饿了么技术往事（中）

在上一篇文章《 饿了么技术往事（上） 》中，我介绍了饿了么最早期 All in One 阶段的架构，以及第二阶段业务系统拆分与团队运营的一些思考，以及我对于架构师职责的感受，接下来我会详细介绍饿了么全面服务化的架构演进历程。

一、中间件

业务线的工程师深陷到快速的迭代和业务复杂性当中，业务的快速增长、外卖行业午晚高峰业务特点带来的并发挑战，领域拆分后所需的服务体系框架支撑，责任自然落到了中间件团队。

当时中间件团队主要负责的三件事就是发布系统、SOA框架、统一的数据访问层。

1. 发布系统

外卖业务周末的单量通常比工作日要高，但是工作日事故率要高于周末，为什么？变更是万恶之源，周末很少发布。所以，发布系统接手管控，取消手动发布的模式，解决发布回滚的问题，通过发布自动化提高效率的同时，回收服务器的权限，降低安全和稳定性的隐患。当然发布系统的作用远不止于此，后续这个体系及其团队充当起了基础架构演进的核心角色。这个是后话了。

2. SOA 框架

SOA框架是支撑业务服务的骨架。和多数类似框架一样，为应对复杂的服务体系，服务注册和发现，常见的基于Design for failure的设计，熔断、限流、舱壁、多集群隔离这些功能都一样。但是，较特殊的地方在于——我们有两套SOA框架，Java 版和 Python 版。前面提到，我们有两个主要的技术栈 —— Java 和 Python，使得我们凡是需要 SDK 的地方，都需要支持两种语言，毫无疑问会对增加中间件团队负担。在当时确实是个难题，这个现在当然也有解，后面会提到。

体会和教训——是否应该统一技术栈？

关于是否应该统一技术栈，没有一个标准的答案。每个公司的技术栈和技术体系，有其形成的背景，如同架构一样，不放在上下文里面讨论合理性，往往没有结果，烟囱型也好、L型也好，只要是适合自己的技术和架构就好。

Python 技术栈当时已经支撑了很多核心系统，推翻现有系统，换技术栈的时间成本不可忽视。而当时市场竞争非常激烈，对于饿了么这样的创业公司，数据、时间和人是最宝贵的。而且，有一支能力非常强的 Python 技术团队，从里面抽调部分工程师，支撑 Python 技术栈的中间件建设，也不会带来额外的人力成本。维护两个技术栈，中间件团队的负担会增加，但是，换取的是时间和优秀的工程师，还是划算。这些 Python 工程师里面，负责业务系统的很多人后来也成长为独挡一面的角色，跟上了业务快速增长的步伐（后续会有相关的内容分享）。而负责中间件的 Python 工程师，他们的一些创造性实践，也为我们后续架构演进奠定了基础。

好的技术体系和架构，起决定性的不是技术栈，最终还是优秀的工程师。

3. 数据访问层

因为多 技术栈的存在，DAL 层选择了中心化的方案，而没有采取 SDK 。 统一的数据访问层为后续分库分表、限流保护、多数据中心上线后的数据纠偏打下了基础。 为了保证系统有足够强的吞吐能力，DAL 层采取了异步 IO 的方案来处理出入流量，中间件的最高境界是大家会忘记它的存在，DAL 层涉及到底层和数据库的交互，尤为敏感，而这个中间件几乎做到了，没有出现过重大事故，也很少有开发吐槽这一层的问题。 后来，这个一直稳健的团队在饿了么多数据中心建设当中，负责了核心的流量调度及容灾切换管控体系。 大家都习惯了叫 DAL，很多人不知道这个系统叫 Athena。

基于 DAL 的上线，DBA 和 DA 这个时期就忙着给各个团队做分库分表的事情：

• 按业务功能领域切分——拆库

• 按照访问频率、动静态属性等等规则——垂直分表

• 基于Hash Partition（需要注意的是避免热点和Rebalance带来的成本）—— 水平Sharding

总之就是选择合适的 Partition 策略，降低数据库单个实例的负载。存储后来能支撑住千万级单量，除了上游队列的削峰、缓存的缓冲、数据库读写分离以外，也得益于适当的 Data Partition 策略。

二、大前端

其他团队还在拼命追赶业务、填坑补课的时候，大前端团队满足业务需求的同时，还为开源社区贡献出了非常优秀的产品 Element。就在大家认为这支团队会继续在前端领域上一骑绝尘下去的时候，令人没有想到的是，这个团队几年后会爆发出巨大的潜力，成为整个架构体系升级中一个举足轻重的角色。为什么叫大前端，因为他们和传统的前端团队做的事情不太一样，后面会讲到。

