揭秘企业微信如何优化满足ToB新挑战？

腾讯大讲堂

发布于 2021-07-06 15:40:17

1.4K0

发布于 2021-07-06 15:40:17

文章被收录于专栏：腾讯大讲堂的专栏

作者：潘唐磊 腾讯WXG开发工程师

导语| 本文主要总结了企业微信消息系统的架构与设计，阐述了toB业务带来的一些难点，面临哪些挑战，以及设计方案的对比与分析。同时总结了后台开发的一些常用手段，实用于消息系统，解决相关问题。

名词解释

seq：自增长的序列号，每条消息对应一个
ImUnion：消息互通系统，用于企业微信与微信的消息打通
控制消息：不可见消息，复用消息通道的一种可靠通知机制
应用类消息：系统应用下发的消息
api消息：第三方应用下发的消息
appinfo：每条消息对应的唯一strid，全局唯一。同一条消息的appinfo在所有的接收方中是相同的

01

背景

企业微信作为一款办公协同的产品，消息收发是最基础的功能。消息系统的稳定性、可靠性、安全性尤其重要。消息系统的构建与设计的过程中，面临着较多的难点。toB场景的消息系统，需要支持更为复杂的业务场景：

发消息的鉴权逻辑复杂：关系类型有群关系、同企业同事关系、好友关系、集团企业关系、圈子企业关系。收发消息双方需存在至少一种关系才允许发消息。
回执消息：每条消息都需记录已读和未读人员列表，涉及频繁的状态读写操作
撤回消息：支持24小时的有效期撤回动作
消息云端存储：存储时间跨度长，最长可支持180天消息存储，数百TB用户消息需优化，减少机器成本
万人群的群聊：群人数上限可支持10000人，一个群就像一个小型的ddos攻击
与微信消息互通：两个异构的im系统直接打通，可靠性和一致性尤其重要

02

整体架构介绍

一、分层架构

接入层：统一入口，接收客户端的请求，根据类型转发到对应的CGI层。客户端可以通过长连或者短连连接wwproxy。活跃的客户端，优先用长连接发起请求，如果长连失败，则选用短连重试。

CGI层：http服务。接收wwproxy的数据包，校验用户的session状态，并用后台派发的秘钥去解包，如解密失败则拒绝请求。解密成功，则把明文包体转发到后端逻辑层对应的svr。

逻辑层：大量的微服务和异步处理服务，使用自研的hikit rpc框架，svr之间使用tcp短连进行通信。进行数据整合和逻辑处理。和外部系统的通信，通过http协议，包括微信互通、手机厂商的推送平台等。

存储层：消息存储是采用的是基于levelDB模型开发msgkv。SeqSvr是序列号生成器，保证派发的seq单调递增不回退，用于消息的收发协议。

二、消息收发模型

企业微信的消息收发模型采用了推拉方式，这种方式可靠性高，设计简单。以下是消息推拉的时序图。发送方请求后台，把消息写入到接收方的存储，然后push通知接收方。接受方收到push，主动上来后台收消息。

不重复，不丢失，及时触达，这三个是消息系统的核心指标：

客户端通过与后台建立长连接，保证消息push的实时触达。
如果客户端长连接不在，进程被kill了，利用手机厂商的推送平台，推送通知，或者直接拉起进程进行收消息。
假如遇到消息洪峰，后台的push滞后，客户端有轮训机制进行兜底，保证消息可达。
为了防止消息丢失，只要后台逻辑层接收到请求，保证消息写到接收方的存储，失败则重试。如果请求在CGI层就失败，则返回给客户端出消息红点
消息排重。客户端在弱网络的场景下，有可能请求已经成功写入存储，回包超时，导致客户端重试发起相同的消息，那么就造成消息重复。为了避免这种情况发生，每条消息都会生成唯一的appinfo，后台通过建立索引进行排重，相同的消息直接返回成功，保证存储只有一条。

三、消息扩散写

IM通信工具的消息存储，一般有两种方式，扩散读和扩散写。

扩散读：每条消息只存一份，群聊成员都读取同一份数据

优点：节省存储容量

缺点：①每个用户需存储会话列表，通过会话id去拉取会话消息②收消息的协议复杂，每个会话都需要增量同步消息，则每个会话都需要维护一个序列号

扩散写：每条消息存多份，每个群聊成员在自己的存储都有一份

优点：①只需要通过一个序列号就可以增量同步所有消息，收消息协议简单②读取速度快，前端体验好③满足更多ToB的业务场景：回执消息、云端删除。同一条消息，在每个人的视角会有不同的表现。例如，回执消息，发送方能看到已读未读列表，接受方只能看到是否已读的状态。云端删除某条群消息，在自己的消息列表消失，其他人还是可见

