超全总结 | 阿里电商故障治理和故障演练实践
写在前面
近日，在 QCon北京2017大会上，来自阿里巴巴中间件团队的技术专家周洋（花名中亭）发表了题为《阿里电商故障治理和故障演练实践》专题演讲。在会后官方组织的评选中，本次演讲的内容得到了一致好评，中亭获选为本次大会的明星讲师。此次演讲整体上分享了从 2011 年至今，阿里巴巴电商平台遇到的诸多有代表性的故障，以及在此过程中积累的非常多的高可用保障经验和解决方案。
本次分享包括两个部分：第一部分会从分布式系统经典依赖故障出发，剖析故障成因，介绍治理方案和技术演进；第二部分从宏观视角探讨构建一套”防故障”设施的重要性，并探讨如何设计一套故障演练系统，介绍故障演练的基本原则和最佳经验。
演讲全文
大家好，今天来的人不少，可见对于故障耿耿于怀的人，不止我自己。今天分享的内容主要还是围绕故障治理有关。众所周知，故障治理本身就是一个比较大的话题，几乎涉及到运维、研发、故障运行管理的全部岗位，奇葩一点的故障还可能涉及到运营和产品经理。聊到故障的苦与泪，相信45分钟绝对连开头都没讲完。今天的分享，主要还是回归故障发生的本质，故障原因角度切入。看是否有一些方法论和通用性的手段可以沉淀出来。希望可以对大家有所帮助。
今天演讲的主要包括两个部分：第一部分会从分布式系统经典依赖故障出发，剖析故障成因，介绍治理方案和技术演进；第二部分从宏观视角探讨构建一套”防故障”设施的重要性，并探讨如何设计一套故障演练系统，介绍故障演练的基本原则和最佳经验。考虑演讲时间和内容关联度，之前报给大会提纲中的”通过灰度发布提前发现故障”的章节被隐去，有兴趣的同学可以会后交流。
首先介绍一下我自己，姓名周洋，花名中亭。2011年加入阿里，接触稳定性领域，开始做一些稳定性产品的研发，同时也会承担一些架构演进的推进工作，比如HTTPS改造，电商交易链路升配等。2015年开始搞双11大促，做为共享事业部的大促负责人，保障了双11的稳定。也获得双11老A也就是双11特种兵的称号。
共享事业部，对于大家可能比较陌生。如果我换一个说法，商品、交易、会员、优惠、评价、中间件，大家应该就都知道了，双11当天最具挑战的链条之一。右边是中间件核心作战室成员，在过了双11业务高峰后的一张合影。2016年至今，工作的重点在常态稳定性的确定性方面，今天分享主要也是围绕这部分内容。
分布式系统常见依赖故障治理及技术演进
抛一个问题，什么情况下，你会认为淘宝网挂了？ 这个问题，相信关注的人很多，不过能给出确切答案的人并不多。因为这个看似简单的问题，真要回答起来好像也不是那么容易。今天的分享，试着先回答一下这个问题。
从一张“简单”的页面说起。这张页面叫做商品详情页，相信在坐的各位对这张页面不会陌生，因为对于大部分的人，这张页面是他们在淘宝完成一笔订单的第一步。而商品详情的使命就是把商品的信息没有保留的展示给大家，勾起大家的兴趣，引导大家完成购买或是收藏。从信息展示的角度来讲，商品详情页面确实是一张非常简单的页面。
我们再来看一下商品详情应用的后台架构。商品详情是阿里最早实现静态化应用之一。那些与浏览者无关信息，比如商品标题、图片信息、销售属性组合等信息均直接进入缓存，其他和用户相关的，如优惠、库存、物流、服务等动态信息则通过异步调用方式填充至静态化后的页面框架内。为了在一张页面展示足够多可供决策信息，撩起用户的购买欲望。详情后台必须去依赖非常多的服务应用，聚合足够多的信息。少则几十，多则成百。从这个角度来讲，商品详情页面又是阿里依赖最复杂的应用之一。
互联网业务的一个主要特点是，业务迭代非常快，每天有新需求，每周都有新发布，每年都有大重构，每一次变化都有可能导致状况的发生。越是贴近用户的系统，受下游服务影响越大。那么我们不仅好奇，对于详情这个阿里最复杂的应用，下游发生一些状况时，系统会变成怎样？
我们通过两个实验来观察一下。
