百万 TPS 服务发布无感知！详解轻量消息队列无损发布实践

原创于 2025-07-21 15:18:32 发布 · 602 阅读

18 ·

CC 4.0 BY-SA版权

文章标签：

#阿里云 #云原生 #消息队列

作者：辛八

前言

阿里云轻量消息队列（原 MNS）【1】是一款易集成、高并发、弹性可扩展的消息队列服务，助力开发者在分布式组件间高效传递数据，构建松耦合架构。它凭借轻量化架构、高可靠性及动态弹性优势，在业务异步处理、AI 场景（如 LLM 推理调度、GPU 资源调度）中实现规模化应用，服务涵盖零售、金融、汽车、游戏等领域的数千家企业客户。

本文将从开发者视角出发，深入解析轻量消息队列中一项关键能力——“无损发布”的核心优势、技术实现以及实践经验，如果您的业务也有类似需求，本文将为您提供一套经过生产环境验证的实践参考。

1. “无损发布”的核心优势与业务价值

（1）核心优势

“无损发布”并非一个新概念，在业内有各种各样的方案。相比之下，轻量消息队列的“无损发布”具备以下几个关键优势：

百万 TPS 级无感知、无报错的服务发布：大多数“无损”方案依然会造成一部分流量的业务中断，而本方案经百万 TPS 生产实践验证，在发布过程中，客户侧不会有任何业务中断。
兼容存量用户：客户侧无需任何改造，避免“要求客户端升级”这类难以推行的操作。
高鲁棒、低维护：方案简洁、鲁棒性强，在不改动架构的情况下无须进行维护。
通用性强：可适配绝大多数基于 HTTP 协议的无状态应用。

（2）业务价值

面对发布期间可能出现的分钟级概率性报错，我们不禁会问：是否有必要投入资源去解决？我们的业务是否需要借鉴本文方案进行改造？

通过业务改造前后对比（见下图）可见，实现“无损发布”带来的业务收益远超多数人的预期，下方清晰地展示了其业务价值，为上述问题提供了明确的答案。

接下来，将从开发者视角出发，依次介绍轻量消息队列“无损发布”的网络架构、核心实现以及落地实践。

2. 阿里云轻量消息队列“无损发布”方案解析

（1）网络架构

轻量消息队列“无损发布”的网络架构简化模型如上图所示，其设计有以下几个核心点：

聚焦网络入口层：对于无状态应用（MNS 实际存在有状态部分，本文暂不涉及），升级过程中只需考虑如何将待发布的应用进行 TCP 连接优雅摘除即可，故重点聚焦于架构的网络入口层。
架构通用性强：该架构与大部分 HTTP 业务架构类似，因此具备良好的通用性，可被广泛采用。
方案兼容性强：在方案落地过程中，我们遇到了多种不同的部署形态及组件，如 ACK（阿里云 Kubernetes 服务)、ECS 的不同部署形态，LB 多种不同组件的不同版本，ACK 的不同网络架构等。尽管过程中面临诸多挑战，但最终实现了全面兼容，验证了该方案具备组件可替换、通用性好的优点。
与应用解耦：该实现与应用解耦，不需要对应用进行改造（注：如不存在 nginx proxy，也可将对应能力移植到应用上），可适用于大多数场景下的应用。
客户端无感知：这是本方案的一大优势，仅需在服务侧进行改造即可，Client 无须任何变动，因此可以很好地兼容存量用户。

（2）核心实现流程

轻量消息队列（原 MNS）“无损发布”的核心实现流程如上图所示，简化描述如下：

阶段一：摘除待发布应用的连接

步骤一：摘除 TCP 建连请求，且保证残余连接正常转发以及应用正常响应（实现参考下文 4.（1）部分）。
步骤二：优雅关闭残余连接（实现参考下文 4.（2）部分）。

