作者简介
Siegfried，携程软件技术专家，负责携程注册中心的研发。
一、前言
目前，携程大部分业务已经完成了微服务改造，基本架构如图。每一个微服务的实例都需要和注册中心进行通讯：服务端实例向注册中心注册自己的服务地址，客户端实例通过向注册中心查询得知服务端地址，从而完成远程调用。同时，客户端会订阅自己关心的服务端地址，当服务端发生变更时，客户端会收到变更消息，触发自己重新查询服务端地址。
疫情刚过去那会，公司业务回暖迹象明显，微服务实例总数在1个月左右的时间里上涨30%，个别服务的单服务实例数在业务高峰时可达万级别。按照这个势头，预计全公司实例总数可能会在短时间内翻倍。
实例数变大会引起连接数变大，请求量变高，网络报文变大等一系列现象，对注册中心的性能产生挑战。
如果注册中心遇到性能瓶颈或是运行不稳定，从业务视角看，这会导致新增的实例无法及时接入流量，以至被调方紧急扩容见效慢；或者导致下线的实例不能被及时拉出，以至调用方业务访问到已下线的实例产生报错。
如今，业务回暖已经持续接近2年，携程注册中心稳定运行，强劲地支撑业务复苏与扩张，特别是支撑了业务日常或紧急情况下短时间内大量扩缩容的场景。今天就来简单介绍一下携程注册中心的整体架构和设计取舍。
二、整体架构
携程注册中心采用两层结构，分为和数据层(Data)和会话层(Session)。Data负责存放被调方的元信息与实例状态、计算RPC调用相关的路由策略。Session与SDK直接通讯，负责扛连接数，聚合转发SDK发起的心跳/查询请求。
注册 – 定时心跳
微服务架构下，服务端的一个实例（ 被调方）想要被客户端（调用方）感知，它需要将自己注册到注册中心里。服务端实例会发起5秒1次的心跳请求，由Session转发到对应分片的Data。如果数据层能够持续不断的收到一个实例的心跳请求，那么数据层就会判断这个实例是健康的。
与此同时，数据层会对这一份数据设置TTL，一旦超过TTL没有收到后续的心跳请求，那么这份数据也就会被判定为过期。也就是说，注册中心认为对应的这个实例不应再被调方继续访问了。
发现 - 事件推送/保底轮询
当收到新实例的第一个心跳时，数据层会产生一个NEW事件，相对应地，当实例信息过期时，数据层会产生一个DELETE事件。NEW/DELETE事件会通过SDK发起的订阅连接通知到调用方。
由于网络等一些不可控的因素，事件推送是有可能丢失，因而SDK也会定时地发起全量查询请求，以弥补可能丢失的事件。
多分片方案
如图所示，Data被分成了多分片，不同分片的数据互不重复，从而解决了单台Data的垂直瓶颈问题（比如内存大小、心跳QPS等）。
Session会对服务ID进行哈希，根据哈希结果将心跳请求、订阅请求、查询请求分发到对应的Data分片中。调用方SDK对多个被调方进行信息查询时，可能会涉及到多个Data分片，那么Session会发起多个请求，并最终负责将所有必要信息聚合起来一并返回给客户端。
单点故障
与很多其他系统类似，注册中心也会遇到故障/维护等场景从而遭遇单点故障。我们把具体情况分为Data单点故障和Session单点故障，在两种情况下，我们都需要保证系统整体的可用性。
单点故障 – Data
如图所示，SDK发起的心跳请求会被复制到多台Data上，以保证同一分片中每一台Data的数据完整性。也就是说，同一个分片的每台Data都会拥有该分片对应的所有服务的数据。当任一Data出现故障，或是参与到日常运维被踢出集群的情况下，其他任一Data能够很好的接替它的工作。
这样的多写机制相比于之前版本注册中心采用的Data间复制机制更加简单。在Data层发生故障时，当前方案对于集群的物理影响会更小，可以做到无需物理切换，因而也更加可靠。
在当前多写机制下，Data层的数据是最终一致的。心跳请求被分成多个副本后是陆续到达各个Data实例的，在实例发生上线或者下线时，每台data变更产生的时间点通常会略有不同。
为了尽可能避免上述情况对调用方产生影响，每台Session会在每个Data分片中选择一台Data进行粘滞。同时，SDK对Session也会尽可能地粘滞。
单点故障 – Session
