近期业务大量突增微服务性能优化总结-1.改进客户端负载均衡算法 | HeapDump性能社区

近期业务大量突增微服务性能优化总结-1.改进客户端负载均衡算法

最近，业务增长的很迅猛，对于我们后台这块也是一个不小的挑战，这次遇到的核心业务接口的性能瓶颈，并不是单独的一个问题导致的，而是几个问题揉在一起：我们解决一个之后，发上线，之后发现还有另一个的性能瓶颈问题。这也是我经验不足，导致没能一下子定位解决；而我又对我们后台整个团队有着固执的自尊，不想通过大量水平扩容这种方式挺过压力高峰，导致线上连续几晚都出现了不同程度的问题，肯定对于我们的业务增长是有影响的。这也是我不成熟和要反思的地方。这系列文章主要记录下我们针对这次业务增长，对于我们后台微服务系统做的通用技术优化，针对业务流程和缓存的优化由于只适用于我们的业务，这里就不再赘述了。本系列会分为如下几篇：

1.改进客户端负载均衡算法

2.开发日志输出异常堆栈的过滤插件

3.针对 x86 云环境改进异步日志等待策略

4.增加对于同步微服务的 HTTP 请求等待队列的监控以及云上部署，需要小心达到实例网络流量上限导致的请求响应缓慢

5.针对系统关键业务增加必要的侵入式监控

改进客户端负载均衡算法

Spring Cloud LoadBalancer 内置轮询算法以及问题

我们是用 Spring Cloud 作为我们的微服务体系，并且针对其中很多组件做了优化改造，请参考我的另一系列。之前我们的客户端负载均衡算法，是不同请求之间相互独立的轮询。由于我们实现的微服务框架会针对可以重试的请求进行重试，重试需要重试与之前不同的实例。没有重试，无法实现在线发布对于用户无感知，并且我们部署同一个微服务的不同实例是处于不同的可用区，并且微服务不会每次都全部出问题，而是某些实例出问题，有重试可以让某些实例出问题的时候，对用户无感知。当某些实例压力过大时，重试也可以让请求重试压力比较小的实例。使用 Spring Cloud LoadBalancer 的内置的负载均衡算法均无法满足我们的需求，所以我们针对其中的轮询算法进行了改进。原有的流程是：

1.获取服务实例列表

2.所有线程共用同一个原子变量 position，每次请求原子加 1

3.position 对实例个数取余，返回对应下标的实例进行调用

这样的算法问题是：假设有微服务 A 有两个实例：实例 1 和实例 2。请求 A 到达时，RoundRobinLoadBalancer 返回实例 1，这时有请求 B 到达，RoundRobinLoadBalancer 返回实例 2。然后如果请求 A 失败重试，RoundRobinLoadBalancer 又返回了实例 1。这不是我们期望看到的。

本次优化前，我们的负载均衡算法以及问题

在本次业务突增很多的改进之前，我们第一版改进后的流程是：

获取服务实例列表，将实例列表按照 ip 端口排序，如果不排序即使 position 是下一个可能也代表的是之前已经调用过的实例

根据请求中的 traceId，从本地缓存中以 traceId 为 key 获取一个初始值为随机数的原子变量 position，这样防止所有请求都从第一个实例开始调用，之后第二个、第三个这样。

position 原子加一，之后对实例个数取余，返回对应下标的实例进行调用

其中请求包含 traceId 是来自于我们使用了 spring-cloud-sleuth 链路追踪，基于这种机制我们能保证请求不会重试到之前已经调用过的实例。源码是：

//一定必须是实现ReactorServiceInstanceLoadBalancer
//而不是ReactorLoadBalancer<ServiceInstance>
//因为注册的时候是ReactorServiceInstanceLoadBalancer
@Log4j2
public class RoundRobinWithRequestSeparatedPositionLoadBalancer implements ReactorServiceInstanceLoadBalancer {
    private final ServiceInstanceListSupplier serviceInstanceListSupplier;
    //每次请求算上重试不会超过1分钟
    //对于超过1分钟的，这种请求肯定比较重，不应该重试
    private final LoadingCache<Long, AtomicInteger> positionCache = Caffeine.newBuilder().expireAfterWrite(1, TimeUnit.MINUTES)
            //随机初始值，防止每次都是从第一个开始调用
            .build(k -> new AtomicInteger(ThreadLocalRandom.current().nextInt(0, 1000)));
    private final String serviceId;
    private final Tracer tracer;


    public RoundRobinWithRequestSeparatedPositionLoadBalancer(ServiceInstanceListSupplier serviceInstanceListSupplier, String serviceId, Tracer tracer) {
        this.serviceInstanceListSupplier = serviceInstanceListSupplier;
        this.serviceId = serviceId;
        this.tracer = tracer;
    }
    
