腾讯课堂后台扩容和性能优化实战

淡淡的烟草味﹌ 2023-03-12 12:11 8阅读 0赞

### 项目背景 ###

大年初一，吃着火锅唱着歌，突然收到重庆十一中的求助信：受疫情影响，年后学校无法开学，高三老师学生都很担心影响到高考，问腾讯课堂能否提供线上平台给高三复课，拉开了整个停课不停学专项的序幕。

### 极速版的诞生 ###

由于课堂是面向线上培训机构的，这次想把十一中这样的传统线下校园，搬到腾讯课堂内上课才发现困难重重：

1.  入驻：学校各类资质和机构完全不一样，审核周期长
2.  发课：机构发课有很多规范约束，而学校用课程表排课，一个个发课成本高
3.  直播：学校老师转线上上课，普遍说直播工具有上手成本

耗了很多人力才把十一中的入驻发课和老师培训搞完，同时其他学校也陆续找过来了，才发现根本没人力能对接这么多学校。就在这时，小马哥发话了：“把入驻发课全砍掉，快速做个腾讯课堂极速版，老师下载完就能自助上课了”

初 3 收到军令状，公司 2 个通宵生死急速开发完，初 6 凌晨团队体验，解决完体验问题后白天急速上线外发。随着各省市教育厅陆续宣布使用急速版复课，课堂 pcu/dau 开始起飞，短短 2-3 周，各项指标百倍增长，AppStore 免费类排行榜进 Top10，教育类稳居 Top1。

### 架构挑战 ###

下面是课堂后台架构图，按之前的架构设计和模块部署，突然要在 2 周内支持量 100 倍增涨，同时还要开发校园版需求，时间赶且任务重。这里分五个阶段把架构挑战和解决策略介绍下。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x1b3Fpbmdsb25nODUwMTAy_size_16_color_FFFFFF_t_70][]

## 阶段 1：先抗住后优化 ##

面对 2 周 100 倍量级增长，重构肯定来不及了，且过大改动仓促上线反而会增加不稳定因素。所以初期思路就是“先抗住后优化”：梳理极速版用户路径，评估路径上各模块容量，快速扩容后，每天凌晨例行全链路压测，持续验证迭代。

### 模块梳理和接口裁剪 ###

和产品讨论完用户路径和访问量级后，各页面 qps 也基本有个数了，就开始梳理每个页面调用接口列表，明确每个接口要支撑的 qps：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x1b3Fpbmdsb25nODUwMTAy_size_16_color_FFFFFF_t_70 1][]

由于课堂微服务很多，为了争取时间，需聚焦核心路径减少梳理复杂度，对于非核心体验和风险较大的这 2 类接口，抛出来和产品讨论做页面接口裁剪。

### 系统容量评估 ###

模块和接口梳理清楚后，就开始分负责人对系统做容量评估。

要特别关注木桶效应，很多新同学只评估了逻辑 Svr 这一层，其实从用户端->接入层->逻辑层->存储层全链路都得涉及，不能让任一环节成短板。

### 扩容扩容扩容！！ ###

各模块扩容数算清楚后，剩下的就是申请机器部署了。扩容本该是个很简单的活，但因为历史债务等问题，部分模块费了很多周折，比如：

1.  容器化和上 k8s 不彻底
2.  部分 c++模块依赖 ShmAgent，扩容流程极其繁琐
3.  扩容 svr 导致 DB 链接数爆炸 ...

针对扩容暴露的问题，从接入->逻辑->存储，沉淀了很多设计经验，后面得彻底改造掉，特别是 k8s 这块应尽快全面铺开。这里终极目标是：针对量级暴涨的情况，不用花人力做评估和扩容，整个系统就有自动伸缩的能力。

### 全链路压测 ###

在初步扩容完后，为了防止梳理不全、评估不准等情况，例行全链路压测验证非常重要，可以挖掘性能瓶颈和系统隐患。

在测试同学给力支持下，每天例行执行下面流程，持续扩容优化迭代：

1.  校准压测模型：非常重要，压测用例设计会直接关系到压测效果
2.  确定压测目标：把每个模块/接口的压测 qps 确定下来
3.  执行压测任务：凌晨 12 点启动整站压测流水线，执行星海用例，输出压测结论
4.  回归压测结果：压测不达标接口记录 doc，尽快暴露隐患，责任人分析原因给解决方案