缺点：存储容量的增加

企业微信采用了扩散写的方式，消息收发简单稳定；存储容量的增加，可以通过冷热分离的方案解决，冷数据存到廉价的SATA盘，扩散读体验稍差，协议设计也相对复杂些。

下图是扩散写的协议设计。

每个用户只有一条独立的消息流。同一条消息多副本存在于每个用户的消息流中
每条消息有一个seq，在同个用户的消息流中，seq是单调递增的
客户端保存消息列表中最大seq，说明客户端已经拥有比该seq小的所有消息。若客户端被push有新消息到达，则用该seq向后台请求增量数据，后台把比此seq大的消息数据返回。

03

系统稳定性

一、柔性策略

背景：企业微信作为一款Tob场景的聊天im工具，用于工作场景的沟通，有着较为明显的高峰效应，如下图。工作时间上午9:00~12:00，下午14:00~18:00，是聊天的高峰，消息量剧增。工作日和节假日也会形成明显的对比。高峰期系统压力大，偶发的网络波动或者机器过载，都有可能导致大量的系统失败。im系统对及时性要求比较高，没办法进行削峰处理。那么引入一些柔性的策略，保证系统的稳定性和可用性非常有必要。

调用数：

启动过载保护策略。当svr已经达到最大处理能力的时候，说明处于一个过载的状态，服务能力会随着负载的增高而急剧下降。如果svr过载，则拒绝掉部分正常请求，防止机器被压垮，依然能对外服务。通过统计svr的被调耗时情况、worker使用情况等，判定是否处于过载状态。过载保护策略在请求高峰期间起到了保护系统的作用，防止雪崩效应。下图就是因过载被拒绝掉的请求。

问题点：系统过载返回失败，前端发消息显示失败，显示红点，严重影响产品体验。发消息是im系统的最基础的功能，可用性要求达到几乎100%。

解决方案：尽管失败，也返回前端成功，后台保证最终成功

为了保证消息系统的可用性，规避高峰期系统出现过载失败导致前端出红点，策略如下：

逻辑层hold住失败请求，返回前端成功，不出红点，后端异步重试，直至成功
为了防止在系统出现大面积故障的时候，重试请求压满队列，只hold住半小时的失败请求，半小时后新来的请求则直接返回前端失败。
为了避免重试加剧系统过载，指数时间延迟重试
复杂的消息鉴权（好友关系，企业关系，集团关系，圈子关系），耗时严重，后台波动容易造成失败。如果并非明确鉴权不通过，则幂等重试。
为了防止作恶请求，限制单个用户和单个企业的请求并发数。例如，单个用户的消耗worker数超过20%，则直接丢弃该用户的请求，不重试

优化后，后台的波动，前端基本没有感知。

（流程图）

二、系统解耦

背景：由于产品形态的原因，企业微信的消息系统，会依赖很多外部模块，甚至外部系统。例如，与微信消息互通，发送消息的权限需要放到ImUnion去做判定，ImUnion是一个外部系统，调用耗时较长。再如，金融版的消息审计功能，需要把消息同步到审计模块，增加rpc调用。再如，客户服务的单聊群聊消息，需要把消息同步到crm模块，增加rpc调用。为了避免外部系统或者外部模块出现故障，拖累消息系统，导致耗时增加，则需要系统解耦。

方案：与外部系统的交互，全设计成异步化。

思考点：需要同步返回结果的请求，如何设计成异步化。例如，群聊互通消息需经过ImUnion鉴权返回结果，前端用于展示消息是否成功发送。先让客户端成功，异步失败，则回调客户端使得出红点。

如果是非主流程，则异步重试保证成功，主流程不受影响，如消息审计同步功能。那么，只需要保证内部系统的稳定，发消息的主流程就可以不受影响。

（解耦效果图）

三、业务隔离

企业微信的消息类型有多种

单聊和群聊：基础聊天，优先级高
api消息：企业通过api接口下发的消息，有频率限制，优先级中
应用消息：系统应用下发的消息，例如公告，有频率限制，优先级中
控制消息：不可见的消息。例如群信息变更，会下发控制消息通知群成员。优先级低

群聊按群人数，分成3类：

普通群：小于100人的群，优先级高
大群：小于2000人的群，优先级中
万人群：优先级低

业务繁多，如果不加以隔离，那么其中一个业务的波动有可能引起整个消息系统的瘫痪。重中之重，需要保证核心链路的稳定，就是企业内部的单聊和100人以下群聊，因为这个业务是最基础的，也是最敏感的，稍有问题，投诉量巨大。其余的业务，互相隔离，减少牵连。按照优先级和重要程度进行隔离，对应的并发度也做了调整，尽量保证核心链路的稳定性。