    //每次重试，其实都会调用这个 choose 方法重新获取一个实例
    @Override
    public Mono<Response<ServiceInstance>> choose(Request request) {
        return serviceInstanceListSupplier.get().next().map(serviceInstances -> getInstanceResponse(serviceInstances));
    }

    private Response<ServiceInstance> getInstanceResponse(List<ServiceInstance> serviceInstances) {
        if (serviceInstances.isEmpty()) {
            log.warn("No servers available for service: " + this.serviceId);
            return new EmptyResponse();
        }
        return getInstanceResponseByRoundRobin(serviceInstances);
    }

    private Response<ServiceInstance> getInstanceResponseByRoundRobin(List<ServiceInstance> serviceInstances) {
        if (serviceInstances.isEmpty()) {
            log.warn("No servers available for service: " + this.serviceId);
            return new EmptyResponse();
        }
        //为了解决原始算法不同调用并发可能导致一个请求重试相同的实例
        //从 sleuth 的 Tracer 中获取当前请求的上下文
        Span currentSpan = tracer.currentSpan();
        //如果上下文不存在，则可能不是前端用户请求，而是其他某些机制触发，我们就创建一个新的上下文
        if (currentSpan == null) {
            currentSpan = tracer.newTrace();
        }
        //从请求上下文中获取请求的 traceId，用来唯一标识一个请求
        long l = currentSpan.context().traceId();
        AtomicInteger seed = positionCache.get(l);
        int s = seed.getAndIncrement();
        int pos = s % serviceInstances.size();
        log.info("position {}, seed: {}, instances count: {}", pos, s, serviceInstances.size());
        return new DefaultResponse(serviceInstances.stream()
                //实例返回列表顺序可能不同，为了保持一致，先排序再取
                .sorted(Comparator.comparing(ServiceInstance::getInstanceId))
                .collect(Collectors.toList()).get(pos));
    }
}

但是在这次请求突增很多的时候，这种负载均衡算法还是给我们带来了问题。

首先，本次突增，我们并没有采取扩容，导致本次的性能压力对于压力的均衡分布非常敏感。举个例子是，假设微服务 A 有 9 个实例，在业务高峰点来的时候，最理想的情况是保证无论何时这 9 个负载压力都完全均衡，但是由于我们使用了初始值为随机数的原子变量 position，虽然从一天的总量上来看，负责均衡压力肯定是均衡，但是在某一小段时间内，很可能压力全都跑到了某几个实例上，导致这几个实例被压垮，熔断，然后又都跑到了另外的几个实例上，又被压垮，熔断，如此恶性循环。

然后，我们部署采用的是 k8s 部署，同一个虚拟机上面可能会跑很多微服务的 pod。在某些情况下，同一个微服务的多个 pod 可能会跑到同一个虚拟机 Node 上，这个可以从pod 的 ip 网段上看出来：例如某个微服务有如下 7 个实例：10.238.13.12:8181,10.238.13.24:8181,10.238.15.12:8181,10.238.17.12:8181,10.238.20.220:8181,10.238.21.31:8181,10.238.21.121:8181，那么 10.238.13.12:8181 与 10.238.13.24:8181 很可能在同一个 Node 上，10.238.21.31:8181 和 10.238.21.121:8181 很可能在同一个 Node 上。我们重试，需要优先重试与之前重试过的实例尽量不在同一个 Node 上的实例，因为同一个 Node 上的实例只要有一个有问题或者压力过大，其他的基本上也有问题或者压力过大。

最后，如果调用某个实例一直失败，那么这个实例的调用优先级需要排在其他正常的实例后面。这个对于减少快速刷新发布（一下子启动很多实例之后停掉多个老实例，实例个数大于重试次数配置）对于用户的影响，以及某个可用区突然发生异常导致多个实例下线对用户的影响，以及业务压力已经过去，压力变小后，需要关掉不再需要的实例，导致大量实例发生迁移的时候对用户的影响，有很大的作用。

