作者简介
方 圆
曾在Cisco负责流媒体工作，在微博负责feed系统研发，三年游戏行业开发经验，现任罗辑思维首席架构师，主导罗辑思维微服务改造。
内容大纲
1､ 改造的背景
2、改造的过程中的 Go 语言实践
3、经验总结
4、正在做什么
1.改造的背景
得到最早的APP就是一个单体的PHP的应用，就是图中最大的黄色块，中间蓝色块代表不同模块。下面的黄色部分代表passport 和支付系统，这个是在做得到之前就存在的系统，因为公司早期有微信里的电商业务。
后来发现有一些业务逻辑并不需要从得到走，还有一些数据格式转换的工作也不需要跟业务完全耦合，所以加了一层PHP的网关就是下图看到的V3那部分。但是这样做也有一些问题，PHP后端是FPM，一旦后端的接口响应较慢，就需要启动大量FPM保证并发访问，从而导致操作系统负载较高，从这一点上来说，使用PHP做这部分工作并不合适。
1.1 屋漏偏逢连夜雨
8/31大故障
2017年8月31日的时候，老板做活动，导致流量超过预期很多，系统挂了两个小时。
罗老师要跨年
每年罗老师都要跨年演讲，第一年是在优酷，有200多万人的在线观看，第二年是同时和优酷等视频网站再加上深圳卫视一起合作直播，2016年深圳卫视的收视率是地方第一。2017年的老板当时想要送东西，送东西的这个场景比较恐怖，二维码一放出来，就会有大量用户同时请求。
最恐怖的事情是，老板要送的东西8月31日的时候还没有，要在后面2个月期间把东西开发出来。一方面业务迭代不能停，一方面需要扛过跨年，所以就需要我们对业务系统进行改造。
1.2 改造目标
高性能
首先是性能要高，如果你单台机器跑几十QPS，那么堆机器也很难满足要求。
服务化
服务化实际上在故障之前就已经开始了，并且由于我们不同的业务团队已经在负责不同的业务，实际上也是需要服务化继续做下去。
资源拆分隔离
随着服务化过程，就需要对资源进行拆分，需要每个服务提供相应的接口，服务之间不能直接访问其他服务的数据库或者缓存。
高可用
当时定的目标是99.9的可用性。
1.3 为什么选择Go
Go的好处很多，最重要的还是对PHP程序员来说，上手更容易，而且性能好很多。
2.改造的过程
2.1 首先有一个系统架构图
对于系统改造来说，首先需要知道，系统需要改成什么样子。因此我们需要一个架构的蓝图。上面就是我们的架构蓝图。首先需要的是一个统一对外的API GATEWAY，图中最上层的黄色部分。 中间淡紫色的部分是对外的业务服务。浅绿色部分是基础资源服务，比如音频文稿信息，加密服务。下面红色部分是支付和passport等公用服务，最右侧是一些通用的框架和中间件。最下层是一些基础设施。
我们的框架跟基础设施的完善和系统重构是交织进行的，不是说一开始就有一个完全没问题的设计，随着业务的改造，会有很多新的功能加进来。
2.2框架和基础设施完善
我不讲应用系统怎么拆分，因为每个公司业务系统都不一样，我讲一下我们在框架和中间件这部分事情。
API gateway
API gateway是我们和陈皓（著名的左耳朵耗子）团队合作研发的。他们团队对于我们成功跨年帮助很大，在此先感谢一下。
-
目 的
- 限流
API gateway主要的目的就是限流，改造过程当中，我们线上有400多个接口，经常加新功能。我们可以保证新接口的性能，但是总有在改造过程中疏忽的老接口，通过API gateway限流可以保证在流量大的时候，老接口也有部分用户可用。
- 升级API
大部分的API升级都是跟客户端解决的，但是我们不太强制用户升级，导致线上老接口存在很长时间，我们需要在API gateway这一层做一些把新接口数据格式转成老接口数据格式的工作。
- 鉴权
在拆分服务之后，需要统一对接口进行鉴权和访问控制，业界的做法通常都是在网关这一层来做，我们也不例外。
* 接下来看一下API gateway的架构
API gateway由一个write节点和多个read节点，节点之间通过gossip协议通信。每个节点最上层有一个CLI的命令行，可以用来调用Gateway的API。下层的HTTPServer等都是一个plugin，由多个plugin组成不同的pipeline来处理不同的请求。在后面我会介绍这个的设计。每个节点都有一个统计模块来做一些统计信息，这个统计信息主要是接口平均响应时间，QPS等。修改配置之后，write节点会把配置信息同步到read节点上，并且通过model模块持久化到本地磁盘上。