参考上文提到Data分片方案，任一Session都可以获取到所有Data分片的数据，所有Session节点都具备相同的能力。
因此，任一Session故障时，SDK只需要切换到其他Session即可。
集群自发现
携程注册中心是基于Redis做集群自发现的。如下图所示，Redis维护了所有注册中心实例的信息。当一个注册中心实例被创建时，新实例首先会向Redis索要所有其他实例的信息，同时开始持续对Redis发起心跳请求，于是Redis维护的实例信息中也会新增新实例。新实例还会根据从Redis拿到的数据向其他注册中心实例发起内部的心跳请求。一旦其他实例从Redis获得了新实例的信息，再加上收到的心跳，就会认可新实例加入集群。
如下图所示，当时注册中心实例需要维护或故障时，实例停止运行后不再发起内部心跳。其他实例在该节点的内部心跳过期后，标记该节点为unhealthy，并在任何功能中都不会再使用该节点。这里有一个细节，节点下线不会参考Redis侧的数据，Redis故障无法响应查询请求时，所有注册中心实例都以两两心跳为准。
我们可以了解到，注册中心实例的上线是强依赖Redis的，但是运行时并不依赖Redis。在Redis故障和运维时，注册中心的基本功能不受影响，只是无法进行扩容。
三、设计取舍
新增代理还是Smart SDK？
注册中心设计之初只有Data一层，由于要引入分片机制，才有了Session。那么是不是也可以把分片的逻辑做到SDK，而不引入Session这一层呢？
这也是一种方式，业界也一直有着代理和Smart SDK之争。我们基于注册中心所对应的业务场景，认为新增一层代理是更加合适的。
最重要的一点，注册中心的相关功能运行不在BU业务逻辑主链路上，其响应时间并非直接影响业务的响应时间。因此我们对注册中心的请求响应时间并没有极致的要求，代理层引入的几百微秒的延迟可以被接受。
其次注册中心的请求是一定程度容忍失败的，SDK请求数据失败后可以继续使用内存中的老数据，不会对业务线产生致命影响。因此代理层引入的失败率也可以被接受。
另一侧，代理的加入带来了诸多好处。最直接地，落地分片逻辑不需要所有的SDK升级，分片逻辑迭代时，对业务也是无感。
其次，代理层也隔离了连接数这一瓶颈，当SDK层的实例不断变多，连接数不断增加时，只需要扩容代理层就能解决连接数的问题。这也是我们将它取名为Session的原因。
同时，我们也希望作为物理层的SDK逻辑更加轻量，比较重的逻辑放在逻辑层，这样稳定性更强更不容易出错。比如后续会提到的“Data按业务隔离分组”就是在Session层实现的。
普通哈希还是一致性哈希？
携程注册中心的数据分片是采用普通哈希的，并没有采用一致性哈希。
我们知道，一致性哈希相比普通哈希的最大卖点是当节点数量变化时，不需要迁移所有数据。
结合注册中心的场景，我们用服务ID做哈希，而服务数量（也包括实例数量）是相对稳定的，因此哈希节点的扩容周期会比较长，基本用不到一致性哈希的优势特性。哪怕一段时间内业务迅速扩张，只要提前做好预估，留好余量一次性扩容就好了。
我们选择普通的固定的哈希，并让每一个分片都具备多个备份节点，这样就基本可以认为每个分片都不会彻底挂掉，不用去实现数据迁移的逻辑，整个机制更简单了。
要知道，数据迁移需要对注册请求、查询请求和订阅请求进行同步切换，要处理好各种状态，避免在数据迁移过程中错查到空数据或者丢失变更事件，非常复杂危险。
自发现是否强依赖Redis？
前面也提到，注册中心自发现的运行时是不依赖Redis的。有的同学可能会想到，如果运行时强依赖Redis，就可以去掉两两注册了。
两两注册确实是一个不好的设计，随着集群的节点数越来越大，其产生的性能开销肯定也会更大，影响整个注册中心集群的拓展能力。
但在目前规模下，内部心跳占用的系统资源并不可观。哪怕规模再拓展，通过降低心跳的频率，进一步降低资源开销。
最大的好处是，Redis集群故障或者维护时，并不会对注册中心的功能产生影响。
基于Redis还是用Java写？
目前注册中心的Data是用Java实现的。有的同学可能会想，Data层主要就是维护微服务实例的存活状态，能不能直接用Redis实现呢？如果用Redis，不就可以直接复用Redis体系的扩容/切换能力了吗？