针对以上问题的优化方案

我们针对上面三个问题，提出了一种优化后的解决方案：

1.针对每次请求，记录：

2.本次请求已经调用过哪些实例 -> 请求调用过的实例缓存

3.调用的实例，当前有多少请求在处理中 -> 实例运行请求数

4.调用的实例，最近请求错误率 -> 实例请求错误率

5.随机将实例列表打乱，防止在以上三个指标都相同时，总是将请求发给同一个实例。

6.按照 当前请求没有调用过靠前 -> 错误率越小越靠前 的顺序排序 -> 实例运行请求数越小越靠前

7.取排好序之后的列表第一个实例作为本次负载均衡的实例

具体实现是：以下的代码来自于：https://github.com/JoJoTec/spring-cloud-parent

我们使用了依赖：

<dependency>
    <groupId>io.dropwizard.metrics</groupId>
    <artifactId>metrics-core</artifactId>
</dependency>

记录实例数据的缓存类：

@Log4j2
public class ServiceInstanceMetrics {
	private static final String CALLING = "-Calling";
	private static final String FAILED = "-Failed";

	private MetricRegistry metricRegistry;

	ServiceInstanceMetrics() {
	}

	public ServiceInstanceMetrics(MetricRegistry metricRegistry) {
		this.metricRegistry = metricRegistry;
	}

	/**
 * 记录调用实例
 * @param serviceInstance
 */
	public void recordServiceInstanceCall(ServiceInstance serviceInstance) {
		String key = serviceInstance.getHost() + ":" + serviceInstance.getPort();
		metricRegistry.counter(key + CALLING).inc();
	}
	/**
 * 记录调用实例结束
 * @param serviceInstance
 * @param isSuccess 是否成功
 */
	public void recordServiceInstanceCalled(ServiceInstance serviceInstance, boolean isSuccess) {
		String key = serviceInstance.getHost() + ":" + serviceInstance.getPort();
		metricRegistry.counter(key + CALLING).dec();
		if (!isSuccess) {
			//不成功则记录失败
			metricRegistry.meter(key + FAILED).mark();
		}
	}

	/**
 * 获取正在运行的调用次数
 * @param serviceInstance
 * @return
 */
	public long getCalling(ServiceInstance serviceInstance) {
		String key = serviceInstance.getHost() + ":" + serviceInstance.getPort();
		long count = metricRegistry.counter(key + CALLING).getCount();
		log.debug("ServiceInstanceMetrics-getCalling: {} -> {}", key, count);
		return count;
	}

	/**
 * 获取最近一分钟调用失败次数分钟速率，其实是滑动平均数
 * @param serviceInstance
 * @return
 */
	public double getFailedInRecentOneMin(ServiceInstance serviceInstance) {
		String key = serviceInstance.getHost() + ":" + serviceInstance.getPort();
		double rate = metricRegistry.meter(key + FAILED).getOneMinuteRate();
		log.debug("ServiceInstanceMetrics-getFailedInRecentOneMin: {} -> {}", key, rate);
		return rate;
	}
}

负载均衡核心代码：

private final LoadingCache<Long, Set<String>> calledIpPrefixes = Caffeine.newBuilder()
        .expireAfterAccess(3, TimeUnit.MINUTES)
        .build(k -> Sets.newConcurrentHashSet());
private final String serviceId;
private final Tracer tracer;
private final ServiceInstanceMetrics serviceInstanceMetrics;

//每次重试，其实都会调用这个 choose 方法重新获取一个实例
@Override
public Mono<Response<ServiceInstance>> choose(Request request) {
    Span span = tracer.currentSpan();
    return serviceInstanceListSupplier.get().next()
            .map(serviceInstances -> {
                //保持 span 和调用 choose 的 span 一样
                try (Tracer.SpanInScope cleared = tracer.withSpanInScope(span)) {
                    return getInstanceResponse(serviceInstances);
                }
            });
}


private Response<ServiceInstance> getInstanceResponse(List<ServiceInstance> serviceInstances) {
    if (serviceInstances.isEmpty()) {
        log.warn("No servers available for service: " + this.serviceId);
        return new EmptyResponse();
    }
    //读取 spring-cloud-sleuth 的对于当前请求的链路追踪上下文，获取对应的 traceId
    Span currentSpan = tracer.currentSpan();
    if (currentSpan == null) {
        currentSpan = tracer.newTrace();
    }
    long l = currentSpan.context().traceId();
    return getInstanceResponseByRoundRobin(l, serviceInstances);
}