压测 QCI 流水线：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x1b3Fpbmdsb25nODUwMTAy_size_16_color_FFFFFF_t_70 2][]

每日不达标记录：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x1b3Fpbmdsb25nODUwMTAy_size_16_color_FFFFFF_t_70 3][]

全链路压测方案：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x1b3Fpbmdsb25nODUwMTAy_size_16_color_FFFFFF_t_70 4][]

## 阶段 2：瓶颈最先出在 DB 数据层 ##

根据先抗住后优化的思路，可扩容的都容易解决，架构瓶颈会最先出现在伸缩性差、不容易扩容的环节上，经常会是数据层，课堂这次也中招了。

### 核心 DB，一挂全挂 ###

由于之前量较小，课堂大部分模块使用同个 DB 实例（ip+port），上量前这个核心 DB 的 cpu 在 20%、qps 在 1k 左右，评估下来风险很大：

1.  扩展性差：主机没法扩展，从机不建议超 5 组，且有主备延迟风险
2.  耦合度高：任一 svr 链接数或 sql 没控制好，就算是边缘 Svr 都可能搞垮 DB 一挂全挂
3.  梳理复杂：涉及 svr 数 100+，时间太赶来不及逐个梳理

也是历史设计的坑，后面数据层设计要多考虑吞吐量和可扩展性。但回不去了，硬骨头得啃下来，立了专项找 DBA 同学一起分析优化，主要有下面几块：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x1b3Fpbmdsb25nODUwMTAy_size_16_color_FFFFFF_t_70 5][]

### 业务横向拆分 ###

根据压测发现非常明显的 28 原则，比如 top1 的写 sql 占总量 82%，是搜索推荐模块定时刷权重用的，这类模块相对独立，和其他模块表关联 join 等操作少，方便业务拆分。对于这类模块，像搜索推荐、数据分析、评论系统等，快速切独立 DB 解耦，规避互相影响。

方便业务拆分的切走后，剩下能快速上的就是读写分离扩 ro 组了。快速扩了 4 个 ro 组，把较独立模块 sql 切过去，规避互相影响，也分摊了主机压力。因为复制模式是半同步的，也需关注主备同步延时，做好监控，特别是一些对延迟敏感的模块。

### 慢查询优化 ###

横向能拆的都快速搞了，主 DB 风险还是很高，除了升级 DB 机器配置，剩下就只能逐个做慢 sql 优化了。采用 mysqldumpslow 对慢查询日志做归并排序，就可很清楚平均耗时/扫描行数/返回记录数 top 的慢 sql，基本优化也是围绕着索引来，比如：

1.  查询没有走索引
2.  访问的数据量太大走全表
3.  OR 的情况无法使用索引
4.  在索引上面直接进行函数计算
5.  没有使用联合索引
6.  唯一索引没有命中数据

优化效果：主 db 峰值 cpu 负载从 20%下降到 5%左右。

### 链接数优化 ###

链接数上也出过一些很惊险的 case：鉴权 svr 凌晨扩 100 台机器，没考虑到对 DB 链接数影响，svr 起来后 DB 链接数瞬间增长 2k+差点爆掉。

除了对 top 的 svr 减少链接数外，引入 DB 代理也是个较快的解决方案，由于之前上云对 ProxySql 和 NginxTcpProxy 都有实践过，所以这次刚好也使用上。

具体可参考之前的文章 《谈下 mysql 中间件（问题域、业内组件）》：

[https://cloud.tencent.com/developer/article/1349133][https_cloud.tencent.com_developer_article_1349133]

优化效果：主 db 峰值链接数从 4.6k 下降到 3.8k。

## 阶段 3：核心模块逐个专项击破 ##

### 接入：血的教训 ###

课堂支持学生在 pc/web/app/ipad/h5/小程序等多端进行学习，接入模块属于基础组件改动不大，但这次 web 接入模块却出了 2 个问题，确实不应该：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x1b3Fpbmdsb25nODUwMTAy_size_16_color_FFFFFF_t_70 6][]

针对这 2 个问题也做了专项总结：

1.  校准压测用例，更模拟现网流量
2.  nginx 动静分离，上报等接口也独立出去
3.  nginx 规则精简，接入层尽量打薄，逻辑后移
4.  统一机器 net.core.somaxconn 等参数配置，重点监控告警
5.  压测完要清理战场，关注 fd 等指标是否恢复
6.  升级 tomcat 规避挂死 bug
7.  升级 tomcat 遵循 RFC3986 规范，规避特殊字符影响

