我所经历的一次Dubbo服务雪崩，这是一个漫长的故事

转自:Java艺术

这周本来是要写一篇Dubbo源码分析的，被突发事件耽搁了，下周有时间再补上。

这周，笔者经历了一次服务雪崩。服务雪崩，听到这个词就能想到问题的严重性。是的，整个项目，整条业务线都挂了，从该业务线延伸出来的下游业务线也跟着凉了。笔者是连续三天两夜的忙着处理问题，加起来睡眠时间不足5小时，今天才得以睡个好觉。但事故之后还有很多问题等着去处理。

其实这一天的到来我是有意料到的，但我以为会是数据量上升导致，实际却是并发量先上升，而严重程度超出我的预料。问题出现那天，我们还在进行每周的技术分享会，结果运营推开会议室的大门传来噩耗，顿时技术分享会变成了问题排查讨论会，场面像极了一起加班解决Bug。

在一个处理用户点击广告的高并发服务上找到了问题。看到服务打印的日记后我完全蒙了，全是jedis读超时，Read time out！一直用的是亚马逊的Redis服务，很难想象Jedis会读超时。

看了服务的负载均衡统计，发现并发增长了一倍，从每分钟3到4万的请求数，增长到8.6万，很显然，是并发翻倍导致的服务雪崩。

服务的部署：

处理广告点击的服务：2台2核8g的实例，每台部署一个节点(服务)。下文统称服务A

规则匹配服务(Rpc远程调用服务提供者)：2个节点，2台2核4g实例。下文统称服务B

还有其它的服务提供者，但不是影响本次服务雪崩的凶手，这里就不列举了。

从日记可以看出的问题：

一是远程rpc调用大量超时，我配置的dubbo参数是，每个接口的超时时间都是3秒。服务提供者接口的实现都是缓存级别的操作，3秒的超时理论上除了网络问题，调用不应该会超过这个值。在服务消费端，我配置每个接口与服务端保持10个长连接，避免共享一个长连接导致应用层数据包排队发送和处理接收。

二是刚说的Jedis读操作超时，Jedis我配置每个服务节点200个最小连接数的连接池，这是根据netty工作线程数配置的，即读写操作就算200个线程并发执行，也能为每个线程分配一个连接。这是我设置Jedis连接池连接数的依据。

三是文件句柄数达到上线。SocketChannel套接字会占用一个文件句柄，有多少个客户端连接就占用多少个文件句柄。我在服务的启动脚本上为每个进程配置102400的最大文件打开数，理论上目前不会达到这个值。服务A底层用的是基于Netty实现的http服务引擎，没有限制最大连接数。

所以，解决服务雪崩问题就是要围绕这三个问题出发。

第一次是怀疑redis服务扛不住这么大的并发请求。估算广告的一次点击需要执行20次get操作从redis获取数据，那么每分钟8w并发，就需要执行160w次get请求，而redis除了本文提到的服务A和服务B用到外，还有其它两个并发量高的服务在用，保守估计，redis每分钟需要承受300w的读写请求。转为每秒就是5w的请求，与理论值redis每秒可以处理超过 10万次读写操作已经过半。

由于历史原因，redis使用的还是2.x版本的，用的一主一从，jedis配置连接池是读写分离的连接池，也就是写请求打到主节点，读请求打到从节点，每秒接近5w读请求只有一个redis从节点处理，非常的吃力。所以我们将redis升级到4.x版本，并由主从集群改为分布式集群，两主无从。别问两主无从是怎么做到的，我也不懂，只有亚马逊清楚。

Redis升级后，理论上，两个主节点，分槽位后请求会平摊到两个节点上，性能会好很多。但好景不长，服务重新上线一个小时不到，并发又突增到了六七万每分钟，这次是大量的RPC远程调用超时，已经没有jedis的读超时Read time out了，相比之前好了点，至少不用再给Redis加节点。

这次的事故是并发量超过临界值，超过redis的实际最大qps（跟存储的数据结构和数量有关），虽然升级后没有Read time out! 但Jedis的Get读操作还是很耗时，这才是罪魁祸首。Redis的命令耗时与Jedis的读操作Read time out不同。

redis执行一条命令的过程是：

1、接收客户端请求

2、进入队列等待执行

3、执行命令

4、响应结果给客户端

由于redis执行命令是单线程的，所以命令到达服务端后不是立即执行，而是进入队列等待。redis慢查询日记记录slowlog get的是执行命令的耗时，对应步骤3，执行命令耗时是根据key去找到数据所在的内存地址这段时间的耗时，所以这对于key-value字符串类型的命令而言，并不会因为value的大小而导致命令耗时长。

为验证这个观点，我进行了简单的测试。

分别写入四个key，每个key对应的value长度都不等，一个比一个长。再来看下两组查询日记。先通过CONFIG SET slowlog-log-slower-than 0命令，让每条命令都记录耗时。

key_4的value长度比key_3的长两倍，但get耗时比key_3少，而key_1的value长度比key_2短，但耗时比key_2长。

第二组数据也是一样的，跟value的值大小无关。所以可以排除项目中因value长度过长导致的slowlog记录到慢查询问题。慢操作应该是set、hset、hmset、hget、hgetall等命令耗时比较长导致。