请求经过了两段pipeline，第一段pipeline基于请求的url。可以在不同的pipeline上面组合不同的plugin。假设一个接口不需要限流，只需要在接口的配置里头不加limiter plugin就可以了。第二段pipeline基于后端的Server配置，做一些负载均衡的工作。
接下来我们看整个API gateway启动的流程和调度方面
启动是比较简单的，去加载plugin，然后再去加载相应的配置文件，根据配置文件把plugin和pipeline做对应。右上角的这个调度器分为静态调度和动态调度。静态调度是假设分配5个go routine来做处理，始终都有5个go routine来处理对应的请求。动态调度器是根据请求繁忙程度，在一个go routine最大值和最小值之间变化。
API gateway鉴权方面比较简单，客户端调用登录接口，passport会把token和userid，传到API gateway，API gateway再把相应的token传到这个APP端。客户端下次请求就拿token请求，如果token验证不过，就返回客户端。如果验证通过再调用后端不同的服务获取结果，最后返回结果给客户端。
最后再强调一下API gateway如何进行
我们在API gateway里面引入两种限流的策略
1.滑动窗口限流
为什么会根据滑动窗口限流呢？因为线上接口太多，我们也不知道到底是限100好200好还是限10000好，除非每一个都进行压测。用滑动窗口来统计一个时间窗口之内，响应时间，成功和失败的数量，根绝这个统计数据对下一个时间窗口是否要进行限流做判断。
2.QPS的限流
为什么还会留一个QPS的限流呢？因为要做活动，滑动窗口是一个时间窗口，做活动的时候，客户拿起手机扫二维码，流量瞬间就进来了，滑动窗口在这种情况下很难起到作用。
服务框架
* 目的
-
简化应用开发
-
服务注册发现
- 方便配置管理
* 服务框架的常用架构
第一种方式是做成一个库，把相关功能编译进服务本身。这里有两个问题，第一个是我们兼容好几种语言，开发量比较大。还有一个是一旦客户端跟随服务调用方发布到生产环境中，后续如果要对客户库进行升级，势必要求服务调用方修改代码并重新发布，所以该方案的升级推广有不小的阻力。在业界来说，spring cloud，dubbo，motan都是用这样的机制。
还有一种方案是把Lord Balancing的功能拿出来做成一个agent，跟consumer单独跑，每次consumer请求的时候是通过agent拿到Service Provder的地址，然后再调用Service Provder。好处是简化了服务调用方，不需要为不同语言开发客户库，LB的升级不需要服务调用方改代码。缺点也很明显，部署比较复杂；还有可用性检测会更麻烦一点，这个agent也可能会挂。如果agent挂掉，整个服务也要摘下来。百度内部的BNS和Airbnb的SmartStack服务发现框架也是这种做法。由于我们内部语言较多，因此选择了第二种做法。
在Consul集群中，每个提供服务的节点上都要部署和运行Consul的agent，所有运行Consul agent节点的集合构成Consul Cluster。Consul agent有两种运行模式：Server和Client。这里的Server和Client只是Consul集群层面的区分，与搭建在Cluster之上 的应用服务无关。以Server模式运行的Consul agent节点用于维护Consul集群的状态，官方建议每个Consul Cluster至少有3个或以上的运行在Server mode的Agent，Client节点不限。
Client和Server的角色在DDNS是没有严格区分的，请求服务时该服务就是Client，提供服务时候就是Server。
NNDS提供出来的是一个SDK可以很容易的集成和扩展为一个独立的服务并且集成更多的功能。采用agent方式，将在每一个服务器部署安装得到的agent，支持使用HTTP和grpc进行请求。
服务完成启动并可以可以对外提供服务之后，请求agent的接口v1/service/register将其注册的进入DDNS；
注册成功则其他客户端可以通过DDNS发现接口获取到该APP节点信息；
如果注册失败，APP会重复尝试重新注册，重试三次失败则报警；
