作者 | 悟空聊架构
来源 | 悟空聊架构（ID：PassJava666）
滚滚长江东逝水，浪花淘尽英雄。
是非成败转头空。青山依旧在，几度夕阳红。
-- 来自《三国演义》
本篇将会通过三国中的赤壁之战来讲述周瑜、黄盖和诸葛亮是怎么把服务雪崩玩到极致的。
本文已收录到我的 Github，点击文末的阅读原文打开。给个Star吧~
https://github.com/Jackson0714/PassJava-Learning
赤壁之战
话说东汉末年，曹操、孙权、刘备在长江赤壁(今湖北蒲圻西北)进行了一次争夺老大位置的大战，这就是有名的赤壁之战。
一、还原赤壁之战
曹操统一北方后，南下打败了刘备，占领荆襄之地后，还想干掉东边的孙权，于是刘备和孙权一起联合抗击曹军八十万大军。
曹操的军队大部分都是北方的，对于水上作战的经验非常欠缺，而且很多士兵晕船，于是曹操命令军队将船尾用铁索相连，减弱了风浪颠簸，利于士兵演练。
铁索连环-图片来源网络
我们来看看周瑜、黄盖、诸葛亮的对话：
三人对话@悟空聊架构
黄盖：曹操是真的蠢啊，把船连着，如果船烧着了，其他船会跟着一起烧着的。锁链不易解开，船都逃不了了。我们用火攻，直接把曹军干趴下。
周瑜：但如何接近他们的船呢?
黄盖：我用诈降带几艘船出发，船上载浸油的干草，等接近曹军时，点燃干草，冲向曹军的连环船，引燃他们的船只。
周瑜：妙啊!可是哪来的东风?
诸葛亮：我来借东风~
赤壁之战那天，火船乘风闯入曹军船阵，顿时一片火海。联军乘势攻击，曹军伤亡惨重，最后以联军大胜结束，成为了以少胜多的经典战役。
引燃连锁船-图片来源网络
二、战情分析
周瑜和黄盖看出了连环船的弱点：「如果一只船被烧着了，也会把连着的船烧着」 。
这就很像我们的系统中出现的服务雪崩问题。
假定我们系统引进了微服务的思想，将多个服务进行拆分，每个服务都是通过接口调用来完成的，看似功能通过微服务化后，功能和职责单一，正是我们想要的。
但随着业务的增长，服务的数量也是随之增多，逻辑也会更加复杂，一个服务的某个逻辑需要依赖多个其他服务才能完成。假如一个被依赖的服务不能向上游的服务提供服务，则很可能造成雪崩效应，最后导致整个服务不可访问。
就像雪山上某一处出现积雪崩塌的现象，慢慢地带动其他片区的积雪崩塌，产生了级联反应，最后造成大片的积雪崩塌，这就是常见的雪崩场景。
「小结」 一个服务失败，导致整条链路的服务都失败的场景，称为服务雪崩。
那曹军应该怎么避免这个问题呢?别急，后面再看答案。
三、系统中的雪崩效应
微服务之间往往采用 RPC 或者 HTTP 调用，一般都会设置调用超时的限制，或者通过失败重试机制来确保服务成功执行。但如果不考虑服务的熔断和限流，还是很容易产生服务雪崩的。下面用例子来讲解下雪崩效应是怎么产生的。
雪崩效应
- 我们系统中三个服务：订单服务、商品服务、库存服务。
- 下单场景：用户下单了一个商品，客户端调用订单服务来生成预付款订单，订单服务调用商品服务查看下单的哪款商品，商品服务调用库存服务判断这款商品是否有库存，如有库存，则可以生成预付款订单。
- 假定因双十一流量暴增，库存服务不可用(如响应超时等)，库存服务收到的很多请求都未处理完，它将无法处理更多请求。
- 而上游的商品服务依赖库存服务，商品服务的超时和重试机制会被执行。商品服务新的调用不断产生，会导致商品服务的调用被大量积压，产生大量的调用等待和重试调用，慢慢耗尽商品服务的资源，比如内存，结果导致商品服务也宕机了。
而订单服务也会重走商品服务的老路。结果就是三个服务都不可用了。
四、造成雪崩的真实场景
1.4.1 服务提供者不可用
- 硬件故障:如网络故障、硬盘损坏等。
- 程序的 bug:如算法需要占用大量 CPU 的计算时间导致 CPU 使用率过高。
- 缓存击穿:比如应用刚重启，短时间内缓存是失效的，导致大量请求直接访问到了数据库，数据库不堪重负，服务不可用。
- 秒杀和大促:服务短时间承载不了那么多请求量。
1.4.2 重试加大流量
- 用户连续重试:比如用户看到界面上没有响应，所以又操作了一遍，结果又增加了一倍请求量。
- 程序重试机制:比如代码中有多次重试的逻辑，一次失败后，过几秒后再重试，重试个三次就取消重试，走异常处理分支了。也是增加了请求量。
五、如何防止雪崩
方案
出问题前预防：限流、主动降级、隔离
出问题后修复：熔断、被动降级
六、熔断原理和算法
1.6.1 熔断概念
保险丝熔断
熔断这个概念来源于电路系统中的保险丝熔断。当电流过大时，保险丝熔断，防止因电流过大损坏电器元器件，或因电流过大，导致元器件热度过高，发生火灾。
保险丝长啥样
「物理公式」 电功率 P = I^2 * R，I 代表电流，元器件的电阻 R 不变的情况下，电流越大，电功率约大，电阻做的电功大部分都用来发热了，所以电功率越大，发热越严重。(还好高中物理没忘。)
放到我们系统中，怎么理解熔断?
