新浪微博上云实践：极端流量下的峰值应对与架构挑战
更多深度文章，请关注云计算频道：https://yq.aliyun.com/cloud
做为目前最火的国内社交APP，微博常常在特定时间或特定事件发生时迎来流量高峰。通过对近五年时间应对的峰值进行总结，可以抽象为三种常见的峰值：
第一种是日常的晚高峰；
第二种是各种运营活动以及明星、大V的热门微博所带来的流量高峰；
第三种是非常极端的突发事件导致的核心服务数倍的流量增长。
之所以需要关注这三类场景，主要是因为：
第一，尽管微博的功能众多，但冗余是非常少的，因此早晚高峰需要弹性扩容；
第二，活动、大V的热点事件能够提前预知，可以提前准备所需资源；
第三，极端事件是最需要关注的，它对系统的自动化程度要求非常高。
这三类场景可以简单总结为两大特点：瞬间峰值高、互动时间短。
流量高峰下的挑战
在应对流量峰值时，微博面临着以下三点挑战：
产品迭代快，目前微博的现状是功能多，依赖复杂，导致发布和变更频繁；
运营上，站内外，活动、运营、大V均有Push场景，导致全量极速下发，互动时间短；
技术上存在突发的极端流量，目前热点多，“马航”、“王宝强”等事件十分考验服务的弹性伸缩。
那么在应对流量峰值时，应该主要关注哪些方面呢？
第一点是快速扩容、及时回收，这考验的是系统的弹性扩容、峰值应对的能力，这也是系统设计的最核心的目标；
第二点要注意成本优化，可伸缩的业务利用公有云，私有云内弹性部署；
第三点是运维标准化，微博流量来源主要是PC端和移动端，但两者的开发语言是不同的，因此系统需要打通多语言环境，通过Docker实现全公司统一平台；
第四点，由于业务迭代快速迭代，因此基础设施需要标准化，以供公有云和私有云使用。
传统应对手段 v.s. 云端弹性伸缩方案
传统的峰值应对手段第一步需要设备申请，项目评审；第二步需要入CMDB，上架装机；之后需要设备录入资源池，机器初始化；第三步需要运维人员进行服务部署，包括环境、监控、服务部署和流量引入；当流量峰值下降时，还需要服务自动下线以及设备置换或下架。整个链路十分冗长，大部分操作需要人工介入，而且依赖于企业内不同部门相互配合，在业务快速发展的今天，传统应对峰值的手段显然已经过时。
目前，微博采用的是DCP的弹性伸缩方案来应对流量峰值，具体架构如上图所示。架构内部主要采用私有云，早期采用物理机部署，通过化零为整建立冗余池；此外通过OpenStack+KVM的虚拟化方式进行资源整合，建立VM池。在公有云方面，通过采用阿里云等设施进行多云对接。
建立统一的设备资源管理池后，下一步需要考虑的是服务部署、资源调度等问题。目前，微博采用的是基于Docker的云化架构：
业务上，由于部分业务并非无缝迁移到该架构上，这时需要对业务进行微服务化、消息化等改造；
平台上，需要部署敏捷基础设施，打通持续集成平台以及实现多租户隔离、弹性伸缩、故障自愈等能力。
除了公有云具有弹性伸缩能力之外，私有云也可以具有弹性。公司内某个部门可能就有很多业务，如果每个业务都保留很多冗余则会导致资源的大量闲置浪费。微博采用的是将每个业务的冗余拿出来放到共用的共享池内，当业务有需求时，从共享池内申请冗余；使用完成后归还申请的服务器，通过这种方式实现私有云的弹性伸缩。
在应对流量峰值时，除了上面提到的弹性伸缩系统，还需要统一的监控平台、核心链路服务自动伸缩、预案&干预手段相互配合，以保障峰值服务正常运行。
DCP的架构设计
下面是微博的DCP整体架构图。
最底层是物理主机资源；第二层是资源调度层；第三层是编排层，主要包括一些常见的自动化操作；最上层是业务层，由多种语言混合开发；架构的右侧是主要的基础设施。
在架构设计中面临的核心挑战主要包括以下三点。
镜像分发，包括镜像优化和分发速度的优化；
隔离设计，包括平台层隔离和部署/实例隔离；
弹性伸缩，包括自动扩缩容和故障转移。
下面分别进行说明。
架构挑战1：镜像分发
镜像分发的挑战，主要有镜像优化和分发速度的优化。
1. 镜像分发——镜像优化
镜像优化主要从两点入手：一是镜像制作优化；二是仓库部署优化。在镜像制作时，采用镜像分层，逐层复用，其次制作一些微镜像，用于分发速度提高。仓库部署优化，当业务集群访问Registry时，从早期的本地存储镜像改进为分布式存储，同时在阿里云上部署大量镜像缓存Mirror。
2. 镜像分发——分发速度
由于弹性伸缩大部分是在公有云上实现的，因此对镜像请求最大的也是在阿里云上，通过在阿里云上以级联的方式部署大量的Mirror，加快镜像分发速度。
常规情况下，部署几台Mirror即可，当弹性扩缩容时，将Registry横向扩容，作为业务扩容的依赖，业务扩容根据一定的配比关系，先将Registry进行扩容以及镜像的预热。这其中优势在于：
将Registry进行分级部署，常时只部署一部分，扩容时进行大批量横向部署；