实验一：假设后端的优惠、库存、物流发生故障，我们来观察一下商品详情页的表现。
乍一看，好像没什么问题。只是觉得页面清爽了一些。或许在这个信息过暴的时代，看着这么清新脱俗的页面，还有一点点暗爽。
在现场做了两个调查，观察大家对实验一的反映。调查1：认为详情页故障了的同学请举手。结 38 39468 38 15231 0 0 960 0 0:00:41 0:00:15 0:00:26 3238 38 39468 38 15231 0 0 901 0 0:00:43 0:00:16 0:00:27 3205果是现场没有人举手（也可能是现场氛围还比较冷）；调查2：大家来找茬，前后两个详情页有多少处不同？结果：最后有一个妹子说出了正确的答案（大家的热情被调动起来了，因为答对的同学有《尽在双11》的书赠送）
没有对比就没有伤害，一共有6处不同。从功能角度，这铁定是一个故障页面。不过从用户体验和业务角度讲，少了这些信息也不影响商品购买，不影响核心用户体验。好像又是没故障？有点纠结，对吧？ 您先纠结一会儿，我们来进行第二个实验。
实验二：当商品详情的”商品”出了问题，商品详情会怎样？
详情还是那个详情，只不过是商品详情变成了错误详情。
第一张页面：很抱歉，你查看的商品找不到了。有可能是你访问的方式不对，比如URL上面少了一些参数，也可能是后台真的出问题，对于用户还算是比较温柔的一种方式。
第二张页面：很可能就是网站真的出问题了。比较可能的原因是后台没有合理的处理超时导致前端异常。不过说实话，这个页面我也非常少的见到。如果真的出现了，那基本就是一次非常严重的事故。
通过通过上面的两个实验，相信大家应该对于我们今天要介绍的一个概念”强弱依赖”有一些模糊的感觉了。 从感性的角度来讲，就是当下游依赖服务出现问题时，当前系统会受到一些影响，让用户有感觉的是强依赖，没感觉的是弱依赖。不过这种定义不够严谨，因为总不能说没有用户访问时，就不算故障吧。所以也需要从理性角度定义一下：首先应该发生状况，其次应该是核心业务，最后是否带来损失。不影响核心业务流程，不影响系统可用性的依赖都可以叫做弱依赖，反之就是强依赖。
终于解释解释清楚强弱依赖，那么做好强弱依赖到底有什么意义？抛开依赖模型来看强弱，意义不大。严谨的依赖模型应该包括关系、流量、强弱三个组成部分。依赖关系定义依赖的方向，我依赖谁，谁依赖我。流量定义着每个应用、服务、方法调用的次数，强弱则定义着依赖的松紧程度。依赖治理就是通过科学的手段持续稳定的拿到关系、流量、强弱的数据。强弱依赖主要可以被应用到下面的场景：
系统改造验收：对于分布式系统，至少应该做到运行态中不会因为我依赖的系统，后台出现故障引起当前应用出现系统级可用性的故障，比如进程挂掉，频繁GullGC，负载飙高等，合适何地都具备快速止血的能力。
限流降级参考：对于弱依赖，一般都要配置限流或是自动降级策略，比起通过拍脑袋或是经验值来设定，到不如通过实际的故障测试来进行微调，比如对于下游出现超时情况，就可以通过实验得出基于线程池限流到底要填写多少数值。
应用启动顺序：理想情况下，应用启动更应该做到0强依赖启动。不过有一些情况，无法做到。因此应用启动的依赖顺序也需要实时关注。特别是新IDC、机房建站时，那个蜘蛛网一样的依赖关系，最好是通过系统方式获得。
故障根源定位：后台系统的故障，往往通过上一级的业务故障表现出来。故障处理讲究的是争分多秒，良好的强弱依赖，对于系统自动化诊断有非常大的助力作用。
依赖容量评估：正常调用链路下系统容量需要评估，当某个弱依赖挂掉时，整体的容量是否有变化。
说完背景，终于可以聊一下强弱依赖的技术实现。强弱依赖的技术演进，整体上分了3个阶段。每个阶段的方案的诞生都有其独特的时代背景和业务难点，现在回头看来，也可以看到当时技术的局限性和突破。