体会和教训——找到优秀的工程师多么不容易

招聘优秀的工程师，持续招聘优秀的工程师，这是一句正确的废话。但是有多难，带过团队的应该都深有体会，特别是你的公司还没有自带光环的情况下。优秀的工程师会吸引来更多更优秀的工程师，反之亦然，面试这个过程是双向的，尤其是优秀的工程师。有业务压力的时候，主管很容易扛不住，降低要求。当时大前端团队校招淘汰率还是挺惊人的，换来的是这个团队的工程师很高的技术素养和基本功，为后面成为一个真正的全栈团队打下了的基础。

Leader的个人能力，决定了他（她）是这个团队的地基还是天花板。

三、大数据

基于 Hadoop、Spark、HBase 的经典大数据架构这个时候也搭建起来了，因为是自建的数据中心，所以这些产品都需要有一个专业的团队来运维，因此大数据也有了自己的运维和中间件团队。在这个阶段，在线和离线数据同步、数据治理上面还不完善，因为产品化还在路上，很多工具缺失，导致很多团队都要自己直接去从数仓取数，不得不维持运营团队支撑定制化的手工取数需求。各个团队喊得最多的就是大数据的人不够，想要自己做。核心还是业务发展太快。后面随着大数据团队逐渐壮大，更多强援加入，各个产品相继成熟才得以缓解。

四、风控安全

这是一个不得不说，但是也不能说太多的团队，所以这部分只能务虚一些，任何一个到了一定规模的企业，风控安全团队是“真”底线。其他技术团队在面对这个同样是负责技术的团队面前，有时候确实也挺一言难尽的，这个时候高层的支持至关重要。尤其是从 0 开始建设这个团队，对内的扫盲和对外风控，一样艰难。

如果说一个技术公司，系统毁了，有什么还能留下来，就还能重建，那肯定是数据（现在可能还要加一个算法模型）。有什么缺失了，随时都可能垮掉，那肯定是风控安全。

饿了么的这支风控安全团队，对内、对外、对线上、对线下、对其他……都面临很多挑战和冲突，堪称业务专家的羊毛党和无孔不入的黑客，确实令人叹为观止。而我们的风控也经历了从开始的粗粒度约束、到依赖业务规则针对各种补贴、账期等场景兜底、再到依赖算法模型实时风控主动拦截的阶段。

如果大家身边有做风控安全的同学，请珍惜，哪怕他们有时候看到系统到处是窟窿的时候，脾气暴躁。因为他们整天面对这么多黑暗面，还能对这个世界报以希望。开个玩笑，从人道的角度出发，这个团队需要定期的心理按摩。

这个阶段，我们初尝了算法的威力。一开始只有搜索，但是还没有推荐召回系统，当时给推荐系统的物理机是我们能拿得出手的最好的物理机，其他业务系统分配的大都是虚机。系统上线以后，效果、转化率都还不错。之后不久这一待遇被另一个团队承包——负责配送履约的智能调度团队，大数据、机器学习、算法模型需要充分发挥功效，需要长时间紧贴业务、深刻理解业务，在智能调度领域我们也做过不少艰难的尝试、吃过不小苦头，直到我们有了自己的算法专家团队。

这个阶段我们还经历了第一次外卖行业的大促——517大促，让大家真切感受到了这个市场的巨大潜力，同时系统的一系列短板也暴露无遗，除了积累了大促的经验以外，更大的收获是让我们看到架构还有很大的升级空间。还收获了一支全链路压测团队，他们在今后架构升级以及系统质量、容量等稳定性保障过程中，扮演了关键角色。

在饿了么技术往事系列文章的开篇，我提到了饿了么的技术体系经历了以下四个阶段：

1. 核心系统 All in one 的早期架构；

2. 以系统领域化拆分、业务系统和中间件等基础设施分离为基础的全面服务化的架构；

3. 随着自动化平台、容器调度体系成熟，治理从传统运维向 DevOps 转变的基础设施体系；

4. 多数据中心体系基础上的 Cloud Ready 架构成型。

现在我们前两个阶段基本完成了，开始了相对而言最艰难的阶段了……

第三阶段：脆弱的系统，苦逼的运维

这个阶段，我们的业务已经发展到一定规模，系统的长时间抖动或者崩溃，很容易上热搜，尤其是饭点时段。发生事故时候，冲在第一线的除了各业务线的工程师，还有运维团队，他们往往是最先响应，排障冲在第一线的团队。这个阶段说是靠他们生扛顶住了稳定性的压力也不为过：日常基础设施部署、事故发生时的应急响应、事故发生后的基础设施优化和改进措施落地，他们都承担了很多。

