RocketMQ 千锤百炼--哈啰在分布式消息治理和微服务治理中的实践

作者｜梁勇

​

背景

​
哈啰已进化为包括两轮出行（哈啰单车、哈啰助力车、哈啰电动车、小哈换电）、四轮出行（哈啰顺风车、全网叫车、哈啰打车）等的综合化移动出行平台，并向酒店、到店团购等众多本地生活化生态探索。
​
随着公司业务的不断发展，流量也在不断增长。我们发现生产中的一些重大事故，往往是被突发的流量冲跨的，对流量的治理和防护，保障系统高可用就尤为重要。
​
本文就哈啰在消息流量和微服务调用的治理中踩过的坑、积累的经验进行分享。
​

作者介绍

​
梁勇 ( 老梁 ) ，《 RocketMQ 实战与进阶》专栏联合作者、参与了《 RocketMQ 技术内幕》审稿工作。ArchSummit 全球架构师大会讲师、QCon 案例研习社讲师。

当前主要在后端中间件方向，在公众号【瓜农老梁】已陆续发表百余篇源码实战类文章，涵盖 RocketMQ 系列、Kafka 系列、GRPC 系列、Nacosl 系列、Sentinel 系列、Java NIO 系列。目前就职于哈啰出行，任职高级技术专家。
​

聊聊治理这件事

​
开始之前先聊聊治理这件事情，下面是老梁个人理解：
​

治理在干一件什么事？

​

• 让我们的环境变得美好一些

​

需要知道哪些地方还不够好？

​

• 以往经验
• 用户反馈
• 业内对比

​

还需要知道是不是一直都是好的？

​

• 监控跟踪
• 告警通知

​

不好的时候如何再让其变好？

​

• 治理措施
• 应急方案

​

目录

​

1. 打造分布式消息治理平台
2. RocketMQ 实战踩坑和解决
3. 打造微服务高可用治理平台

背景

​

裸奔的 RabbitMQ

​
公司之前使用 RabbitMQ ，下面在使用 RabbitMQ 时的痛点，其中很多事故由于 RabbitMQ 集群限流引起的。
​

• 积压过多是清理还是不清理？这是个问题，我再想想。
• 积压过多触发集群流控？那是真的影响业务了。
• 想消费前两天的数据？请您重发一遍吧。
• 要统计哪些服务接入了？您要多等等了，我得去捞IP看看。
• 有没有使用风险比如大消息？这个我猜猜。

裸奔的服务

曾经有这么一个故障，多个业务共用一个数据库。在一次晚高峰流量陡增，把数据库打挂了。

• 数据库单机升级到最高配依然无法解决
• 重启后缓一缓，不一会就又被打挂了
• 如此循环着、煎熬着、默默等待着高峰过去

思考：无论消息还是服务都需要完善的治理措施
​

打造分布式消息治理平台

​

设计指南

​
哪些是我们的关键指标，哪些是我们的次要指标，这是消息治理的首要问题。

设计目标
​
旨在屏蔽底层各个中间件（ RocketMQ / Kafka ）的复杂性，通过唯一标识动态路由消息。同时打造集资源管控、检索、监控、告警、巡检、容灾、可视化运维等一体化的消息治理平台，保障消息中间件平稳健康运行。
​

消息治理平台设计需要考虑的点

​

• 提供简单易用 API
• 有哪些关键点能衡量客户端的使用没有安全隐患
• 有哪些关键指标能衡量集群健康不健康
• 有哪些常用的用户/运维操作将其可视化
• 有哪些措施应对这些不健康

​

尽可能简单易用

​

设计指南

​
把复杂的问题搞简单，那是能耐。

极简统一 API
​
提供统一的 SDK 封装了（ Kafka / RocketMQ ）两种消息中间件。
​

一次申请

​
主题消费组自动创建不适合生产环境，自动创建会导致失控，不利于整个生命周期管理和集群稳定。需要对申请流程进行控制，但是应尽可能简单。例如：一次申请各个环境均生效、生成关联告警规则等。
​

客户端治理

设计指南

监控客户端使用是否规范，找到合适的措施治理

场景回放

场景一 瞬时流量与集群的流控

假设现在集群 Tps 有 1 万，瞬时翻到 2 万甚至更多，这种过度陡增的流量极有可能引发集群流控。针对这类场景需监控客户端的发送速度，在满足速度和陡增幅度阈值后将发送变的平缓一些。

场景二 大消息与集群抖动

当客户端发送大消息时，例如：发送几百KB甚至几兆的消息，可能造成 IO 时间过长与集群抖动。针对这类场景治理需监控发送消息的大小，我们采取通过事后巡检的方式识别出大消息的服务，推动使用同学压缩或重构，消息控制在 10KB 以内。