阶段二：发布应用

步骤三：确认应用已无连接以及请求后，进行发布。
步骤四：流量引入发布完成后应用。

在技术方案的设计过程中，我们始终遵循“奥卡姆剃刀法则”：极简的往往最鲁棒、通用，而本实现流程正是这一原则的体现。

在技术方案的落地过程中，尽管轻量消息队列（原 MNS）历史较长，架构、组件情况较为复杂，遇到了多种部署架构（如 K8S、ESC），各类组件（如 client、LB、nginx、kube-proxy）的配置与兼容性等问题，该方案在轻量消息队列（原 MNS）的架构中最终得以成功落地，充分验证了其通用性与鲁棒性。

3. 百万 TPS 轻量消息队列“无损发布”实践

（1）摘除 TCP 建连请求

概述

摘除 TCP 建连请求的方式，简单理解就是使用 LB（负载均衡）将对应 RS（后端服务器）摘掉，但要实现真正“优雅”的无损发布（即客户侧无任何报错与感知），需要解决以下几个关键技术问题：

如何摘除新建连请求？ – 需要明确摘除 RS 的管控方式，如果基于 API 可能会因为组件依赖导致可迁移性差。
如何保证优雅？ – 摘除 RS 后，新建连接请求会被拒绝，但存量 TCP 连接也会因路由规则被移除而中断，从而导致流量受损。
如何兼容 K8S 架构？ – 在 K8S 架构下，LB 与 POD 之间多了 kube-proxy 这一网络组件，且这个组件在 ACK 不同网络架构下又有不同表现，该如何兼容？

为了解决以上问题，我们针对 K8S、ECS 架构及不同版本组件，都提出了相应的解决方案。

实现方案

K8S（阿里云容器服务 ACK）

在 ACK 架构下，由于多增加一层 K8S 的网络架构，实现过程经历了较多曲折。最终方案的实现原理涉及 K8S 的 kube-proxy 网络组件，下面的每个配置几乎都是都是经过权衡后的标准化配置。为了简洁说明，下面将重点阐述实现方式。

（2）优雅断连

“优雅断连”指的是在业务无中断前提下关闭 TCP 连接，这一实现是本方案中的核心技术难点，也是最重要的部分。

概述

实现“优雅断连”，我们需要重点关注两个核心点：

TCP 连接只能由客户端关闭
- 原因：TCP 网络链路为 client -> LB (-> kube-proxy) -> tengine -> 应用，若断连 LB 下游任一连接，都会导致 client 侧依然认为与 LB 的连接存在，会继续往对应连接发送 http 请求，由于下游连接已中断，从而导致业务中断。
不能要求客户升级客户端
- 原因：无法要求所有客户升级，无损改动无意义。

基于以上两点，我们通过两个方式保证优雅断连：

对于有请求连接
- 方式：返回 Response 带上 HTTP 关闭帧。
- 原因：由于 client 对 http 协议的原生兼容，接收到 Response 后会完成本次请求 + 自行关闭连接。
对于无请求连接
- 方式：在摘除 LB 后等待 socketTimeOut 时间。
- 原因：等待 socketTimeOut 时间内，对于有请求的连接，已经通过第一种方式关闭掉，对于没请求的连接，client 会自行对该连接标志为废弃连接。

该方案之所以具备通用性，是因为其利用了所有标准 HTTP 客户端均支持的协议特性。

实现方案

前置改造：

改造 nginx 源码，提供一个主动向 client 端发 HTTP 协议的关闭帧信息的开关。

原因：nginx(or tengine)不支持用户控制的向 client 端发送关闭帧信息的能力(源码中写死) ，只能通过自行改造源码进行能力支持。(相关讨论参考相关 github issue)

发布步骤：

步骤一：打开 nginx 回复关闭帧的开关 – MNS 侧是通过 status 标志文件控制，删除 status 标志文件后会摘除 LB 的 RS 以及 nginx 回复关闭帧。
步骤二：等待 socketTimeOut 时间 – 关闭(keep-alive-timeout 内)无请求的连接。
步骤三：确认已无连接 – 通过请求量、连接数等可观测手段，确认已无残余连接，此时应用已经摘除所有流量，可以进行升级操作。