### 直播：站在云的肩膀上 ###

课堂最核心的模块就是音视频，直播的进房成功率/首帧延迟/卡顿率/音画同步时延/分辨率等指标直接影响用户核心体验。由于直播模块之前已全部切云，这次站在云的肩膀上，业务不仅直接使用了云的多种直播模式，云音视频团队在整个疫情期间也提供非常给力的质量保障。

下面是具体的直播架构，业务通过流控 Svr 来控制各端走哪种直播模式：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x1b3Fpbmdsb25nODUwMTAy_size_16_color_FFFFFF_t_70 7][]

### 消息：走推走拉？ ###

随着极速版普及，各学校对单房间同时在线人数要求也越来越高，从 3w->6w->30w->150w。

对于大房间消息系统而言，核心要解决消息广播风暴的问题（30w 人房间，有 100 人在同 1 秒发言，会产生 30w\*100=3kw/s 消息），随着扩散因子的变大，之前纯推的方案已不能满足需求，参考了业内直播间的一些 IM 方案：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x1b3Fpbmdsb25nODUwMTAy_size_16_color_FFFFFF_t_70 8][]

结合对比方案，也针对课堂产品特性，在原来纯推架构上新迭代一版推拉结合的架构。

对于 IM 系统的设计，推荐一下这个文章：《新手入门一篇就够：从零开发移动端 IM》

[http://www.52im.net/thread-464-1-1.html][http_www.52im.net_thread-464-1-1.html]

## 阶段 4：做好核心路径的防过载和柔性降级 ##

在非常有限的时间里，逻辑层根本来不及重构，容量评估也不一定精准，过载保护和柔性降级就显得尤其重要。

因为没时间全盘优化，在量突然暴涨的情况下，某个模块过载或者爆 bug 的概率会变大，所以在用户登录->查课表->上课的核心路径上，必须增加足够容错能力来提高可用性。

### 雪崩来得猝不及防 ###

疫情初期课堂就遇到一个雪崩的 case：直播间拉取成员列表接口有失败毛刺，因为 web 没做异常保护，失败直接把循环拉取间隔时间置 0，导致接口调用量越滚越大，B 侧拉取涨了 10 倍后雪崩超时。由于没预埋开关等控制策略，得回滚 web 版本才解决。

这个 case 暴露了过载保护的缺失，一方面 web 没对异常返回做合理处理保护后端，一方面 svr 没有识别雪崩请求做限频，除此之外，也缺少一些配置开关可快速控制 web 循环间隔时间，导致雪崩来得猝不及防。

### 过载保护策略 ###

针对这类 badcase，对核心路径的服务做了很多过载保护和柔性降级策略，这里把一些典型方案记录下：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x1b3Fpbmdsb25nODUwMTAy_size_16_color_FFFFFF_t_70 9][]

### 限流和熔断 ###

高并发场景为了规避过载的级联传递，防止全链路崩溃，制定合理的限流和熔断策略是 2 个常见的解决方案。

以这次疫情互动直播限流场景为例，互动直播默认只部署最多支撑 600w 同时在线的接口机资源，如果哪天突发超过了 600w 学生：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x1b3Fpbmdsb25nODUwMTAy_size_16_color_FFFFFF_t_70 10][]

限流算法选择上，最常见就是漏桶和令牌桶。不是说令牌桶就是最好的，只有最合适的，有时简单的计数器反而更简单。golang 拓展库 golang.org/x/time/rate 就提供了令牌桶限流器，3 个核心 api：

1、func (*Limiter) Allow: 没有取到token返回false，消耗1个token返回true
    2、func (*Limiter) Wait: 阻塞等待，直到取到1个token
    3、func (*Limiter) Reserve: 返回token信息，返回需要等待多久才有新的token

除了算法外，怎么把限流集成到框架、分布式限流实现、限流后请求优先级选择等问题，可以做得更深入，但很遗憾这次没时间搞，后面继续实践。

熔断是另一个重要防过载策略，其中熔断器 Hystrix 最为著名，github.com/afex/hystrix-go 就提供了其 golang 版本实现，使用也简单。其实 L5 就包含了熔断能力，包括熔断请求数阈值、错误率阈值和自动恢复探测策略。

### Apollo 配置中心 ###

好的组件都是用脚投票，这次疫情期间，很多策略开关和阈值控制都是用 Apollo 配置中心来做，实现配置热更新，在高可用上实践也不错。很多时候多预埋这些配置就是用来保命的，当监控发现趋势不对时，可快速调整规避事故发生，简单列些例子：

1.  后端限流阈值大小，后端要过载时可调小
2.  Cache 缓存时间，数据层负载高时可调大
3.  非核心路径后端调用开关，必须时关闭调用补上降级默认值
4.  前端定时调用的间隔时间，后端要过载时可调大 ......