（解耦和隔离的效果图）

04

toB业务功能的设计与优化

一、万人群的设计与优化

背景：企业微信的群人数上限是10000，只要群内每个人都发一条消息，那么扩散量就是10000*10000=1亿次调用，非常巨大。10000人投递完成需要的耗时长，影响了消息的及时性。

分析：既然超大群扩散写量大，耗时长，那么自然会想到，超大群是否可以单独拎出来做成扩散读呢。下面分析一下超大群设计成单副本面临的难点。

①一个超大群，一条消息流，群成员都同步这条流的消息

②假如用户拥有多个超大群，则需要同步多条流，客户端需维护每条流的seq

③客户端卸载重装，并不知道拥有哪些消息流，后台需存储并告知

④某个超大群来了新消息，需通知所有群成员，假如push没触达，客户端没办法感知有新消息，不可能去轮训所有的消息流

综上所述，单副本的方案代价太大。以下介绍，针对扩散写的方案，做的一些优化方案。

1. 并发限制

万人群的扩散量大，为了是消息尽可能及时到达，使用了多协程去分发消息。但是并不是无限制地加大并发度。

为了避免某个万人群的高频发消息，造成对整个消息系统的压力，消息分发以群id为维度，限制了单个群的分发并发度。消息分发给一个人的耗时是8ms，那么万人的总体耗时是80s，并发上限是5，那么消息分发完成需要16s。16s的耗时，在产品角度来看还、是可以接受的，大群对及时性不敏感。同时，并发度控制在合理范围内。

除了限制单个群id的并发度，还限制了万人群的总体并发度。单台机，小群的worker数为250个，万人群的worker数为30。

效果图：图一，万人群的频繁发消息，worker数用满，导致队列出现积压。图二，由于并发限制，调用数被压平，没有请求无限上涨，系统稳定。

图一

图二

2. 合并插入

工作场景的聊天，多数是在小群完成，大群用于管理员发通知或者老板发红包。

大群消息有一个常见的规律，平时消息少，会突然活跃。例如，老板在群里发个大红包，群成员起哄，此时，就会产生大量的消息。

消息量上涨，并发度被限制，任务处理不过来，那么队列自然就会积压。积压的任务中可能存在多条消息需要分发给同一个群的群成员。此时，可以将这些消息，合并成一个请求，写入到消息存储，消息系统的吞吐量就可以成倍增加。

在日常的监控中，可以捕获到这种场景，高峰可以同时插入20条消息，对整个系统很友善。

3. 业务降级

控制消息：群人员变更，群名称变动，群设置变更，都会在群内扩散一条不可见的控制消息。群成员收到此控制消息，则向后台请求同步新数据。

举个例子，一个万人群，由于消息过于频繁，对群成员造成骚扰，部分群成员选择退群来拒绝消息，假设有1000人选择退群。那么扩散的控制消息量就是1000w，用户收到控制消息就向后台请求数据，则额外带来1000w次的数据请求，造成系统的巨大压力。

控制消息在小群是很有必要的，能让群成员实时感知群信息的变更。但是在大群，群信息的变更其实不那么实时，用户也感觉不到。所以，结合业务场景，实施降级服务，控制消息在大群可以直接丢弃，不分发，减少对系统的调用。

二、回执消息的设计与优化

回执消息是办公场景经常用到的一个功能，能看到消息接受方的阅读状态。一条消息的阅读状态会被频繁修改，群消息被修改的次数和群成员人数成正比。每天上亿条消息，读写频繁，请求量巨大，怎么保证每条消息在接受双方的状态是一致的是一个难点。

1. 回执消息的实现方案

消息的阅读状态的存储方式两个方案。

方案一：利用消息存储，插入一条新消息指向旧消息，此新消息有最新的阅读状态。客户端收到新消息，则用新消息的内容替换旧消息的内容展示，以达到展示阅读状态的效果。

优点：复用消息通道，增量同步消息就可以获取到回执状态，复用通知机制和收发协议，前后端改造小

缺点：①存储冗余，状态变更多次，则需插入多条消息②收发双方都需要修改阅读状态（接收方需标志消息为已读状态），存在收发双方数据一致性问题

方案二：独立存储每条消息的阅读状态，消息发送者通过消息id去拉取数据

优点：状态一致

缺点：①构建可靠的通知机制，通知客户端某条消息属性发生变更。②同步协议复杂。客户端需要准确知道哪条消息的状态已变更。③消息过期删除，阅读状态数据也要自动过期删除

企业微信采用了方案一去实现，简单可靠，改动较小，存储冗余的问题可以通过LevelDB落盘的时候merge数据，只保留最终状态那条消息即可；一致性问题下面会介绍如何解决。下图是协议流程。referid：被指向的消息id，senderid：消息发送方的msgid。