事故的教训，也让我们学会了遵循一系列业界积累下来的设计原则，为架构演进到下一阶段打下基础。

业务领域拆分、基础设施和业务系统分别建设后，给业务快速发展解绑了。但是包括稳定性在内的一系列挑战依然需要面对：

1. 基础设施部署的标准化

2. 系统的生命周期怎么管理？

3. 每次故障都是昂贵的学费，故障可以避免吗？

4. 复杂性带来的挑战：团队里面几乎没有人面临过这个体量的业务、这个复杂度的系统。快速交付的同时，如何保证系统的稳定和健壮？

5. 我们的系统架构接下来如何演进？

1. DevOps

因为云上资源的灵活性，我们在云上搭建了两个测试环境：alpha作为开发环境，用于软件工程师日常开发调试；beta作为集成测试环境，用于测试工程师完成系统交付上线前的集成、回归测试。费了九牛二虎之力才达成所有团队的共识，推动beta环境的系统和数据的完整性建设。在这里面发挥重要作用的，除了各个业务的开发、测试、运维团队，还有一个就是之前提到的负责发布系统的团队，这个团队不仅仅提供了一个简单的发布系统，基于持续集成和持续部署实现的开发、测试、生产环境相似化，是我们的系统架构继续演进的开端。

技术团队职责细分后，运维团队提供了保姆式的服务，这把双刃剑的另一面，就是开发团队很容易形成惰性，对自己的系统管生不管养，对系统的容量、治理关心不够，因为有运维团队。这就带来很多问题，代码不是运维工程师写的，但是有些团队系统甚至是运维工程师部署的。因为开发团队最贴近业务需求，需求变更可能带来未来的潜在容量风险，他们比较有发言权；而容量水位的现状反过来是运维团队更了解。因为这个时候，很多基础设施运维还没完全自动化，所以难以统一化、标准化，每个运维工程师都有自己的运维风格，日常排障上，有时候需要开发和运维一起才能完成。

此外，只生不养的思维方式，客观上也容易造成算力成本变成糊涂账。这个时候，开发、部署、系统运营（治理）角色的不统一带来的问题就会凸显。

应用Owner要成为名副其实的Owner，需要有应用的全景视角，对应用生命周期的把控能力。这个阶段，开始推动从虚拟化到容器化的转型，发布系统从一个简单的CI、CD的体系，延伸到了算力和调度的领域。基于一系列运维自动化工具的建设和全面容器化调度的实施，从而带来标准化的运维，才能把开发工程师（应用的Owner）推到应用完整的生命周期运营的位置上，胜任DevOps的角色。这个时候，事实上底层的算力平台，已经具备云上PaaS的雏形了。

在这个过程中，也做了不少尝试，比如，为了提高 alpha/beta 这两个测试环境的基础设施交付效率，有过一段时间基于 slack 的 ChatOps 实践，工程师都比较欢迎；还有过 Infrastructure as Code 和 GitOps 的实践，很可惜当时各方面条件和时机都不够成熟，没有持续推广。

体会和教训—— DevOps

• alpha 和 beta 环境：

工程师在开发机上自测是不是就可以了，“在我机器上是好的”这句话估计开发工程师都说过或者听过，在开发阶段提供alpha环境，目的就是为了开发、测试、生产环境的尽量接近，避免由于开发、测试、生产三个阶段由于环境差异巨大带来的问题。解决不了“在我机器上是好的”这个问题，没有办法大规模顺利上云。工程师自己的电脑，某种程度上是一台“mommy server”，上面运行着需要的一切环境，而且每个工程师的祖传环境还不一样，这类环境在生产上是不可复制的。

• Build & Release：

怎么做到高质量快速交付，保证系统的稳定？

在快速迭代的同时，做到快速试错、快速纠错、快速回退。需要发布系统做到每个编译的版本、每次发布的版本，像代码一样，可回溯可跟踪。关键在于build和release是immutable的

首先，build和release有唯一的ID，才可追溯，可回滚；

其次，是配置分离，把和环境（dev/test/product）相关的config从代码中剥离开来，否则系统很难迁移，更不用说大规模上云。第一反应可能是，把和环境相关的config写在xml或者yaml文件就可以了，但是，这些文件也是代码。