当然，如果可做到系统自动触发调整配置就更进一步了，当时有想过但时间太赶没实践，有兴趣同学可思考实践下。

Apollo 是携程开源的分布式配置中心，能够集中化管理应用不同环境配置，实现配置热更新，具备规范的权限、流程治理等特性，适用于微服务配置管理场景。补个架构图推荐下：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x1b3Fpbmdsb25nODUwMTAy_size_16_color_FFFFFF_t_70 11][]

## 阶段 5：服务性能优化实战 ##

在抗住前 2 周最猛的流量增长后，下来很长一段时间都是在优化服务的性能和稳定性、处理用户反馈和打磨产品体验上。这里沉淀 3 个服务性能优化上印象较深刻的点。

### 分析利器 pprof+torch ###

在性能分析上，对比 c++，golang 提供了更多好用的工具，基本每次性能分析都是先用 pprof+torch 跑一把。通过框架中嵌入 net/http/pprof 并监听 http 遥测端口，管理后台就可随时得到 svr 协程/cpu/内存等相关指标，比如优化前的成员列表 svr 火焰图 case。

结合代码，便可快速有些优化思路，比如：

1.  分离 B/C 调用部署
2.  优化 pb 序列化，如做些 cache
3.  简化定时器使用场景
4.  调整大对象使用优化 gc 消耗

最终根据这些优化思路改版，让超 200ms 的比例从 0.2%降到 0.002%以下：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x1b3Fpbmdsb25nODUwMTAy_size_16_color_FFFFFF_t_70 12][]

### 缓存设计和踩坑 ###

回过头看，大部分服务性能瓶颈还是在数据层或 Rpc 调用上，很多时候数据一致性要求没那么高，加缓存是最简单的首选方案。

关于缓存的设计，无论是本地缓存、分布式缓存、多级缓存，还是 Cache Aside、Read/Write Through、Write Behind Caching 等缓存模式，就看哪种更适合业务场景，这里也不累赘，核心说下这次实践中踩的 2 个坑：

1、缓存击穿

*  案例：高频访问的缓存热 key 突然失效，导致对这个 key 的读瞬间压到 DB 上飙高负载
 *  方案：使用异步更新或者访问 DB 加互斥锁

2、缓存穿透

*  案例：访问 DB 中被删除的 key，这些 key 在缓存中也没有，导致每次读直接透到 DB
 *  方案：把这些 key 也缓存起来，但要关注恶意扫描的影响

### 为啥 qps 压不上去？ ###

疫情期间，有一个现象很奇怪但又经常出现：压测时 cpu 很低，pprof+torch 看不出什么异常，数据层返回也很快，但吞吐量就是上不去。一开始思路较少，后面也慢慢知道套路了，这里列几个真实的 case 供参考：

1.  锁竞争：如死锁、锁粒度太大等，关注锁时间上报
2.  打日志：日志量过大等导致磁盘 IO 彪高，在高并发场景尤其要注意精简日志量
3.  进程重启：如 panic 或 oom 导致进程被 kill，重启过程请求超时，要补齐进程重启监控
4.  队列丢包：如请求缓存队列设置过小等，要关注队列溢出监控 ......

比如最后这点，就遇过这样的 case：一次凌晨压测，其他机器都正常，就 2 个新机器死活一直超时，业务指标也看不出区别，折腾了好一阵，才发现 monitor 上 监听队列溢出(ListenOverflows) 这个值有毛刺异常。

继续深挖下去，证明请求在 tcp 队列就溢出了，tcp 的 accept 队列长度=min(backlog,SOMAXCONN)，查看新机器内核配置 net.core.somaxconn=128，确实比其他机器小，神坑。

所以后续也增加了服务器 tcp 的半连接和全连接队列相关监控：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x1b3Fpbmdsb25nODUwMTAy_size_16_color_FFFFFF_t_70 13][]