tps ，并模拟用户生产、消费消息。
- 集群性能巡检
性能指标最终反映在处理消息生产与消费的时间上。服务端统计处理每个生产、消费请求的时间，一个统计周期内，若存在一定比例的消息处理时间过长，则认为这个节点性能有问题；引起性能问题的原因主要是系统物理瓶颈，比如磁盘 io util 使用率过高，cpu load 高等，这些硬件指标通过夜鹰监控系统自动报警。
- 集群高可用
高可用主要针对 broker 中 master 节点由于软硬件故障无法正常工作，slave 节点自动被切换为 master ，适合消息顺序、集群完整性有要求的场景。
部分后台操作展示
主题与消费组申请
生产，消费，堆积实时统计
集群监控
踩过的坑
社区对 MQ 系统经历了长时间的改进与沉淀，我们在使用过程中也到过一些问题，要求我们能从深入了解源码，做到出现问题心不慌，快速止损。
- 新老消费端并存时，我们实现的队列分配算法不兼容，做到兼容即可；
- 主题、消费组数量多，注册耗时过长，内存 oom ，通过压缩缩短注册时间，社区已修复；
- topic 长度判断不一致，导致重启丢消息，社区已修复；
- centos 6.6 版本中，broker 进程假死，升级 os 版本即可。
MQ 未来展望
目前消息保留时间较短，不方便对问题排查以及数据预测，我们接下来将对历史消息进行归档以及基于此的数据预测。
- 历史数据归档
- 底层存储剥离，计算与存储分离
- 基于历史数据，完成更多数据预测
- 服务端升级到 Dledger ，确保消息的严格一致