类似的，将这些随环境变化的config写在发布流水线的脚本里面，都不是彻底分离的方式。因为发布环境会发生变化，可能将来有更多的测试环境、更多的数据中心、每个数据中心里面可能还有多泳道。

因此，要做到“build once, deploy many times/every where”，config要存储在环境的上下文中，比如开发、测试、生产环境各自有一个配置中心，线上系统拉起的时候，先从配置中心拉取配置信息。要衡量环境相关的config和代码是否已经分离，看看能不能开源就知道了（抛开价值和代码质量不谈）。

• OPS

接触过传统的运维工程师都知道，这是一群责任心极强的人（删库跑路，铲平数据中心的事情是不可能干出来的，虽然有能力……），他们维护着系统的底线，第一次517大促事故的时候，我们靠运维工程师救了大家一命。

但是，即使有操作的SOP，只要是人，执行重复任务的次数足够多，总会犯错。而每个资深的运维工程师，都有自己祖传的脚本，一夫当关万夫莫开，但是休假就麻烦了，特别是在高铁上信号不好的时候……最佳实践→ SOP → 脚本 → 自动化工具产品，沿着这个路径迭代似乎不可避免。

传统的运维工程师角色的演进方向，一个是为云上的IaaS/PaaS服务，对操作系统和底层硬件有着丰富经验的，还是运维工程师，他们当中开发能力强的，转型SRE，对运维产品理解深的，可以选择 Technical Product Manager 的角色，为云上运维相关平台产品提供解决方案，或者凭借丰富的云上系统落地实施经验，为各上云企业提供实施方案。

另一个方向，由于合规和其他原因，还有部分没有上云的企业，依然需要基础设施运维工程师。随着云逐渐变成和水电煤一样的社会基础设施，运维工程师只写操作系统脚本、实施部署的时代已经渐行渐远了。

架构的历次演进，和几次事故或者险些酿成事故的“冒烟”事件，有着很大的关系：

1. 交易系统崩溃的“饿死了”事故，我们开始分离关键路径和非关键路径，建设了非关键路径的降级能力。故障应急响应常规三板斧：重启、回滚、降级，至此完备。

2. 第一次 517 大促入口崩溃的事故，是我们核心系统上云的开端。

3. F5 的 CPU 被打满，让我们意识到网关作为入口难以扩展的巨大风险，从而基于重新构建的大网关体系，取代了 F5 这一层硬件负载均衡。大网关体系是我们多数据中心架构最核心的系统之一。

4. 基于 VIP 的 keepalived+HaProxy 负载均衡体系下，各种 failover 和上下游频繁扩缩容过程中，相关的稳定性冒烟或者事故频发，促成了充当 data plane 的 sidecar  上线，这是我们构建类 Service Mesh 架构体系最重要的组件。

5. 核心交换机 bug 引发的数据中心故障，对我们下决心建设多数据中心体系有着很大的影响

关于这些事故和架构的故事，随着架构的演进，后面会逐个展开。

那个时候，我们常常自嘲是“事故驱动”型开发（ D isaster D riven D evelopment）。很多工程师除了自己的工位，在公司里面最有“感情”的就是整面墙都是监控大屏的NOC作战室，大小事故、各种大促活动值守，熬夜全链路压测，里面常常挤满熟悉的面孔。

体会和教训——

（1）事故复盘

事故复盘和定期的故障验尸总结会是一个很好的机制。很容易被忽略的是，除了找到事故发生的 root cause，还需要从中发现存在的隐患，而不是 case by case 的解决问题，复盘的目的是阻止类似的事情再次发生，必要的时候，可以引入业务、产品、技术共同解决。

另一个陷阱是，故障复盘变成追责的过程，那么参与复盘的各方就很容易陷入互相指责、洗脱责任的怪圈，反而忘记了复盘的根本目的，也容易浪费大量时间，引起不必要的内耗。只要是参与复盘的人，都是有责任在身上的，为将来的故障负责，如果类似事故再次发生，或者没有在复盘中发现应该发现的隐患，参与的人都难辞其咎。

复盘结果要避免惩罚为目的 —— 除非违反了规章制度（底线，不排除有些是恶法，但不在讨论范围内）。否则甩锅、不作为的氛围会日渐滋生，自省有担当和有作为的个人或者团队，很容易成为吃亏的一方。事故复盘的过程，是了解各个团队甚至组织文化的一个视角。