场景三 过低客户端版本

随着功能的迭代 SDK 的版本也会升级，变更除了功能外还有可能引入风险。当使用过低的版本时一个是功能不能得到支持，另外一个是也可能存在安全隐患。为了解 SDK 使用情况，可以采取将 SDK 版本上报，通过巡检的方式推动使用同学升级。

场景四 消费流量摘除和恢复

消费流量摘除和恢复通常有以下使用场景，第一个是发布应用时需要先摘流量，另外一个是问题定位时希望先把流量摘除掉再去排查。为了支持这种场景，需要在客户端监听摘除/恢复事件，将消费暂停和恢复。

场景五 发送/消费耗时检测

发送/消费一条消息用了多久，通过监控耗时情况，巡检摸排出性能过低的应用，针对性推动改造达到提升性能的目的。

场景六 提升排查定位效率

在排查问题时，往往需要检索发了什么消息、存在哪里、什么时候消费的等消息生命周期相关的内容。这部分可以通过 msgId 在消息内部将生命周期串联起来。另外是通过在消息头部埋入 rpcId / traceId 类似链路标识，在一次请求中将消息串起来。

治理措施提炼

需要的监控信息

• 发送/消费速度
• 发送/消费耗时
• 消息大小
• 节点信息
• 链路标识
• 版本信息

常用治理措施

• 定期巡检：有了埋点信息可以通过巡检将有风险的应用找出来。例如发送/消费耗时大于 800 ms、消息大小大于 10 KB、版本小于特定版本等。
• 发送平滑：例如检测到瞬时流量满足 1 万而且陡增了 2 倍以上，可以通过预热的方式将瞬时流量变的平滑一些。
• 消费限流：当第三方接口需要限流时，可以对消费的流量进行限流，这部分可以结合高可用框架实现。
• 消费摘除：通过监听摘除事件将消费客户端关闭和恢复。

主题/消费组治理

​

设计指南

​
监控主题消费组资源使用情况
​

场景回放

​
场景一 消费积压对业务的影响
​
有些业务场景对消费堆积很敏感，有些业务对积压不敏感，只要后面追上来消费掉即可。例如单车开锁是秒级的事情，而信息汇总相关的批处理场景对积压不敏感。通过采集消费积压指标，对满足阈值的应用采取实时告警的方式通知到应用负责的同学，让他们实时掌握消费情况。
​
场景二 消费/发送速度的影响
​
发送/消费速度跌零告警？有些场景速度不能跌零，如果跌零意味着业务出现异常。通过采集速度指标，对满足阈值的应用实时告警。
​
场景三 消费节点掉线
​
消费节点掉线需要通知给应用负责的同学，这类需要采集注册节点信息，当掉线时能实时触发告警通知。
​
场景四 发送/消费不均衡
​
发送/消费的不均衡往往影响其性能。记得有一次咨询时有同学将发送消息的key设置成常量，默认按照 key 进行 hash 选择分区，所有的消息进入了一个分区里，这个性能是无论如何也上不来的。另外还要检测各个分区的消费积压情况，出现过度不均衡时触发实时告警通知。
​

治理措施提炼

​
需要的监控信息
​

• 发送/消费速度
• 发送分区详情
• 消费各分区积压
• 消费组积压
• 注册节点信息

常用治理措施
​

• 实时告警：对消费积压、发送/消费速度、节点掉线、分区不均衡进行实时告警通知。
• 提升性能：对于有消费积压不能满足需求，可以通过增加拉取线程、消费线程、增加分区数量等措施加以提升。
• 自助排查：提供多维度检索工具，例如通过时间范围、msgId 检索、链路系统等多维度检索消息生命周期。

​

集群健康治理

​

设计指南

​
度量集群健康的核心指标有哪些？
​

场景回放

场景一 集群健康检测
​
集群健康检测回答一个问题：这个集群是不是好的。通过检测集群节点数量、集群中每个节点心跳、集群写入Tps水位、集群消费Tps水位都是在解决这个问题。
​
场景二 集群的稳定性
​
集群流控往往体现出集群性能的不足，集群抖动也会引发客户端发送超时。通过采集集群中每个节点心跳耗时情况、集群写入Tps水位的变化率来掌握集群是否稳定。
​
场景三 集群的高可用
​
高可用主要针对极端场景中导致某个可用区不可用、或者集群上某些主题和消费组异常需要有一些针对性的措施。例如：MQ 可以通过同城跨可用区主从交叉部署、动态将主题和消费组迁移到灾备集群、多活等方式进行解决。
​

治理措施提炼

​
需要的监控信息
​

• 集群节点数量采集
• 集群节点心跳耗时
• 集群写入 Tps 的水位
• 集群消费 Tps 的水位
• 集群写入 Tps 的变化率

常用治理措施
​

• 定期巡检：对集群 Tps 水位、硬件水位定期巡检。
• 容灾措施：同城跨可用区主从交叉部署、容灾动态迁移到灾备集群、异地多活。
• 集群调优：系统版本/参数、集群参数调优。
• 集群分类：按业务线分类、按核心/非核心服务分类。

