揭秘2019双11背后的云网络 – 双11网络架构和洛神系统

图1 天猫双11成交额

2019年天猫双11成交额，2684亿！核心系统100%上云！全球最大流量洪峰，阿里云扛住了。

 狂欢背后的技术栈
网上轻松购物体验实际上是背后复杂的技术组成的，这是一个简化的通用电商系统架构，由很多产品和业务组件组成。

图2 简化电商系统架构

这些业务组件核心系统今年100%上云，底层承载的技术就是阿里云的计算，存储，网络，数据库等等一系列产品和解决方案。
因为处理量非常巨大，这些业务产品、组件和模块之间会采用分布式部署方式，产品与产品、组件与组件、模块和模块之间会存在海量的通信要求，承载这个通信要求的技术平台就是阿里云网络的飞天洛神平台。

 什么是飞天洛神
阿里云的技术平台叫飞天操作体系，其目标是将一个数据中心，乃至遍布全球的多个数据中心变成一台计算机，对内管理数据中心的服务器和各种物理资源和设施，对外统一的提供公共服务和对应的编程接口。

图3 阿里云飞天操作系统

飞天操作系统的内核提供最基础的系统服务，是对基础资源的虚拟化，核心是计算、存储和网络资源的虚拟化，其中虚拟网络服务（如虚拟专有网络VPC，SDN控制器，负载均衡网元等）是由洛神平台提供，总结一句话，洛神是阿里云飞天操系统内核的核心组件，提供了云计算网络的全部功能。

 飞天洛神特点
洛神伴随着阿里云飞天系统诞生，到目前已经有10年的历史，支撑了阿里云20个region，数百万级别虚拟机之间的如丝般顺滑的访问体验，这些与洛神10年来的技术沉淀息息相关。
 全自研
目前阿里云网络有业界最丰富的产品，从使用场景角度分为云上网络、跨地域网络、混合云网络和智能网络。

图4 阿里云业界最丰富的云网络产品

这些丰富产品基于洛神平台开发，核心业务代码全自研，到目前为止，已经达到数百万行，不管是底层的软件系统，还是硬件设备形态，其技术方案、业务逻辑完全自主设计和开发，所以阿里云的虚拟交换机也称为AVS（Ali Virtual Switch），从转发表项设计，至报文处理，都不同于业界开源的OVS（Open Virtual Switch）。

 软件定义网络
从洛神诞生的第一天起，阿里云的网络架构遵循软件定义网络的理念，管控和转发分离，网元只负责数据转发，管理配置以及表项由SDN网络控制器生成和下发。

图5 阿里云软件定位网络架构

转发网元不管是软件方式，还是硬件方式，都支持可编程，所有业务逻辑都是通过软件代码实现，兼容SDN控制器之间自定义通道通信协议，软硬件一体化，兼容可扩展性。

 海量规模
阿里云目前有数百万的公有云租户，还有阿里集团这种超大规模的用户，通过海量的虚拟机协同完成丰富的业务。量变引起质变，洛神平台要支持这些海量租户，海量虚拟机之间的网络通信，网元的管理，表项下发性能，数据转发性能不是小规模网络可以相比拟的。目前实际运行环境，洛神已经支持单租户超过10W+虚拟机实例、单租户100G+公网带宽、单租户20T+混合云带宽。

 飞天洛神如何支撑双11
“不是任何一朵云都能撑得住双11”，阿里集团核心系统首次100%运行在公共云上，54.4万笔/秒的订单峰值，970PB的单日数据处理量是承载在虚拟化的分布式系统上的，分布式节点之间的通信，依赖的就是底层的云网络基础设施，就是洛神平台提供的能力。
双11对云网络，对云网络的技术平台洛神有哪些具体的挑战，洛神如何支撑的呢，让我们一一揭秘。

 超大规模
阿里集团核心业务全面上云，随之而来的最大的挑战超大规模。2018年双11云上单个VPC的规模已经接近10w，今年还需要成倍增加，达到单VPC 30w的规模，业界有如此规模的用户屈指可数，基本集中在个别超大规模互联网公司，但不管是否自身就是公有云提供商，都没有将自己的核心业务部署在公有云上，所以单个VPC支撑如此规模的虚拟化实例，没有先例。同时在转发带宽的要求上，去年整个云上公网和跨域出口流量5Tbps左右，今年这个流量增长到了数十Tbps。
网络设备逻辑上包括管控和数据转发两个组成部分，首先在管控层面，集中式的SDN控制器使用传统方式，转发表项的下发性能会很低，结果会导致虚拟实例的上线速度很慢，影响业务开通效率，包括业务切换效率。洛神的管控系统采用集群和分层架构，集中能力提升的同时，将大量虚拟实例上线的处理下层，大大提升管控配置和表项的处理性能。

