稳定性保障，是一切技术工作的出发点和落脚点，也是 IT 工作最核心的价值体现，当然也是技术人员最容易“翻车”的阴沟。8个稳定性保障锦囊，分享给各位技术人员择机使用。

#1 设定可量化的、业务可理解的可用性目标

没有度量就没有改进。Google SRE 曾在其工程实践中，就引入了针对服务可靠性的预算机制，即「Budget」的概念。技术团队和业务团队就服务不可用时长的额度，制定合理的目标，进而指导技术投资、稳定性保障、业务发展三者的全局最优解法。技术方制定稳定性的度量指标，一个关键出发点是“业务方要听的懂”。

我们可以将度量指标进行更进一步的抽象，分别从外部用户视角和从内部系统视角，全面的看待整体的可用性，甚至某种意义来讲，从外部用户视角看到的稳定性统计结果更有说服力，更有价值。暂且把从外部用户视角对系统可用性的度量指标称之为「北极星指标」。通过北极星指标的实时变化趋势，技术和业务团队可以全面的了解系统的运行状态，当发生全局故障的时刻，也可以让所有参与者能够清楚知晓对核心业务的影响面，进而对故障级别、应急处置优先级有统一的认知。北极星本质上，就是在从用户的视角，来整体看待复杂系统的稳定性。

举几个例子：

• 对于类似 zoom 这样的在线会议业务，其北极星指标可以定义为「1分钟内的参与会议的方数」；
• 对于电商业务，其北极星指标可以定义为「1分钟内的交易笔数」；
• 对于游戏业务，其北极星指标可以是 「1分钟内的同时在线游戏人数」；
• 对于类似滴滴这样的出行业务，其北极星指标可以是「1分钟内的呼叫次数」「1分钟内处于行程中的订单数」；
• 对于直播类的业务，其北极星指标可以是「1分钟内的主播在线数」「1分钟内的观众在线数」「1分钟内的打赏总金额」等；

从故障发现和定位的角度，一旦这些北极星指标发生了异常波动，就代表了核心业务受到了影响，该事件应该要第一时间被响应并上升，故障应急小组第一时间就位，相关支撑系统的工程师也要被 involve 进来。这种方法可以确保技术团队在业务受损的第一时间就能感知到，起到了故障发现兜底的作用。

同时，北极星指标经过一段时间的运行，其异常的时间、正常的时间，本身就是一个很客观的度量我们系统是否稳定的依据，作为技术团队和业务方沟通的桥梁，是最合适不过了。一年到头，稳定性好与坏，不是技术团队自说自话，从外部用户的视角，用北极星指标的统计结果更客观。

#2 建立可重复执行的发现 、定位、止损路径

故障发现、定位、止损，是稳定性保障闭环中最紧迫、最关键的环节，通常技术人员会做的事情是从各个维度收集『信息』以辅助决策：

1. 看哪些功能和系统受到了影响和受影响的程度
2. 看受影响的是哪个单元（如果有多活、多集群或多云架构的话）
3. 看是否有相关的变更等重要事件
4. 看系统的容量是否过载
5. 看有没有基础设施的故障（网络/机房等）
6. 从端上向后端trace日志，看异常源自哪个环节
7. 看全局日志/指标的统计数据，判断故障的特征
8. 看其他多种维度的数据、使用更多的定位工具。。。

在这个环节，推荐重点加强以下三个点：

1. 问题的排查路径，是否可以固化在平台上，变成套路，并通过每次的故障复盘逐步的完善
2. 在问题的排查过程中，尽量把需要的数据、信息透明化，免去工程师在不同的工具、平台之间跳转的时间
3. 把最有经验工程师的专家经验，能否沉淀到平台上，变成所有工程师的经验

故障紧急止损，常见的手段也是相对固定的，不外乎：

1. 变更回滚
2. 流量调度
3. 服务降级
4. 接口限流
5. 弹性伸缩
6. 机器重启
7. 服务重启
8. 单点切换

所以，能否把故障的排查结论和固定的止损手段，快速关联起来，决定着本次故障处理的速度，也就决定了本次故障最终的级别。

#3 确保核心服务有冗余、可切换

在架构设计过程中，采用“面向失败设计架构”的思想至关重要，任何系统、模块都有失效的概率。所以，我们需要重点关注以下几个方面：

1. 梳理和识别业务主流程上的关键节点
2. 主流程上的关键节点，需要定期review，避免随着业务的迭代，出现遗漏
3. 制定针对关键模块的冗余方案，以及对应的容灾切换方案
4. 极端情况下，核心模块有“从零恢复”的预案