最核心指标聚焦

​
如果说这些关键指标中哪一个最重要？我会选择集群中每个节点的心跳检测，即：响应时间（ RT ），下面看看影响 RT 可能哪些原因。

关于告警

​

• 监控指标大多是秒级探测
• 触发阈值的告警推送到公司统一告警系统、实时通知
• 巡检的风险通知推送到公司巡检系统、每周汇总通知

消息平台图示

​

架构图

​

看板图示

​

• 多维度：集群维度、应用维度
• 全聚合：关键指标全聚合

RocketMQ 实战中踩过的坑和解决方案

​

行动指南

​
我们总会遇到坑，遇到就把它填了。
​

1. RocketMQ 集群 CPU 毛刺

​

问题描述

**

RocketMQ 从节点、主节点频繁 CPU 飙高，很明显的毛刺，很多次从节点直接挂掉了。

只有系统日志有错误提示

```js
2020-03-16T17:56:07.505715+08:00 VECS0xxxx kernel:[] ? __alloc_pages_nodemask+0x7e1/0x9602020-03-16T17:56:07.505717+08:00 VECS0xxxx kernel: java: page allocation failure. order:0, mode:0x202020-03-16T17:56:07.505719+08:00 VECS0xxxx kernel: Pid: 12845, comm: java Not tainted 2.6.32-754.17.1.el6.x86_64 #12020-03-16T17:56:07.505721+08:00 VECS0xxxx kernel: Call Trace:2020-03-16T17:56:07.505724+08:00 VECS0xxxx kernel:[] ? __alloc_pages_nodemask+0x7e1/0x9602020-03-16T17:56:07.505726+08:00 VECS0xxxx kernel: [] ? dev_queue_xmit+0xd0/0x3602020-03-16T17:56:07.505729+08:00 VECS0xxxx kernel: [] ? ip_finish_output+0x192/0x3802020-03-16T17:56:07.505732+08:00 VECS0xxxx kernel: [] ?

各种调试系统参数只能减缓但是不能根除，依然毛刺超过 50%

解决方案

​

将集群所有系统升级从 centos 6 升级到 centos 7 ，内核版本也从从 2.6 升级到 3.10 ，CPU 毛刺消失。
​

2. RocketMQ 集群线上延迟消息失效

​

问题描述

RocketMQ 社区版默认本支持 18 个延迟级别，每个级别在设定的时间都被会消费者准确消费到。为此也专门测试过消费的间隔是不是准确，测试结果显示很准确。然而，如此准确的特性居然出问题了，接到业务同学报告线上某个集群延迟消息消费不到，诡异！
​

解决方案

​

将" delayOffset.json “和” consumequeue / SCHEDULE_TOPIC_XXXX "移到其他目录，相当于删除；逐台重启 broker 节点。重启结束后，经过验证，延迟消息功能正常发送和消费。
​

打造微服务高可用治理平台

​

设计指南

哪些是我们的核心服务，哪些是我们的非核心服务，这是服务治理的首要问题
​

设计目标

​

服务能应对突如其来的陡增流量，尤其保障核心服务的平稳运行。
​

应用分级和分组部署

​

应用分级

​
根据用户和业务影响两个纬度来进行评估设定的，将应用分成了四个等级。
​

• 业务影响：应用故障时影响的业务范围
• 用户影响：应用故障时影响的用户数量

S1：核心产品，产生故障会引起外部用户无法使用或造成较大资损，比如主营业务核心链路，如单车、助力车开关锁、顺风车的发单和接单核心链路，以及其核心链路强依赖的应用。
​
S2: 不直接影响交易，但关系到前台业务重要配置的管理与维护或业务后台处理的功能。
​
S3: 服务故障对用户或核心产品逻辑影响非常小，且对主要业务没影响，或量较小的新业务；面向内部用户使用的重要工具，不直接影响业务，但相关管理功能对前台业务影响也较小。
​
S4: 面向内部用户使用，不直接影响业务，或后续需要推动下线的系统。
​

分组部署

​

S1 服务是公司的核心服务，是重点保障的对象，需保障其不被非核心服务流量意外冲击。
​

• S1 服务分组部署，分为 Stable 和 Standalone 两套环境
• 非核心服务调用 S1 服务流量路由到 Standalone 环境
• S1 服务调用非核心服务需配置熔断策略

多种限流熔断能力建设

​

我们建设的高可用平台能力

部分限流效果图

**

• 预热图示

• 排队等待

• 预热+排队

高可用平台图示

• 中间件全部接入
• 动态配置实时生效
• 每个资源和 IP 节点详细流量

总结

​

• 哪些是我们的关键指标，哪些是我们的次要指标，这是消息治理的首要问题
• 哪些是我们的核心服务，哪些是我们的非核心服务，这是服务治理的首要问题
• 源码&实战 是一种比较好的工作学习方法。