每条消息都有一个唯一的msgid，只在单个用户内唯一，kv存储自动生成的
接收方b已读消息，客户端带上msgid=b1请求到后台
在接受方b新增一条消息，msgid=b2，referid=b1，指向msgid=b1的消息。并把msgid=b2的消息内容设置为消息已读。msgid=b1的消息体，存有发送方的msgid，即senderid=a1
发送方a，读出msgid=a1的消息体，把b加入到已读列表，把新的已读列表保存到消息体中，生成新消息msgid=a2，referid=a1，追加写入到a的消息流。
接收方c已读同一条消息，在c的消息流走同样的逻辑
发送方a，读出msgid=a1的消息体，把c加入到已读列表，把新的已读列表保存到消息体中，生成新消息msgid=a3，referid=a1，追加写入到a的消息流。a3>a2，以msgid大的a3为最终状态。

2. 异步化

接受方已读消息，让客户端同步感知成功，但是发送方的状态没必要同步修改。因为发送方的状态修改情况，接受方没有感知不到。那么，可以采用异步化的策略，降低同步调用耗时。

接受方的数据同步写入，让客户端马上感知消息已读成功
发送方的数据异步写入，减少同步请求
异步写入通过重试来保证成功，达到状态最终一致的目的

3. 合并处理

客户端收到大量消息，并不是一条一条消息已读确认，而是多条消息一起已读确认。为了提高回执消息的处理效率，可以对多条消息合并处理。

X>>A，表示X发了一条消息给A
如下图，A合并确认3条消息，B合并确认3条消息。那么只需要处理2次，就能标志6条消息已读。
经过mq分发，相同的发送方也可以合并处理。在发送方，X合并处理2条消息，Y合并处理2条消息，Z合并处理2条消息，则合并处理3次就能标志6条消息

经过合并处理，处理效率大大提高。下图是采集了线上高峰时期的调用数据。可以看得出来，优化后的效果一共节省了44%的写入量。

4. 读写覆盖解决

发送方的消息处理方式是先把数据读起来，修改后重新覆盖写入存储。接收方有多个，那么就会并发写发送方数据，避免不了出现覆盖写的问题。流程如下

发送方某条消息的已读状态是X
接收方a确认已读，已读状态修改为X+a
接收方b确认已读，已读状态修改为X+b
接收方a的状态先写入，接受方b的状态后写入。这最终状态为X+b
其实正确的状态是X+a+b

处理这类问题，无非就一下几种办法：

方案一：因为并发操作是分布式，那么可以采用分布式锁的方式保证一致。操作存储之前，先申请分布式锁。这种方案太重，不适合这种高频多账号的场景。

方案二：带版本号读写。一个账号的消息流只有一个版本锁，高频写入的场景，很容易产生版本冲突，导致写入效率低下。

方案三：mq串行化处理。能避免覆盖写问题，关键是在合并场景起到很好的作用。同一个账号的请求串行化，就算出现队列积压，合并的策略也能提高处理效率。

企业微信采用了方案三，相同id的用户请求串行化处理，简单易行，逻辑改动较少。

三、撤回消息的设计

1. 难点

撤回消息，相当于更新原消息的状态，是不是也可以通过referid的方式去指向呢？回执消息分析过，通过referid指向，必须要知道原消息的msgid。区别于回执消息，撤回消息需要修改所有接收方的消息状态，而不仅仅是发送方和单个接收方的。消息扩散写到每个接收方的消息流，各自的消息流对应的msgid是不相同的，如果沿用referid的方式，那就需要记录所有接收方的msgid。

2. 解决方案

分析：撤回消息比回执消息简单的是，撤回消息只需要更新消息的状态，而不需要知道原消息的内容。接收方的消息的appinfo都是相同的，可以通过appinfo去做指向。

协议流程：

用户a、b、c，都存在同一条消息，appinfo=s，sendtime=t
a撤回该消息，则在a的消息流插入一条撤回的控制消息，消息体包含{appinfo=s,sendtime=t}
客户端sync到撤回的控制消息，获取到消息体的appinfo与sendtime，把本地appinfo=s且sendtime=t的原消息显示为撤回状态，并删除原消息数据。之所以引入sendtime字段，是为了防止appinfo碰撞，加的双重校验
接收方撤回流程和发送方一致，也是通过插入撤回的控制消息

该方案的优点明显，可靠性高，协议简单。