（3）CI/CD 接入

前文（1）、（2）聚焦在架构侧的改造，由于其能力实现较为细节和深入，对于平时较少接触相关业务内容的同学来说，可能会较为抽象，甚至产生“接入自动化复杂、门槛高”的误解。实际上，该方案设计简洁，能够轻松融入现有的大部分 CI/CD 和 K8s 体系，下面将介绍如何接入。

ECS

ECS 接入 CI/CD，只需改造 offline 部分以及 online 部分 CI/CD 脚本即可，以下为发布脚本的伪代码：

pubstart)
    offline
    stop_http
    stopjava
    startjava
    start_http
    online
;;	

offline_http() {
    echo "[ 1/10] -- offline http from load balance server"
    # 删除标志文件
    # 效果:
    # 1. (改造一)LB健康检查失败，摘除新建连请求
    # 2. (改造二)nginx对所有response带上HTTP中断帧，client侧受到response后关闭连接
    rm -f $STATUSROOT_HOME/status

    # 效果：应用侧对所有请求快速返回，防止极端情况
    curl localhost:7001/shutDownGracefully

    # 等待socketTimeout + LB健康检查时间
    # 效果:client侧(到发布中应用的)所有连接到达Timeout，发布中应用的所有连接被摘除
    sleep $SOCKET_TIMEOUT + $HEALTH_CHECK

}

stop_http() {
    关闭nginx
}

stopjava() {
    关闭java
}

startjava() {
    启动新java包
}

start_http() {
    启动nginx
}

online() {
    # 回挂标志文件
    touch $STATUSROOT_HOME/status
}

K8S 架构

K8S 架构下，pod 关闭过程中原生预留了优雅关闭的接口，将上述脚本放至 preStop 即可，yaml 定义如下：

apiVersion: apps/v1
kind: Deployment
metadata:
  name: my-deployment
spec:
  replicas: 1
  selector:
    matchLabels:
      app: my-app
  template:
    metadata:
      labels:
        app: my-app
    spec:
      containers:
      - name: main-container
        image: my-image:latest
        lifecycle:
          # 将下线脚本定义为preStop即可
          preStop:
            exec:
              command: 
                - sh
                - /home/admin/offline.sh
        ports:
        - containerPort: 8080
      - name: sidecar-container
        image: sidecar-image
        lifecycle:
          # 其他sideCar等待即可，防止影响主容器
          preStop:
            exec:
              command: 
                - sh
                - -c
                - sleep 100

（4）验证

以模拟场景的测试数据举例说明，对比本方案在改造前后的差异：

从以上的测试结果可以看到，在经过“无损发布”改造后，发布期间的客户侧的错误率归零。

4. 总结

本文详细阐述了阿里云轻量消息队列（原 MNS）实现“无损发布”的核心技术路径。

其关键点在于：

首先，通过改造负载均衡（LB）的健康检查机制与利用其 Draining 能力，实现了新流量的无感知隔离；

其次，通过对 Nginx 源码的改造，在 HTTP 响应中注入关闭帧，引导客户端主动、优雅地关闭活跃连接，并结合超时机制处理空闲连接，最终确保在应用更新前所有流量被平滑清空。

最终，给出兼容 ECS 与 Kubernetes 等多种部署环境的落地实践。

正是基于上述这些关键点的实现，MNS 才得以在客户侧无改造的前提下，对外提供真正意义上的无损能力。无论是在百万级 TPS 的高并发场景下，还是在复杂的网络架构中，MNS 都能确保服务发布和版本迭代对客户业务的零中断、零感知，从而持续提升了客户的整体体验。无损发布不仅是轻量消息队列众多优点之一，更是我们产品践行“追求卓越”“客户第一”理念的切实体现。

【1】阿里云轻量消息队列（原 MNS）

https://www.aliyun.com/product/smq

点击此处，了解轻量消息队列（原 MNS）更多详情