熟悉淘宝技术发展史的同学都知道，2008年阿里刚刚通过一个代号为五彩石的项目，完成从巨石系统向服务化系统的改造。业务和开发开发模式上有了较大的发展，不过网状的依赖关系也带来了非常多的问题。这个纪元的主要特点是：故障频发，技术路和方法都是以结果为导向，糙一点、结果精度差一点可以忍受。
模拟依赖故障技术上有三招，改代码+发布，远程Debug+重启，登陆机器去执行一些shell命令操作。 好处是，灵活随意，可以一定程度达到效果。坏处是成本高，影响环境稳定，你测试的时候，其他人属于无法工作状态，影响效率。此外，这个阶段，因为分布式链路追踪技术还没起步，所以经常会漏掉一下服务服务。故障的粒度也比较粗，对于一些linux的命令，都是主机级别的。
阿里内部有一套日常环境，主要做上线前的集成测试。为了尽量减少对环境的影响。我们通过修改服务版本的方式，形成一个独立的测试环境。记得11年下半年，我开始做第一版的时候，我搭了淘宝12个核心应用，踩坑无数，纯体力活，也算前无古人，后无来者了。
通过这套环境跑了几次结果，发给核心的业务TL，大家很兴奋，貌似找到一条治理的路子。
不过很快暴露问题，比如环境的运维归属问题，开发机器的干扰问题，以及对于业务的了解程度和测试粒度问题。所以在很长一段时间测试的范围都局限在交易核心链路。
第二个阶段的核心就是提效，从第一个阶段的痛点入手，解决人的成本和环境的问题。这个阶段之后，基本可以摆脱手工的方式，效率上有大幅度提升。
这个阶段引入了一些测试技术，其中用的比较多的是Selenium，通过这种技术可以提前录制用户行为并转化为测试脚本的技术，并且每一个步骤都可以截图记录，方便问题复查。
在这个时期，中间件的技术有一定发展，分布式追踪技术出现，可以把用户访问的链条串联起来，排查问题的效率有了一定提升。同时所有的中间件，如nginx,消息，分布式服务调用，分布式数据库，软负载，配置中心等都做了改造，支持用户流量的标记，追踪，路由控制。基于这项技术，环境的问题有非常大的突破。
在内部，我们称为叫二套环境。它的核心原理是在基础环境之上，动态区分出一些小环境，他们分别是某个业务的子集。项目之间彼此独立，不会互相调用，只有当依赖的服务不在时，才会去访问基础环境的服务。数据库和缓存是公用的。
在这个阶段，我们不必再去修改代码的服务版本，每次发布后，代码的版本等能够自动化的保持一致，运维成本有降低，野服务干扰的情况也有所缓解，人的介入非常的少。不过还是有一些问题待解决，首先二套环境的路由策略是和用户绑定的，也就是说需要提前去做一些配置。其次，域名上也有一些限制，加了second等前缀，测试路径中URL等复用率低的问题没有完全解决。第三，测试的粒度仍然很粗，独占机器，规模化推广时机器成本，用例运行的成本还是很高。第四，功能性缺失。不被二套环境的基础设施故障没法模拟，比如数据库故障，缓存故障等。
2014年的时候，我们的思维方式有了比较大的突破。我们不再纠结于环境和外部手段的改进，而是回归到强弱依赖关注最核心的部分。那就是业务影响和系统设计。能否实现一种只与代码设计和业务相关，而与外部环境无关的方案呢？
这期间有两个关键思路或是推论：
推论1：我们要的是下游依赖出现故障现象，不必真的是下游服务提供方出现故障。只要消费方感觉下游出现故障即可。从这个思路来讲，商品详情端如果要做强弱依赖测试，只要自己玩就够了，不需要去折腾下游依赖的几十个应用。
推论2：我们之所以需要单独搭建环境，为的就是控制故障的影响范围。那么我们可以换一下思路，就是我们只影响要发生故障的请求，其他的业务流量都放过。是不是就达到目的了。本质上是一种对业务流量的筛查能力。
有了上面的思路，第一问题就是如何拦截用户的请求？拦截用户请求，让用户改造成本最低，没有什么地方比中间件更适合了。每个通用的远程调用接口，都是可以做文章的点，并且中间上层的业务系统不用做任何改造。
