战疫期，钉钉如何扛起暴增百倍的流量？

疫情期间，在线教育、在线办公需求持续井喷，钉钉作为很多企业首选的在线办公软件，用户量激增，特别是钉钉视频会议、直播的需求随之飙升。同时，钉钉为了响应教育部门“停课不停学”的号召，宣布老师们可以免费试用钉钉在线课堂。

流量如洪流般涌入钉钉，一场资源扩容的技术挑战拉开了帷幕。中小学生集体对钉钉展开了五星分期与在线写歌“泄愤”的策略，钉钉本钉不得不在线求饶。而在大战间隙，一声感叹传出：

流量这么大，钉钉为什么不崩？

从 1 月 28 日开始，钉钉音视频会议、直播的访问流量倍数级增长。作为一个在云上成长起来的产品，钉钉开启了在阿里云的资源扩容之路，满足了用户在家办公及在家上课的需求，保证了用户良好的体验，钉钉如何做到的？

如此大型的扩容，面临着两大困境：效率与资源供应

人工扩容困境：效率低下

• 时间太短。 面对流量暴增，留给钉钉技术团队时间只有几天。从 1 月 29 日起，钉钉团队就已在阿里云上 24 小时开始全力扩容，截止 2 月 2 日，从最初的 2W vCPU 扩容到 3W vCPU，仅做到了数倍扩容，还远未达到业务需求。

• 购买与配置非常复杂。 钉钉的系统架构包含多种资源，不同于单一的云服务器 ECS 服务集群，还包含 SLB、MongoDB、Redis、EIP 等产品。这些资源都需要一个个购买，其之间的关系也需要技人工自行配置。

• 人工部署效率低、失误率高。 钉钉用户群量级大。如果人工部署集群，一个人部署 1 个集群需要 1 小时左右，同时也只能操作 3-4 个集群，还需要大量的配置操作，很容易失误。

• 部署复杂度高。 集群的服务能力自闭环，支持无限扩展，但也会相应提升部署复杂度，而这次扩容涉及 8 个地域、16 个可用区，传统部署方式扩容场景效率低下
  大规模集群管理难度大。需要快速扩容近千集群，才能满足几亿人在家办公及学生在家上课的需求。当资源上千后，就很难管理资源之间的关系了，更何况超百万的资源规模。

• 人工部署，容错率比较差，排查困难。 集群之间经常出现偏差，某个集群的 SLB 监听端口是 300，另一个集群是 3000，出现问题很难排查。

除却以上困难，建立和运维如此巨大的集群规模还会带来更多的技术挑战。

利用资源编排服务 ROS，实现快速自动部署

早在 2 月 2 日流量洪峰带来之前，钉钉就通过阿里云的资源编排服务（Resource Orchestration Service，简称 ROS）提高集群部署效率、帮助其快速扩容。而这款服务不负重托，帮助钉钉在短短 2 小时内新增部署了超过 1 万台云服务器，这个数字也创下了阿里云上快速扩容的新纪录。

什么选择资源编排服务？

资源编排服务是一款帮助阿里云用户简化云资源创建、更新和删除的自动化服务。其通过资源栈 (Stack) 这种逻辑集合来统一管理一组云资源（一个资源栈即为一组阿里云资源）。利用资源编排服务，云资源的创建、删除、克隆等操作都可以以资源栈为单位来完成。在 DevOps 实践中，资源编排可以轻松地克隆开发、测试、线上环境；同时，也可以更容易实现应用的整体迁移和扩容。

基础设施即代码（Infrastructure as Code）

资源编排服务是阿里云提供的基础设施即代码（Infrastructureas Code，简称 IaC）的云产品，使用 ROS 可以帮助最快速地实践 DevOps 中关于 IaC 的理念。

全自动托管服务

ROS 产品为全托管服务，无需购买维护 IaC 模板本身执行所使用的资源，只需要关注业务所需要使用的资源，即模板中定义的资源。尤其需要创建多个项目（对应多个资源栈）时，全托管的自动化可以更快地完成任务。

可重复部署

无论客户是需要部署的环境是开发，测试和生产环境，都可以使用同一套模板进行创建。指定不同的参数可以满足环境的差异化，例如，测试环境的 ECS 实例数是 2 台，而生产环境的 ECS 实例数是 20 台。或是客户需要进行多地域的部署，使用同一套模板可以进行重复的部署，从而提高部署多地域的效率。

标准化部署

在实践中，不同环境的细微差异往往带来非常复杂的管理成本，延长了问题诊断的时间，从而影响了业务的正常运转。通过使用 ROS 重复部署，可以将部署环境标准化，减少不同环境的差异，将环境的配置沉淀到模板中。再通过类似代码的严格管理流程，从而保证部署的标准性。

统一的身份认证、安全和审计

和其它的同类产品对比，阿里云官方出品的 ROS 与其它阿里云产品有着最佳的集成。集成资源访问管理（RAM）提供了统一的身份认证，而无需为单独建立用户认证体系。所有的云产品操作都通过 OpenAPI 调用，意味着您可以使用操作审计服务（ActionTrail）来审查所有的运维操作，包括 ROS 本身。

ROS 如何服务钉钉扩容？

定义资源模板

ROS 帮助钉钉快速创建了描述其所需要用到的阿里云资源（如 ECS 实例、数据库实例等）的模板，以定义它的集群架构。ROS 提供可视化编辑器能力，可自动可使用的模板。模板完成后，ROS 将自动地创建并配置这些资源，即可实现基础设施即代码（Infrastructureas Code）的理念。

模板解析与执行

当 ROS 接收到用户创建资源栈的请求时，在执行创建前，首先会对模板进行解析。解析包括语法检查、参数校验、依赖分析等。

依赖分析就是分析出资源间的依赖关系，目的有两个：

• 保证资源创建的正确性：被依赖资源创建完成后才会创建依赖资源。
• 提供并行化创建的能力：无依赖关系的资源可以并行化创建。

模板解析完成后，ROS 会按照依赖关系创建资源，只有所有前置资源完成创建，后面的资源才会开始创建，类似状态机的机制。

该资源模板可以快速地重复部署，尤其多地域、多可用区部署的情况；同时也可以减少环境之间的偏差，将部署过程和结果标准化，减少因为环境偏差引入的系统问题。

总结

钉钉使用资源编排服务 ROS，扩容效率就提升了 100 倍，陆续为钉钉完成了 10 万台云服务器的快速扩容和部署，创下了阿里云上快速扩容的新纪录。

目前 ROS 已经拥有平均每分钟 1 个集群的扩容效率、每天超百万 vCPU 弹性能力。未来，可以预见到，疫情结束后，数百万资源回收释放也将是一个浩大的工程。资源编排服务 ROS 具有一键销毁功能，自动回收集群内所有资源，避免繁琐操作及遗漏。

弹性是云计算最大的优势，也是云计算对整个社会提供的普惠和便利，而阿里云弹性计算资源编排服务 ROS 作为阿里云上原生的自动化编排部署服务，让云计算的弹性发挥到极致，为钉钉提供了强有力的支持，让钉钉成为使用最频繁最流畅的平台。