而Jedis的Read time out则是包括1、2、3、4步骤，从命令的发出到接收完成Redis服务端的响应结果，超时原因有两大原因：

1、redis的并发量增加，导致命令等待队列过长，等待时间长

2、get请求读取的数据量大，数据传输时间长

所以将Redis从一主一从改为两主之后，导致Jedis的Read time out的原因一有所缓解，分摊了部分压力。但是原因2还是存在，耗时依然是问题。

Jedis的get耗时长导致服务B接口执行耗时超过设置的3s。由于dubbo消费端超时放弃请求，但是请求已经发出，就算消费端取消，提供者无法感知服务端超时放弃了，还是要执行完一次调用的业务逻辑，就像说出去的话收不回来一样。

由于dubbo有重试机制，默认会重试两次，所以并发8w对于服务b而言，就变成了并发24w。最后导致业务线程池一直被占用状态，RPC远程调用又多出了一个异常，就是远程服务线程池已满，直接响应失败。

问题最终还是要回到Redis上，就是key对应的value太大，传输耗时，最终业务代码拿到value后将value分割成数组，判断请求参数是否在数组中，非常耗时，就会导致服务B接口耗时超过3s，从而拖垮整个服务。

模拟服务B接口做的事情，业务代码（1）。

/**
 * @author wujiuye
 * @version 1.0 on 2019/10/20 {描述：}
 */
public class Match {

    static class Task implements Runnable {
        private String value;

        public Task(String value) {
            this.value = value;
        }

        @Override
        public void run() {
            for (; ; ) {
                // 模拟jedis get耗时
                try {
                    Thread.sleep(10);
                } catch (InterruptedException e) {
                    e.printStackTrace();
                }
                // =====> 实际业务代码
                long start = System.currentTimeMillis();
                List<String> ids = Arrays.stream(value.split(",")).collect(Collectors.toList());
                boolean exist = ids.contains("4029000");
                // ====> 输出结果，耗时171ms .
                System.out.println("exist:" + exist + ",time:" + (System.currentTimeMillis() - start));
            }
        }
    }

    ;

    public static void main(String[] args) {
        // ====> 模拟业务场景，从缓存中获取到的字符串
        StringBuilder value = new StringBuilder();
        for (int i = 4000000; i <= 4029000; i++) {
            value.append(String.valueOf(i)).append(",");
        }
        String strValue = value.toString();
        System.out.println(strValue.length());
        for (int i = 0; i < 200; i++) {
            new Thread(new Task(strValue)).start();
        }
    }
}

这段代码很简单，就是模拟高并发，把200个业务线程全部耗尽的场景下，一个简单的判断元素是否存在的业务逻辑执行需要多长时间。把这段代码跑一遍，你会发现很多执行耗时超过1500ms，再加上Jedis读取到数据的耗时，直接导致接口执行耗时超过3000ms。

这段代码不仅耗时，还很耗内存，没错，就是这个Bug了。改进就是将id拼接成字符串的存储方式改为hash存储，直接hget方式判断一个元素是否存在，不需要将这么大的数据读取到本地，即避免了网络传输消耗，也优化了接口的执行速度。

由于并发量的增长，导致redis读并发上升，Jedis的get耗时长，加上业务代码的缺陷，导致服务B接口耗时长，从而导致服务A远程RPC调用超时，导致dubbo超时重试，导致服务B并发乘3，再导致服务B业务线程池全是工作状态以及Redis并发又增加，导致服务A调用异常。正是这种连环效应导致服务雪崩。

最后优化分三步

一是优化数据的redis缓存的结构，刚也提到，由大量id拼接成字符串的key-value改成hash结构缓存，请求判断某个id是否在缓存中用hget，除了能降低redis的大value传输耗时，也能将判断一个元素是否存在的时间复杂度从O(n)变为O(1)，接口耗时降低，消除RPC远程调用超时。

二是业务逻辑优化，降低Redis并发。将服务B由一个服务拆分成两个服务。这里就不多说了。

三是Dubbo调优，将Dubbo的重试次数改为0，失败直接放弃当前的广告点击请求。为避免突发性的并发量上升，导致服务雪崩，为服务提供者加入熔断器，估算服务所能承受的最大QPS，当服务达到临界值时，放弃处理远程RPC调用。

（我用的是Sentinel，官方文档传送门：

https://github.com/alibaba/Sentinel/wiki/%E6%8E%A7%E5%88%B6%E5%8F%B0）

（Sentinel控制台）

所以，缓存并不是简单的Get，Set就行了，Redis提供这么多的数据结构的支持要用好，结合业务逻辑优化缓存结构。避免高并发接口读取的缓存value过长，导致数据传输耗时。同时，Redis的特性也要清楚，分布式集群相比单一主从集群的优点。反省img。

经过两次的项目重构，项目已经是分布式微服务架构，同时业务的合理划分让各个服务之间完美解耦，每个服务内部的实现合理利用设计模式，完成业务的高内聚低耦合，这是一次非常大的改进，但还是有还多历史遗留的问题不能很好的解决。同时，分布式也带来了很多问题，总之，有利必有弊。

有时候就需要这样，被项目推着往前走。在未发生该事故之前，我花一个月时间也没想出困扰我的两大难题，是这次的事故，让我从一个短暂的夜晚找出答案，一个通宵让我想通很多问题。

对于本次服务雪崩带来的影响，我只能深感抱歉！说实话，我已经厌倦了这种卖力不讨好的事情。