下一个问题就是故障规则和业务识别，我们曾考虑在用户请求的入口就打上标记，置入故障规则，不过发现对于post请求，异步js请求，定时任务等都有比较大的改造成本，有安全隐患。 所以就增加了一个服务端，直接下发故障规则到依赖插件上。故障插件通过对流量的调用拦截+业务识别唯一确定影响哪一个请求，然后通过故障规则判断是注入异常还是超时。从而达到模拟故障的效果。 因为插件可扩展的设计，所以我们默认是可以同时注入多种故障场景的。同时插件也会把影响到请求的详细信息异步上报给服务端做分析。
理论上通过上述的方案，在业务流量输入方面，我们没有任何要求。无论是人的自发测试行为，还是机器的测试行为，都没有任何限制。只不过为最大限度复用已有的测试用例积累，提高自动化程度，我们设计了一套用例注解，封装了和强弱依赖服务端的通信。利用Junit生命周期的特点完成故障规则的下发和清除。任何一个测试用例，20秒之内改造成一个强弱依赖的测试用例。在结果输出方面，会详细的展示一次强弱依赖检测的过程，以及测试用例涉及到的链路的依赖变化。到此阶段，强弱依赖真正达到了一个相对里程碑的版本，2014年开始，强弱依赖也作为双11必做的一个横向项目。
下面是强弱依赖注解和依赖系统的示例：
小结部分，重新回顾了强弱依赖的定义、意义。整个强弱依赖技术演进历史，就是对数据准确性，稳定性，成本、效率的追求和平衡。
故障演练的基本原则和最佳系统设计实践
众所周知，2017年不大太平，业界出现了很多大故障。
2017-03-01 弗吉尼亚州数据中心出现故障，亚马逊S3 服务出现了较高的错误率，直接影响到成千上万个在线服务
2017-1-31 GibLab同学线上数据库变更时，遇到突发了一个情况。因为操作失误，导致整个生产数据库被误删除，丢失6个小时的数据。
2017年 2月份国内的一家经常被测试网络连通性的友商也出现了故障，引起工信部的关注，并紧急约谈了相关公司。同时，下发紧急通知，要求BAT等各重点互联网企业吸取教训。业界一片哗然。
这时候，有一家公司显得特别淡定，那就是Netflix。 Netflix是一家服务全球的在线影片租赁提供商，他的核心业务完全架设在AWS上面。据新闻揭露，Netflix在亚马逊故障时可以很快的恢复正常（前文的新闻稿是针对早些时候AWS的故障，非2017S3故障），因为他们内部有一个”防故障”的基础设施。听起来，好像是我们需要的东西。
深入调查之后，发现防故障基础设施背后是一个猴子军团。
早在2012年，Netflix就发布了Chaos Monkey。用来在随机杀死实例，据官方数据指出，到目前累计杀死65,000个节点。他们的测试策略也比较有趣：在工作时间在生产和测试环境运行，目标测试系统的健壮性，训练后备人员，让恢复更简洁、快速、自动；Latency Monkey的作用就是让某台机器的请求或返回变慢，观察系统的表现； Chaos Gorilla，大猩猩。他的能力是搞挂一个机房，宏观验证业务容灾和恢复的能力。
Netflix发布猴子军团的原因是因为，他们很早就吃过云故障的亏，所以本能是认为云设施是不可靠的，必须在通过演练来验证软件层面的容灾。
古代有个哲学家说过”没有人曾经两次踏进同一条河流”，因为无论是这条河还是这个人都已不同。故障也是类似的，故障发生的时间地点，影响流量，与故障打交道的人都没法完全相同。从这个角度看，故障治理本身是一个伪命题，都是在解决过去某一个时刻的问题。不过从程序员视角（我习惯叫上帝视角），任何故障的原因都是可被定位的，避免相同原因重复引发故障，是每个程序员应该执着追求的目标。电商历史上遇到了非常多有代表性的故障，为了不让故障重复发生，阿里内部也打造了一套”防故障”的基础设施。
2015年5月27日，因为光纤电缆的问题，支付宝大规模宕机事故，公司内部得出一个结论：任何基础设施、生产系统、任何流程都可能出现问题，没有经过重大灾难验证的容灾设施都是耍流氓。 启动了代号为虎虎虎的生产突袭项目，用来验证异地多活的质量。
2012年，完成交易的同城双活后，就启动了同城容灾演练，也叫断网演练。验证核心系统的同城一个机房挂掉的情况下，是否还可以正常工作。