@VisibleForTesting
public Response<ServiceInstance> getInstanceResponseByRoundRobin(long traceId, List<ServiceInstance> serviceInstances) {
    //首先随机打乱列表中实例的顺序
    Collections.shuffle(serviceInstances);
    //需要先将所有参数缓存起来，否则 comparator 会调用多次，并且可能在排序过程中参数发生改变（针对实例的请求统计数据一直在并发改变）
    Map<ServiceInstance, Integer> used = Maps.newHashMap();
    Map<ServiceInstance, Long> callings = Maps.newHashMap();
    Map<ServiceInstance, Double> failedInRecentOneMin = Maps.newHashMap();
    serviceInstances = serviceInstances.stream().sorted(
            Comparator
                    //之前已经调用过的网段，这里排后面
                    .<ServiceInstance>comparingInt(serviceInstance -> {
                        return used.computeIfAbsent(serviceInstance, k -> {
                            return calledIpPrefixes.get(traceId).stream().anyMatch(prefix -> {
                                return serviceInstance.getHost().contains(prefix);
                            }) ? 1 : 0;
                        });
                    })
                    //当前错误率最少的
                    .thenComparingDouble(serviceInstance -> {
                        return failedInRecentOneMin.computeIfAbsent(serviceInstance, k -> {
                            double value = serviceInstanceMetrics.getFailedInRecentOneMin(serviceInstance);
                            //由于使用的是移动平均值（EMA），需要忽略过小的差异（保留两位小数，不是四舍五入，而是直接舍弃）
                            return ((int) (value * 100)) / 100.0;
                        });
                    })
                    //当前负载请求最少的
                    .thenComparingLong(serviceInstance -> {
                        return callings.computeIfAbsent(serviceInstance, k ->
                                serviceInstanceMetrics.getCalling(serviceInstance)
                        );
                    })
    ).collect(Collectors.toList());
    if (serviceInstances.isEmpty()) {
        log.warn("No servers available for service: " + this.serviceId);
        return new EmptyResponse();
    }
    ServiceInstance serviceInstance = serviceInstances.get(0);
    //记录本次返回的网段
    calledIpPrefixes.get(traceId).add(serviceInstance.getHost().substring(0, serviceInstance.getHost().lastIndexOf(".")));
    //目前记录这个只为了兼容之前的单元测试（调用次数测试）
    positionCache.get(traceId).getAndIncrement();
    return new DefaultResponse(serviceInstance);
}

一些组内关于方案设计的取舍 Q&A

1. 为何没有使用所有微服务共享的缓存来保存调用数据，来让这些数据更加准确？

共享缓存的可选方案包括将这些数据记录放入 Redis，或者是 Apache Ignite 这样的内存网格中。但是有两个问题：

(1)如果数据记录放入 Redis 这样的额外存储，如果 Redis 不可用会导致所有的负载均衡都无法执行。如果放入 Apache Ignite，如果对应的节点下线，那么对应的负载均衡也无法执行。这些都是不能接受的。

(2)假设微服务 A 需要调用微服务 B，可能 A 的某个实例调用 B 的某个实例有问题，但是 A 的其他实例调用 B 的这个实例却没有问题，例如当某个可用区与另一个可用区网络拥塞的时候。如果用同一个缓存 Key 记录 A 所有的实例调用 B 这个实例的数据，显然是不准确的。

每个微服务使用本地缓存，记录自己调用其他实例的数据，在我们这里看来，不仅是更容易实现，也是更准确的做法。

2. 采用 EMA 的方式而不是请求窗口的方式统计最近错误率

采用请求窗口的方式统计，肯定是最准确的，例如我们统计最近一分钟的错误率，就将最近一分钟的请求缓存起来，读取的时候，将缓存起来的请求数据加在一起取平均数即可。但是这种方式在请求突增的时候，可能会占用很多很多内存来缓存这些请求。同时计算错误率的时候，随着缓存请求数的增多也会消耗更大量的 CPU 进行计算。这样做很不值得。

EMA 这种滑动平均值的计算方式，常见于各种性能监控统计场景，例如 JVM 中 TLAB 大小的动态计算，G1 GC Region 大小的伸缩以及其他很多 JVM 需要动态得出合适值的地方，都用这种计算方式。他不用将请求缓存起来，而是直接用最新值乘以一个比例之后加上老值乘以 （1 - 这个比例），这个比例一般高于 0.5，表示 EMA 和当前最新值更加相关。

但是 EMA 也带来另一个问题，我们会发现随着程序运行小数点位数会非常多，会看到类似于如下的值：0.00000000123, 0.120000001, 0.120000003, 为了忽略过于细致差异的影响（其实这些影响也来自于很久之前的错误请求），我们只保留两位小数进行排序。