美團外賣分佈式系統架構設計

背景

美團外賣已經發展了五年，即時物流探索也經歷了 3 年多的時間，業務從零孵化到初具規模，在整個過程中積累了一些分佈式高併發系統的建設經驗。最主要的收穫包括兩點：

  1. 即時物流業務對故障和高延遲的容忍度極低，在業務複雜度提升的同時也要求系統具備分佈式、可擴展、可容災的能力。即時物流系統階段性的逐步實施分佈式系統的架構升級，最終解決了系統宕機的風險。

  2. 圍繞成本、效率、體驗覈心三要素，即時物流體系大量結合 AI 技術，從定價、ETA、調度、運力規劃、運力干預、補貼、覈算、語音交互、LBS 挖掘、業務運維、指標監控等方面，業務突破結合架構升級，達到促規模、保體驗、降成本的效果。

本文主要介紹在美團即時物流分佈式系統架構逐層演變的進展中，遇到的技術障礙和挑戰：

美團即時物流架構

美團即時物流配送平臺主要圍繞三件事展開：一是面向用戶提供履約的 SLA，包括計算送達時間 ETA、配送費定價等；二是在多目標（成本、效率、體驗）優化的背景下，匹配最合適的騎手；三是提供騎手完整履約過程中的輔助決策，包括智能語音、路徑推薦、到店提醒等。

在一系列服務背後，是美團強大的技術體系的支持，並由此沉澱出的配送業務架構體系，基於架構構建的平臺、算法、系統和服務。龐大的物流系統背後離不開分佈式系統架構的支撐，而且這個架構更要保證高可用和高併發。

分佈式架構，是相對於集中式架構而言的一種架構體系。分佈式架構適用 CAP 理論（Consistency 一致性，Availability 可用性，Partition Tolerance 分區容忍性）。在分佈式架構中，一個服務部署在多個對等節點中，節點之間通過網絡進行通信，多個節點共同組成服務集羣來提供高可用、一致性的服務。

早期，美團按照業務領域劃分成多個垂直服務架構；隨着業務的發展，從可用性的角度考慮做了分層服務架構。後來，業務發展越發複雜，從運維、質量等多個角度考量後，逐步演進到微服務架構。這裏主要遵循了兩個原則：不宜過早的進入到微服務架構的設計中，好的架構是演進出來的不是提前設計出來的。

分佈式系統實踐

上圖是比較典型的美團技術體系下的分佈式系統結構：依託了美團公共組件和服務，完成了分區擴容、容災和監控的能力。前端流量會通過 HLB 來分發和負載均衡；在分區內，服務與服務會通過 OCTO 進行通信，提供服務註冊、自動發現、負載均衡、容錯、灰度發佈等等服務。當然也可以通過消息隊列進行通信，例如 Kafka、RabbitMQ。在存儲層使用 Zebra 來訪問分佈式數據庫進行讀寫操作。利用 CAT（美團開源的分佈式監控系統）進行分佈式業務及系統日誌的採集、上報和監控。分佈式緩存使用 Squirrel+Cellar 的組合。分佈式任務調度則是通過 Crane。

在實踐過程還要解決幾個問題，比較典型的是集羣的擴展性，有狀態的集羣可擴展性相對較差，無法快速擴容機器，無法緩解流量壓力。同時，也會出現節點熱點的問題，包括資源不均勻、CPU 使用不均勻等等。

首先，配送後臺技術團隊通過架構升級，將有狀態節點變成無狀態節點，通過並行計算的能力，讓小的業務節點去分擔計算壓力，以此實現快速擴容。

第二是要解決一致性的問題，對於既要寫 DB 也要寫緩存的場景，業務寫緩存無法保障數據一致性，美團內部主要通過 Databus 來解決，Databus 是一個高可用、低延時、高併發、保證數據一致性的數據庫變更實時傳輸系統。通過 Databus 上游可以監控業務 Binlog 變更，通過管道將變更信息傳遞給 ES 和其他 DB，或者是其他 KV 系統，利用 Databus 的高可用特性來保證數據最終是可以同步到其他系統中。

第三是我們一直在花精力解決的事情，就是保障集羣高可用，主要從三個方面來入手，事前較多的是做全鏈路壓測評，估峯值容量；週期性的集羣健康性檢查；隨機故障演練（服務、機器、組件）。事中做異常報警（性能、業務指標、可用性）；快速的故障定位（單機故障、集羣故障、IDC 故障、組件異常、服務異常）；故障前後的系統變更收集。事後重點做系統回滾；擴容、限流、熔斷、降級；核武器兜底。

單 IDC 的快速部署 & 容災

單 IDC 故障之後，入口服務做到故障識別，自動流量切換；單 IDC 的快速擴容，數據提前同步，服務提前部署，Ready 之後打開入口流量；要求所有做數據同步、流量分發的服務，都具備自動故障檢測、故障服務自動摘除；按照 IDC 爲單位擴縮容的能力。

多中心嘗試

美團 IDC 以分區爲單位，存在資源滿排，分區無法擴容。美團的方案是多個 IDC 組成虛擬中心，以中心爲分區的單位；服務無差別的部署在中心內；中心容量不夠，直接增加新的 IDC 來擴容容量。

單元化嘗試

相比多中心來說，單元化是進行分區容災和擴容的更優方案。關於流量路由，美團主要是根據業務特點，採用區域或城市進行路由。數據同步上，異地會出現延遲狀況。SET 容災上要保證同本地或異地 SET 出現問題時，可以快速把 SET 切換到其他 SET 上來承擔流量。

智能物流的核心技術能力和平臺沉澱

機器學習平臺，是一站式線下到線上的模型訓練和算法應用平臺。之所以構建這個平臺，目的是要解決算法應用場景多，重複造輪子的矛盾問題，以及線上、線下數據質量不一致。如果流程不明確不連貫，會出現迭代效率低，特徵、模型的應用上線部署出現數據質量等障礙問題。

JARVIS 是一個以穩定性保障爲目標的智能化業務運維 AIOps 平臺。主要用於處理系統故障時報警源很多，會有大量的重複報警，有效信息很容易被淹沒等各種問題。此外，過往小規模分佈式集羣的運維故障主要靠人和經驗來分析和定位，效率低下，處理速度慢，每次故障處理得到的預期不穩定，在有效性和及時性方面無法保證。所以需要 AIOps 平臺來解決這些問題。

未來的挑戰

經過覆盤和 Review 之後，我們發現未來的挑戰很大，微服務不再 “微” 了，業務複雜度提升之後，服務就會變得膨脹。其次，網狀結構的服務集羣，任何輕微的延遲，都可能導致的網絡放大效應。另外複雜的服務拓撲，如何做到故障的快速定位和處理，這也是 AIOps 需要重點解決的難題。最後，就是單元化之後，從集羣爲單位的運維到以單元爲單位的運維，也給美團業務部署能力帶來很大的挑戰。

作者簡介

宋斌，美團資深技術專家，長期參與分佈式系統架構、高併發系統穩定性保障相關工作。目前擔任即時物流團隊後臺技術負責人。2013 年加入美團，參與過美團外賣 C 端、即時物流體系從零搭建。現在帶領團隊負責調度、清結算、LBS、定價等業務系統、算法數據平臺、穩定性保障平臺等技術平臺的研發和運維。最近重點關注 AIOps 方向，探索在高併發、分佈式系統架構下，如何更好的做好系統穩定性保障。

本文由 Readfog 進行 AMP 轉碼，版權歸原作者所有。
來源：https://mp.weixin.qq.com/s/jS4baj8_WPx-0pXd8bJjNw

猜你喜歡