2011年，开始做强弱依赖的治理和建设，希望提前发现因为依赖问题导致的系统故障，系统的代号是EOS（出处是古希腊神话中的黎明女神，语意是能够把纷乱的依赖关系梳理清楚）
可以看到，这三大件和Netflix的猴子军团从功能上基本上是对标的。那是不是就应该没有故障，安枕无忧了呢？ 答案铁定是不是。
阿里巴巴因为其多元化的业务场景和日益复杂的技术架构，会遇到各式各样的故障，故障治理的难度相比流媒体服务故障治理，难度是也增量了几个台阶。前面介绍过的强弱依赖和容灾演练只能覆盖到部分故障。如果对故障整体做初步画像，故障整体可以分为IaaS层、PaaS层、SaaS层的故障，每一层都可能有很多故障出发原因和表现。那么对于这么多种类繁杂的故障，内心一定是懵逼的。我们要如何重现进而避免这么多繁杂的故障呢？
熟悉三体的同学应该听说过”降维攻击”这个词，不妨让我们把维度降低一下，换一个视角看故障：
任何故障，一定是硬件如IaaS层，软件如PaaS或SaaS的故障。 并且有个规律，硬件故障的现象，一定可以在软件故障现象上有所体现。
故障一定隶属于单机或是分布式系统之一，分布式故障包含单机故障
对于单机或同机型的故障，以系统为视角，故障可能是当前进程内的故障，比如：如FullGC，CPU飙高； 进程外的故障，比如其他进程突然抢占了内存，导致当前系统异常等。
同时，还可能有一类故障，可能是人为失误，或流程适当导致，这部分我们今天不做重点讨论。
任何故障都可以套入到这个故障模型中。有了这个模型，我们就可以开始来设计模拟故障的演练系统了。
所以在内部，我们起了一个代号叫做”大圣归来”的项目，项目名叫做”故障演练”，承载的产品叫做MonkeyKing。MonkeyKing是中国美猴王的意思，看重的是孙悟空高强的本领（火眼精金、七十二变）和极具反叛的精神来，希望用一种创新的思路来保证稳定性。
我们的系统实现，也是围绕前文讨论的故障模型来设计的：
在客户机器部署OS层的故障插件，用来模拟硬件层的故障和单机进程外的故障。
对于应用进程内的故障，提供插拔式的故障插件，也可以用户按照我们的故障API做自己的实现。
对于分布式故障，则通过服务端按照IP来控制故障的范围。
对于一些因为各种原因无法触及的应用，比如数据库。我们提供了一个故障三方实现的标准，供故障服务接入。
通过上面的方式，基本上就把技术型故障的模型就cover全了。
在去年的双11中，故障演练的应用场景主要应用在图中的几个场景。 按照业务流量、压测流量的峰值可以划为4个象限。具体案例如下（这部分现场因为时间关系，没有展开说，为新增部分）：
预案有效性：过去的预案测试的时候，线上没有问题，所以就算测试结果符合预期，也有可能是有意外但是现象被掩藏了。
监控报警：报警的有无、提示消息是否准确、报警实效是5分钟还是半小时、收报警的人是否转岗、手机是否欠费等，都是可以check的点。
故障复现：故障的后续Action是否真的有效，完成质量如何，只有真实重现和验证，才能完成闭环。发生过的故障也应该时常拉出来练练，看是否有劣化趋势。
架构容灾测试：主备切换、负载均衡，流量调度等为了容灾而存在的手段的时效和效果，容灾手段本身健壮性如何。
参数调优：限流的策略调优、报警的阈值、超时值设置等。
故障模型训练：有针对性的制造一些故障，给做故障定位的系统制造数据。
故障突袭、联合演练：通过蓝军、红军的方式锻炼队伍，以战养兵，提升DevOps能力。
故障演练宣言：把故障以场景化的方式沉淀，以可控成本在线上模拟故障，让系统和工程师平时有更多实战机会，加速系统、工具、流程、人员的进步。
关于未来
故障演练的后续工作主要会关注在以下方向：演练常态化、故障标类化、演练智能化。用常态化的演练驱动稳定性进步，而不是大促前进行补习；丰富更多的故障场景，定义好最小故障场景和处理手段；基于架构和业务分析的智能化演练，沉淀行业故障演练解决方案。