图6 洛神分层管控架构

数据转发层面，洛神提供了软硬件一体化的技术架构，虚拟交换机在传统DPDK架构基础上进行了升级，支持可编程硬件实现的快速转发。

图7 基于可编程硬件的洛神虚拟交换机

基于可编程硬件的虚拟交换机相对于传统软件虚拟交换机，转发性能提升达到10倍左右，时延降低1倍以上。

公网和跨域带宽的快速增加，也对DPDK虚拟网关的性能提出了极大挑战，一方面是设备规模的增加，导致管理复杂度，供应成本的增加，另外CPU单核能力的约束，无法支撑某些突发和大带宽单流的场景，影响其它正常流量的通信。

图8 阿里云洛神软硬件一体网关

在虚拟网关上，通过技术架构的升级，支持软硬件一体化的硬件网关，业务逻辑通过可编程的P4语言实现，对外接口兼容软件虚拟化网关，实现统一的扩展性。可编程硬件网关相对于传统X86软件架构，转发性能提升数十倍，同时有效避免了大带宽单流对单个CPU core的冲击，整个双11期间的流量洪峰在整个洛神软硬件一体化架构下，呈现出来的是“涓涓细流”。

 稳、稳、稳
阿里集团核心业务100%运行在公有云上，稳定性是第一要素，容不得半点差错，不仅仅单个节点的稳定性要做到极致，整个网络架构，解决方案层面也要保证绝对的稳定，做到多重防护，万无一失。
洛神平台，架构层面保证网络通信的稳定性，业务按AZ（Available Zone）部署，公网和跨域访问的网关在可用区内集群部署，避免单点故障的影响，同时在可用区之间互为备份，避免可用区的故障。

图9 洛神网关类设备可靠性部署架构

 复杂流量模型
整个阿里巴巴经济体的业务系统非常复杂，不仅仅包括电商购物系统，还包括蚂蚁支付系统，还有大数据分析系统，菜鸟物流体系等等，不同的系统对网络通信需求的要求也不相同，业务流量的优先级也不一样，有些对延时敏感，有些对带宽要求高，有些对丢包敏感，这些纷繁复杂的业务如何在统一的底层云网络中承载，对云网络的技术平台洛神提出了区别普通公有云租户的不同挑战。
以阿里集团在线业务和离线业务为例，离线业务主要就、是大数据，熟悉的人可能都比较清楚，大数据的出名的流量大户，经常会有一些突发的流量将物理网络的带宽占满，导致丢包，而在线业务一般流量不大，但对时延和丢包敏感。这就要求云网络支持流量等级区分，拥塞是优先丢弃低优先级的流量，保证离线和在线业务的和谐共处。

图10 业务对网络的差异需求

云网络洛神平台支持不同业务的QoS，对于大带宽、丢包非敏感业务，设置通信报文低优先级，突发流量不会导致高优先级报文被丢弃，复杂的流量模型也能“和平共处”。

 高效运维
物理规律决定了没有100%可靠的网络，一方面阿里云网络追求最高的可靠性，一方面遵循没有永远不失效的单点逻辑这个规律，故障一定会发生，无法避免，但需要有故障发生时快速恢复，快速定位的能力，在双11之前的各种压测和故障演练之中，洛神平台不断的锤炼网络运维能力，做到故障快速监控，快速恢复，快速定位。
阿里云网络洛神平台的运维，运营平台，内部叫齐天系统，这是一个分布式，大数据智能化运维系统，通过大数据，AI分析能力，集合阿里云海量数据，实现故障的快速定位和逃逸。

图11 阿里云齐天智能网络系统架构

通过底层网络网络和虚拟网络数据流，日志，设备状态等等数据信息，通过以blink为底座的大数据分析平台，在业务方感知故障之前，快速判断网络的监控状态，以及快速识别故障的根因，实现故障的自动逃逸。同时每种典型故障，都录入到日常故障演练中，做到网络运维的真正高效，随时可用。智能的网络，也是阿里云洛神平台保障双11业务的一个利器，为双11的平稳保驾护航。

洛神还在不提的进步，从最初的洛神1.0 DPDK网元演进洛神2.0软硬件一体化网元，网络能力有了质的提升，支撑了阿里集团核心业务的100%上云，未来在弹性、开放能力上会更进一步，提供给用户更加美好的体验。

作者：游客wjhwhm42ibwma

本文为云栖社区原创内容，未经允许不得转载。