假设服务A需要请求服务B，服务名称为bbb，直接请求本机的agent接口v1/service/getservice，获取到bbb的服务节点信息。
对于agent而言，如果服务bbb是第一次被请求，则会请求Consul集群，获取到服务bbb的数据之后进行本地从cache并对服务bbb的节点进行watch监控，并定时更新本地的service信息；
如果获取失败，给出原因，如果是系统错误则报警；
这是服务框架基本的接口
这个就是客户端调用的封装，可以同时支持HTTP和JRTC，在这个之后我们还做了RBAC的权限控制，我们希望能调哪些服务都是可以做权限控制的。
多机缓存
client请求到server，server先在缓存里找，找到就返回，没有就数据库找，如果找到就回设到缓存然后返回客户端。这里是一个比较简单的模型。只有一级cache，但是一级cache有可能不够用，比如说压测的时候我们发现，一个redis在我们的业务情况下支撑到接口的QPS就是一万左右，QPS高一点怎么办呢？我们引入多级缓存。
越靠近上面的缓存就越小，一级就是服务local cache，如果命中就返回数据，如果没有就去L1查，如果查到就更新local cache,并且返回数据。如果L1级也没有就去
L2级查，如果查到数据就更新L1 cache/local cache，并返回数据
我们上面看到的是针对单条内容本身的缓存，在整个栈上来看，gateway也可以缓存一部分数据，不用请求透穿。这个5的虚线是什么意思呢？因为数据修改后需要更新，在应用层做有时候会有失败，所以读取数据库binlog来补漏，减少数据不一致的情况。
我一直觉得如果有泛型代码好写很多，没有泛型框架里面就要大量的反射来代替泛型。
多级缓存开始加了之后整个性能的对比，最早PHP是一两百，改成Go之后，也不强多少，后面Go和big cache的大概到两千左右的，但是有一些问题，后面会讲当问题。后面基于对象的cache，把对象缓存起来，我们跑测试的机器是在八核，达到这样的结果还可以接受。
熔断降级
接口同时请求内部服务，service7、8、9不一样，service5是挂掉的状态，但是对外的服务还在每次调用，我们需要减少调用，让service5恢复过来。
打开的状态下，失败达到一定的阈值就关起来，等熔断的窗口结束，达到一个半开的状态接受一部分的请求。如果失败的阈值很高就回到关闭的状态。这个统计的做法就是我们之前提到的滑动窗口算法。
这里是移植了JAVA hystrix的库，JAVA里面有很多做得很不错的框架和库，值得我们借鉴。
3.经验总结
3.1 通用基础库非常重要
刚才讲的性能提升部分，QPS 从600提升到12000，我们只用了一天，主要原因就在于我们通过基础库做了大量优化，而且基础库做的提升，所有服务都会受益。
3.2 善用工具
• generate + framework提升开发效率
• pprof+trace+go-torch确定性能问题
比如说我们大量的用generate + framework，通过generate和模板生成很多代码。查性能的时候，pprof+trace+go-torch可以帮你节省很多工作。Go-torch是做火焰图的，Go新版本已经内置了火焰图的功能。
这是根据我们的表结构生成相应的数据库访问代码，多级缓存是把所有的访问都要抽象成K-V，K-LIST等访问模式，每次这么做的时候手动去写太繁琐，我们就做了一个工具，你用哪一个表，工具就生成好，你只需要把它组装一下。
定位性能问题的时候，火焰图一定要用
比如说定位性能问题就要看最长的地方在哪里，着力优化这个热点的code，压测的时候发现，大家600、900的火火焰图这里有问题，优化完成后如下图
3.3 其他经验总结
针对热点代码做优化
合理复用对象
尽量避免反射
合理的序列化和反序列化方式
GC开销
举例来说我们之前有一个服务会从缓存里面拿到很多ID的list，数据是存成json格式[1,2,3]这样，发现json的序列化和反序列化性能开销非常大，基本上会占到50%以上的开销。早上滴滴讲他们的json库，可以提升10倍性能，实际上在我们的场景下提升不了那么多，大概只能提升一倍，当然提升一倍也是很大的提升（因为你只用改一行代码就能提升这么多）。其次json饭序列化导致的GC的问题也很厉害，最猛的时候能够达到20%CPU，即使是在Go的算法也做得很不错的情况下。最终解决的办法就是在这里引入PB替代json。PB反序列化性能（在我们的情况下）确实比json好10倍，并且分配的临时对象少多了，从而也降低了GC开销。