（2）弹性设计

物流、交易经历事故后，各自采取的措施再次印证了，反脆弱的设计是我们的应用发展到今天的核心设计思路之一。

传统思路是基于一个上下文可控的理想系统环境下做出的设计，尽量避免一切意外的发生。而反脆弱的设计，恰恰假设黑天鹅事件一定发生，是墨菲定律的信徒，开句玩笑话，云厂商如果承诺你“我们一定会挂”，你一定要珍惜，你面对的是一个坦诚相待的乙方，值得托付。这不是推责给云厂商，这是由云上基础设施的特征决定的，大多数场景下，云上提供的服务是基于大规模标准化服务器（Off-the-shelf hardware）构建的虚拟化、容器化基础设施（Immutable Servers），而不是超高规格的个性化定制独占设备(Snowflake Servers)——无法规模化，成本也会大规模上升，因此，会更注重快速恢复能力，水平扩展能力，整体的健壮性，而不是具体某一个单机 SLA。

所以云上系统更强调算力的抽象，CPU核数、内存、网络带宽，把数据中心看作一个超级计算机，和 CPU 具备纠错机制一样，云上基础设施不是不会发生错误，只是结合它的“操作系统”（比如 Kubernetes），提供的是纠错能力（比如容器的故障转移 —— 故障容器销毁，新容器拉起，本质上也是冗余），而云上业务系统需要适配这类纠错机制实现自己的自愈 —— 面向云编程 —— 接受短时间的抖动（Transient Fault）会不时发生的这一个事实。

物流通过补偿机制增强自己的健壮性，交易引入 chaos engineering，都是基于这个上下文。要求应用是 stateless 或者 disposable 的，目的是为了 crash 后能够迅速拉起，快速自愈——所以，尽量分布式缓存，尽量少本地缓存，应用拉起时初始化的工作尽量少，交给独立的服务干这些事。业界的很多模式实践：bulkhead, circuit breaker, compensation transaction, retry都是指向提升系统的弹性（resilience），足够健壮的系统能够在经历系统抖动后，迅速自愈。

故障和意外一样，难以避免。我们能做的是减少人祸，敬畏生产环境，因为一次故障影响的可能是骑手一天的生计、商户一天的营收、用户的一日三餐。同时，提高系统的健壮性和自愈的能力，在故障发生的时候，尽可能的避免演变成更大的灾难，及时止损。

2. 黑天鹅

这个阶段，我们经历了一个大事故，起因就是核心交换机挂了，可能有人问，不都堆叠的吗，不都有主备吗，不都自动切换的吗，说得都对，但是都挂了。因为交换机的一个bug，主备切换后，备机也很快被网络风暴打挂，没经历过我们也不相信。这次又“饿死了”，我们只能坐等供应商的工程师抱着设备打车到机房更换，这个时候，一群人挤在应急响应指挥室（NOC作战室）里一点办法都没有。

在第一次517大促之后，我们就开始第一次容灾尝试了，当时采取的是最快最简单粗暴的方案，用最短的时间，在云上搭建一个了灾备环境并跑通了业务链路。但这是一个冷备的环境，冷备最大的风险，就是日常没有流量，真正 failover 切换的时候，有比较大的不确定性。这次事故再加上另一个因素，我们下决心将技术体系推进到下一个阶段。

体会和教训——上云

2016年第一次517大促，10点开抢的瞬间，我们系统崩掉了，要不是当时一个很稳的运维工程师，淡定操作限流，可能不少人在饿了么的职业生涯当时就结束了。因为对当时的基于Nginx和部分自研插件的网关层比较自信，不相信网关层会顶不住，所以全链路压测的时候根本没有压这一层，事后复盘的时候发现是操作系统一个参数配置的问题，如果压测一定能重现。

因为业务的效果很好，大促就成为常态，事实上第一次大促，我们是在自己的IDC里面用常规业务系统来扛的，所以影响到了非大促的正常交易。后面专门针对大促高并发大流量的场景设计了一套系统，也是隔离、排队、CDN、限流这些常规的套路，没什么特别的。但是，对我们影响更深远的在于，这套体系完全是在云上搭建的，2016年之前虽然云上有系统，但是生产环境流量很少，顶多是短信触达这类系统在上面，更多是用于搭建测试环境。在当时看来，云上强大的流量清洗、资源 scale out 能力，很适合大促的场景，后面，这套体系经历了多次大促，没有波澜。

在云上搭建大促体系以及灾备节点的经历，让我们后续在云上搭建全站的网关，并进一步构建整个数据中心，有了非常大的信心。下一篇我将继续介绍饿了么架构演变到了Cloud-Ready的状态，技术体系演进为业务发展提供了更多可能性。

作者介绍：黄晓路（脉坤），2015年10月加入饿了么，负责全局架构的工作。