如果在某段时间内，调用某个服务非常慢甚至超时，就可以将这个服务熔断，后续其他服务再调用这个服务就直接返回，告诉其他服务：「“已经熔断了，你别调用我了，过段时间再来试下吧。”」
1.6.2 如何熔断
「熔断有个原则」 一段时间内，统计失败的次数或者失败请求的占比超过一定阈值，就进行熔断。
详细的原理如下图所示：
熔断原理图&悟空聊架构
1.6.3 统计请求的算法
- 请求访问到后台服务后，首先判断熔断开关是否打开。
- 如果熔断开关已打开，则表明当前请求不能被处理。
- 如果熔断开关未打开，则判断时间窗口是否已满。
- 如果时间窗口未满，则请求桶中的请求数加 1。
- 如果返回的响应有异常，则失败桶的失败数加 1，如果返回的响应没有异常，则成功桶的成功数加 1。
- 如果时间窗口已满，则开始判断是否需要熔断。
1.6.4 熔断的恢复算法
- 当熔断后，开关切换到断开状态。
- 过一段时间后，开关切换为半断开状态(Half-Open)。半断开状态下，允许对应用程序的一定数量的请求可以去调用服务，如果调用成功，则认为服务可以正常访问了，于是将开关切换为闭合状态。
- 如果半断开状态下，还是有调用失败的情况，则认为服务还没有恢复，开关从半断开状态切换到断开状态。
1.6.5 统计失败率的时间窗口
统计失败率的时间窗口@悟空聊架构
- 时间窗口可以比喻为人坐在窗户边，看外面来往的车辆，一定时间内从窗户外经过的车辆。
- 每次请求，都会判断时间窗口是否已满(如5分钟)，如果时间窗口已满，则重新开始计时，且清理请求数/成功数/失败数。
- 注意：第一次开始的起始时间默认为当前时间。
1.6.6 尝试恢复服务的时间窗口
尝试恢复服务的时间窗口@悟空聊架构
开关为断开的状态，经过一定时间后，比如 1 分钟，设置为半断开的状态，尝试发送请求检测服务是否恢复。
如果已恢复，则切换状态为关闭状态。如果未恢复，则切换状态为断开的状态，经过 1 分钟后，重复上面的步骤。
这里的时间窗口可以根据环境的运行状态进行动态调整，比如第一次是 1 分钟，第二次是 3 分钟，第三次是 10 分钟。
七、熔断中间件
肯定有人会问了，你这上面讲的原理，难道还真的自己去写这套算法?
「答案：是的，项目中我们自己造了一个轮子：熔断器。」
但这里我不推荐大家这么做。市面上还有更优秀的开源组件供大家使用，比如阿里系的 Sentinel(推荐)，Netflix 的 Hystrix(已停止更新)。
当然 Sentinel 就不在这篇讲了，后续奉上~
八、扭转战局
曹操大败是因为连锁船的原因，那如何给曹操提供一妙计，助他扭转战局呢?
「方案有如下几个」
可以用麻绳代替锁链，因绳子更容易割断。(熔断机制)
将船划分到几个区域，区域之间保持一定距离，即使某个区域烧着了，也不会影响其他区域。(熔断+资源隔离)
在湖面上提前设关卡，黄盖过来的话，先检查船和人，有问题不予通行。(熔断)
九、限流、降级
本来是想在这篇把限流和降级也写完的，发现熔断的内容越写越多了，那就把限流和降级放在后面几篇吧。也是三国故事哦~
写在最后
《三国演义》也是我非常喜欢的一部文学作品，书大概看了 80 %，电视剧是看完了的。
最喜欢的角色当然是军师诸葛亮啦，还有枭雄曹操~~
本文转载自微信公众号「悟空聊架构」，可以通过以下二维码关注。转载本文请联系悟空聊架构公众号。
