稳定性建设

开篇

SLA（service-level agreement，即 服务级别协议）也称服务等级协议，经常被用来衡量服务稳定性指标。业界高可用的标准是按照系统宕机时间来衡量的，通常被称作“几个 9”，9 越多代表服务全年可用时间越长，服务也就越可靠，即停机时间越短。通常作为服务提供商与受服务用户之间具体达成承诺的服务指标。

一、稳定性建设是什么

简单理解，系统稳定性本质上是系统的确定性应答。

从另一个角度解释。稳定性建设的目标是尽可能的保证SLA.

二、为什么要做稳定性建设

稳定性有多重要，我们来看几个由于服务稳定性故障造成影响的案例：

• 2023年11月12日阿里全线故障，用户订外卖，网购均受影响，阿里云信任危机。
• 滴滴2023年11月27日夜间发生故障，给广大用户造成不便，公司经济损失且补发优惠券。

服务稳定性对于企业来说非常重要，不仅仅会对企业带来直接的经济损失，甚至会对行业、人们的生活造成非常严重的影响。所以说服务稳定性建设的意义非常重大。

三、影响稳定性的因素

• 人为因素

不合理的变更（50%）、意识问题、外部攻击等等

• 软件因素

系统依赖、架构设计问题、代码bug、设计漏洞、GC问题、线程池异常

• 硬件因素

网络故障、机器故障、DB等中间件问题

下面就是对症下药，首先是故障前的预防，其次是故障后的快速恢复能力，下面我们就聊聊几种常见的解决思路。

四、怎么做稳定性建设

稳定性建设4大抓手

降发生

从开发阶段开始，到最后的代码上线，这整个过程中，对各个阶段进行质量把控，将所有异常排除在发生之前

提感知

故障在所难免，所以一定要做到，一旦发生故障，能够及时且精准的告警！

快响应

在接到异常告警之后，能够快速响应、快速定位、快速止损，不要总想着这是谁的锅、如何解决问题，一定要先止损

做复盘

解决了故障，也一定要复盘，为了避免以后再次出现此类事故

知识沉淀到经验库里面

产生故障的原因。

3+1保障

良好的系统架构和实现

完备的团队研发运维流程机制

技术同学良好的意识和能力

良好的研发项目管理

监控 容灾 降级 服务治理

四、总结

1、一个好的软件架构，应该遵循高性能、高可用、易扩展 3 大原则，其中「高可用」在系统规模变得越来越大时，变得尤为重要。

2、对于一个动态演进的系统而言，我们没有办法将故障发生的概率降为0，预防和缩短故障的恢复时间才是我们追求的目标。

3、适合的才是最好的。提升稳定性的同时，维护成本、机器成本等也会跟着上涨，我们也不用一味的追求可用性，需要结合系统的业务SLA要求权衡。

如何做好稳定性和高可用保障是一个很庞大的命题，本篇文章没有太多的深入细节，只聊了整体的一些思路，主要是为了大家在以后的系统高可用建设过程中，有一套系统的框架可以参考