将每一个Registry的带宽优化，这是因为Mirror是部署在ECS上，而ECS单机的PPS和带宽都是有一定限制的。
整体架构的目标是实现分发速度千台规模分钟级，未来的方向是在扩容层面支持P2P的镜像拉取方式。
架构挑战2：隔离设计
隔离设计的挑战，主要有平台层隔离和部署/实例隔离。我们主要做了如下几个方面的工作。
1. 隔离设计——隔离模型
隔离又分为平台上隔离、部署上隔离和实例上隔离三种。平台上隔离是指一个集群对应一个部门，例如微博平台、红包飞等有各自对应的大集群，内部的业务在下一级进行隔离；部署上隔离是指同一业务需要在不同机房部署，例如一个Feed业务在几个内部机房都有部署；实例上隔离主要是指CPU、MEM等通用的资源上进行隔离。隔离模型的右侧是资源共享池，作为全局共享池和集群Buffer池。
2. 隔离设计——平台层设计
在隔离模型中，平台层设计如上图所示。最上层用于接入业务，根据业务模型去定制一类的扩缩容、Job操作，如Java类、PHP类、大数据类；其次对外提供了丰富的GUI页面以及REST API用于用户操作。
接入层之下是平台层设计的最核心的部分。如上文所讲，一个产品线对应一个集群，将产品线上的业务场景抽象成定制化的模板、原子型API、任务实例和环境变量，然后再进行隔离设计，形成产品线的扩缩容流程。在底层的单个节点上采用根容器存放业务中通用的部分，如系统资源的监控。
3. 隔离设计——平台用户操作规范
由于对平台进行了隔离设计，为不同的管理员规定了不同的操作范围。在系统中，管理员主要分为超级管理员、集群管理员、服务池管理员三种，三种管理员的操作权限如上图所示，这里不再一一叙述。
架构挑战3：弹性伸缩
弹性伸缩的挑战，主要有自动扩缩容和故障转移。我们做了如下几个方面的工作。
1. “无人值守”的扩缩容
在应对流量峰值时，单单依靠管理员进行人工操作是远不够的，因此“无人值守”的自动化扩缩容显得十分必要。要实现“无人值守”的扩缩容，首先内部的工具系统需要实现自动化，各系统之间通过API打通，实现全部系统间的联动。
运维自动化包含业务指标和容量指标监控，将产生的数据提供给容量决策系统，在容量决策系统的决策下，实现从运维自动化进化为无人值守的扩缩容。
“无人值守”的三个核心在于弹性伸缩、故障迁移和服务自动回收，与之对应的是模板中原子型API（平台提供了第一版可用的原子型API，业务方也可以自定义所需的原子型API）。
2.扩容模板
如上图所示，在平台扩容时管理员需要向混合云平台发起请求；平台进行资源评估，如果配额足够，可以按照配额量申请；如果配额不够时，需要申请配额，防止资源滥用。
当申请到设备之后，需要调用系统内部的基础设施、配管系统等进行初始化操作，然后在调度中心发起容器调度、部署服务，服务部署之后会注册到Consul集群中。如果服务想对外提供服务，还需要将其接入统一负载均衡系统中，进行服务发现。最后一步需要添加监控中心。
要将上述步骤自动化，需要将这些步骤抽象成原子型API任务，然后在这些任务之上进行自动化模板设计。
3.原子型API任务系统Dispatch
原子型API任务是通过原子型API任务系统Dispatch完成的，它是由新浪自主研发的，采用C++编写，它在每个机器上都有一个Agent，在中心化组件Dispatch端根据任务模板定义任务，具体的任务细节在任务脚本中设计，最终对外提供成API。
4. 容量决策
当前有两种容量决策方式：第一种是定时触发，根据自动压测的指标、数据、经验值触发进行；第二种是自动进行，通过分析业务指标，对容量预估，进行同比、环比分析自动进行扩缩容操作。
5. 调度编排
上图是定时触发和自动触发的调度编排图，所有的数据存入Consul集群，通过CronTrigger模块定时检测是否有新任务产生，当有新任务产生时，通过Scheduler组件进行详细操作，最终对接服务发现系统。系统的输入是容量决策的数据，输出是扩容之后的业务池。
业务上云的标准姿势
业务上云时，需要考量以下四点：
安全上，如何解决敏感数据的存储问题；
部署上，如何解决业务依赖问题；
数据上，如何实现数据同步；
自动化，如何实现弹性伸缩。
目前的上云标准姿势有两种：一是混合云；二是XaaS。
在混合云架构中，核心关键是专线，它是实现内部与公有云之间弹性的核心。目前微博和阿里云之间已经拉通了多条专线，日常的核心消息通过多机房的消息组件同步到阿里云缓存中，实现前端层面和缓存层面的弹性伸缩。
在混合云的模式下，微博目前采用了两种部署方案。
第一种，除DB不在阿里云部署，其他整个链路全部部署在阿里云上。
第二种部署方案无需在阿里云上启用SLB、Nginx等服务，直接把阿里云中启用的容器放在内部的四/七层服务中。目前在微博中，主要使用第二种部署方案。