比如基于Redis 6.0的Client Cache功能，通过Invalidate机制通知SDK重新更新服务信息。
不过在携程注册中心设计之初，Redis版本还比较老，没有这些新feature，感觉基于pub/sub机制做注册中心还挺麻烦的。现在注册中心已经稳定运行了好久，加了很多功能，比如路由策略一部分的计算过程就是在Data层完成的，暂时没有必要推倒重建。
总的来说，用Java写更可控，后续自定义程度更高。
四、需要注意的场景
突发流量
在遇到节假日，或是公司促销活动，亦或是友商故障的情况下，公司集群会因为业务量急剧上升而迅速自动扩容，因而注册中心会受到强劲的流量冲击。
期间因为系统资源被榨干，注册/发现请求可能会偶发失败，事件推送延迟和丢失率会上升。严重时，部分调用方业务会无法及时感知到被调方的变动，从而导致请求失败，或流量无法被分摊到新扩容的被调方实例。
我们发现，这些场景产生的流量有着很高的重复度，比如某个被调方实例扩容，调用方的众多实例需要知道的信息是完全一样的，又比如调用方实例扩容，这些新扩的实例部署着相同的代码，它们依赖的被调方信息也是完全一样的。
因此我们针对性的做了不少聚合与去重，大大降低了突发流量情况下的资源开销。
流量不均衡
关于Data粘滞，这里有一个细节。那么多Data机器，Session选谁呢？目前Session是用类似随机的方式选择Data的。那就会有一个场景，我们对Data层进行版本更替，逐个实例重新发布，当一个实例被重置时，Session就会因为丢失粘滞对象而重新随机选择。
我们会发现，最后一个Data实例完成发布时，它不会被任何Session选中。而第一个发布的Data实例，它倾向于被更多的Session选中。
通常来说，越早发布的Data实例，就会被越多的Session选中。也正因为如此，更早发布的Data会承担更多的流量，而最后发布的Data一般不承担流量。这显然是不合理的。
解决这个问题的方法也很简单，我们引入拥有全局视角的第三者，整体调控Session的粘滞，保证Data尽可能地被相同数量的Session选中。
全局风险
前面也提到，Data层被分成了多分片，Session会对服务ID进行哈希，将心跳请求、订阅请求、查询请求分发到对应的Data层分片中。
当程序出现预期外的问题（程序bug，OOM等等）导致某个Data无法正常的履行功能职责时，那些被分配到这个Data实的服务就会受到影响。
如果调配方式是对服务ID做哈希，那么所有业务线的任意服务都可能参与其中，从业务视角去看，就是整个公司都受到了影响。
对服务ID做哈希是有它的优势的，它无需引入过多的外部依赖，只需要一小段代码就能工作。但我们还是认为避免全局故障更加重要。
因此我们最近对Data引入了业务语义，将Data分为多个组，以各个业务线命名。且我们可以按服务粒度对数据进行分配。默认情况下，我们会将服务分配到自己BU的分组上。
这样，我们就具备了以下能力：
1）不同业务线的数据可以被很好的隔离，任一业务线的Data数据出现问题，不会影响到其他业务线。
2）注册中心将获得故障切换的能力，当个别服务的数据出现问题时，我们可以将它单独切走。
3）我们可以将一些不重要的应用单独隔离到一个灰度分组，新代码可以先发布到灰度分组上，尽可能避免新代码引入的问题直接影响核心业务分组。
4）注册中心将获得应用粒度的部署能力。在集群分配上，具备更强的灵活度，针对业务规模的大小合理分配系统资源。
从图中可以看到，我们在引入分组逻辑的同时也兼容老的分片逻辑，这样做是为了在分组逻辑上线过程初期，服务信息在Data层的分布可以尽可能保持不变，可以让少数的服务先灰度切换到新增的分组上进行验证。
当然，从去复杂度的角度考虑，最终分片逻辑还是要下线，垂直扩容的能力也可以由分组实现。
五、后续规划
因为注册中心引入了分组机制，并对各个业务线数据进行了隔离，注册中心的集群规模也在因此膨胀，分组数量较多，运维成本也随之上升。
后续我们计划进一步优化优化单机性能，精简优化一些不必要的机制，降低机器数量。
同时，我们也希望注册中心能够支持弹性，能够在业务高峰时自动扩容，在业务低峰时自动缩容。