为什么要避免反射呢？我们在本地建了local cache，缓存整个对象就要求你不能在缓存之外修改这个对象，但是实际业务上有这个需求。我们出现过这样的情况后就用反射来做deep copy。JAVA反射还可以用，原因是jvm会将反射代码生成JAVA代码，实际上调用的是生成的代码。但是在Go里面不是，本来Go的性能是和C接近的，大量用了反射之后，性能就跟python接近额。后来我们就定义一个cloneable的接口，让程序员手动来做这个clone工作。
压力测试
我们主要用的就是ab和Siege，这两个通常是针对单个系统的压力测试。实际上用户在使用的过程当中，调用链上每一个地方都可能出现问题。所以在微服务的情况下，单个系统的压力测试，虽然很重要，但是不足以完全消除我们系统的所有问题。
举一个例子，跨年的时候罗老板要送东西，首先要领东西，领东西是一个接口，接下来通常用户会再刷一下已购列表看看在不在，最后再确认一下他领到的东西对不对。因此你需要对整个链路进行压测，不能只压测一下领取接口，这样可能是有问题的。假设你已购列表接口比较慢，用户领了以后就再刷一下看一看有没有，没有的情况下，一般用户会持续的刷，导致越慢的接口越容易成为瓶颈。因此需要合理的规划访问路径，对链路上的所有服务进行压测，不能只关注一个服务。
我们直接买了阿里云PTS的服务，他们做法就是在CDN节点上模拟请求，可以对整个访问路径进行模拟。
4.正在做什么
4.1 分库分表和分布式事务
选择一个数据库跟你公司相关的运维是相关的。分布式事务在我这里比较重要，我们有很多购买的环节，一旦拆了微服务之后，只要有一个地方错，就需要对整个进行回滚。我们现在的做法是手动控制，但是随着你后面的业务越来越多，不可能所有的都手动控制，这时就需要有一个分布式事务框架，所以我们现在基于TCC的方式正在做自己的分布式事务框架。
分库分表也是一个硬性的需求，我们在这里暂时没有上tidb的原因主要是DBA团队对tidb不熟悉。我们之前的分库分表也是程序员自己来处理，现在正在做一个框架能同时支持分库和分表，同时支持hash和range两种方式。
4.2 API gateway
API gateway上面有很多事情可以做，我们在熔断和降级做了一些事情。现在一些Service mesh做的很多事情是把很多工作放在内部API gateway上，是做控制的事情，实际上不应该是业务逻辑关心的事情。我们也在考虑怎么把API gateway和SM做结合。
4.3 APM
拆了微服务之后，最大的问题是不方便定位具体问题在哪里。我们有时候出问题，我叫好几个人看看各自负责的系统对不对，大家人肉看出问题的地方在哪，这是个比较蛋疼的做法。因入APM+tracing之后，就方便我们来追踪问题在哪里。
4.4 容器化
我们现在的线上环境，还是在用虚拟机。仿真环境和测试环境已经是容器，使用容器有很多好处，我就不一一列举了。这也是我们下半年要做的重点工作。
4.5 缓存服务化
我们现在有多级缓存的实现，但是多级缓存还是一个库的形式来实现的。如果把缓存抽出来，使用memcached或者redis的协议，抽出来成为一个独立的服务。后面的业务系统迭代的时候不用关心缓存本身的扩容缩容策略。
我今天分享的内容就到这儿，谢谢大家！
【提问环节】
提问者1
提问：通过你的描述，我知道你以前有JAVA方面的经验，我们Go其实没有一个像JAVA spring cloud这样比较成熟的微服务的开箱即用的解决方案，现在让你重新做服务化转型这个事情，你会怎么选择？
方圆：让一群php程序员学JAVA比较麻烦，学习Go就比较简单。其次现在搞一个微服务框架，其实并没有那么难以接受。因为很多开源软件已经提供了对应的功能，所以要造的轮子其实没有那么多。
提问者2
提问：你的分库分表框架里面有支持水平分库的情况吗？
方圆：支持。
提问者3
提问：众所周知PHP是世界上最好的语言，你们转成Go，Go的开发效率比PHP（04：49：50）这两种情况。
方圆：我PHP学得不是太好，我自己写Go肯定比PHP快很多。我们团队来说，Go的开发效率比PHP略低，但是运行性能却好太多。
提问：重新选择一次技术选型，你是上来就选Go，还是从PHP再演化到Go？
方圆：我肯定是上来就选Go，我还是认为PHP做rest API没有啥优势。
有疑问加站长微信联系（非本文作者）