#4 确保非核心功能可降级、可熔断

在现代化的软件架构下，系统的模块数量很多，实例数量也很多，实例之间的调用链复杂。往往会由于“非主流程”的模块故障，导致“主流程”被阻塞、甚至“雪崩”。在识别出主流程上的关键节点之外，所有的非核心功能，都必须具备可降级、可熔断的能力。

重点关注以下几点：

1. 可以查看核心模块的依赖列表，并清楚的呈现每个依赖的接口的流量、成功率、延迟等黄金指标（推荐增加Tracing的覆盖率）
2. 在非核心功能层面，有开关可以一键熔断和降级（推荐使用feature flags技术）

#5 有状态服务，限流是恢复故障的关键抓手

有状态服务，在故障时候，一般很难短时间内进行扩容，这往往涉及到数据的迁移和再平衡，而数据的迁移又会加重系统的负载，降低系统的性能，导致故障会变的更严重，“雪崩”现象往往就是这么引起的。因此，针对有状态服务，在故障的时刻，最有效的恢复手段是“限流”。

在限流的过程中，需要关注以下几点：

1. 限流的阈值优先考虑设置“全局限流”阈值，这样在实例数量很多的情况下，限流更准确
2. 某个模块的容量上限，平时要摸出来，并按照流量、延迟、成功率进行量化
3. 在“雪崩”严重的情况下，为了让相关模块能快速恢复，推荐的限流操作顺序为：先拒绝所有流量，然后逐步提升限流的阈值，给系统逐步恢复的时间和空间

#6 无状态服务，弹性伸缩是恢复故障的关键抓手

1. 在系统架构设计上，尽可能设计无状态服务的架构，把有状态的东西更多转移到数据库、对象存储、消息队列等服务中。
2. 将计算层微服务化，有助于更好的弹性伸缩。

#7 严格执行灰度发布，把影响面控制在小流量阶段

根据统计规律，只要有变更， 就有很大的概率引发故障。统计数据显示，70%的故障都和变更相关，这些变更包括：

1. 线上发布新版本
2. 配置变更
3. 开关变更（feature flags）
4. 数据库变更
5. 网络变更

降低变更引发的故障的影响面的方法包括：

1. 严格执行灰度发布流程，把问题暴露在小流量阶段
2. 尽可能的保持开发、预发布、线上环境相同，尽早暴露问题

#8 善用云服务

用多az胜过用多云

• 多az基本可以保障云基础设施的可用性，多云反而会给业务系统的设计带来更大的复杂度，从而引入更多的稳定性风险点。

用对象存储静态文件

• 成本优化上：按量使用付费，不需要提前预制大量长期浪费的空闲空间，并且有丰富的存储形式，单价也低于块存储；
• 容错能力上：一般都是三副本，可以做版本管理，优于块存储；
• 性能上：是公有云的全托管服务，单用户请求可能逊于块存储设备，但是在多用户特别是海量场景下性能有保证；
• 安全性：是公有云的全托管服务，有丰富的安全策略可以配置，只需要在使用注意选择和配置，日常维护由公有云保证；
• 扩展性：极好，因为空间接近无限制，研发人员无需担心空间不足情况，不需要猜测容量需求；
• 开发优势：因为是基于 API 的公开服务，所以方便多个服务共享使用，是一个很好的解耦渠道；

尽量用云托管服务

1. 云托管服务，指的是由公有云完全托管管理，客户不关心具体的服务器细节，只通过接口来使用服务，通过公有云的控制台、API、SDK 来管理服务，扩展、容错能力和可用性通常内置在服务中。
2. 鼓励和推荐研发人员选用托管服务
   • 给研发人员一定的托管服务权限
   • 给研发人员提case的权限以应对托管服务的问题
   • 让TAM直接服务研发人员
3. 运维管住自己的手:)
   • 尽量不自建各种开源服务
   • 拒绝任何维护非业务代码服务的要求
   • 可以购买商业 SaaS 来替代公有云没有的托管服务

数据不要存在服务器上

1. 日志存S3或者打入到ELK等外部服务中；
2. 配置文件应该通过外部或者环境获取
   • 外部就是类似Parameter Store或者其他配置中心
   • 环境就是可以通过ec2启动时的用户数据，或者pod启动时环境变量来注入具体的配置
3. https证书应该用acm和相关服务来解耦，或者参照配置文件获取；
4. 密钥应该通过外部或者环境获取，类似Parameter Store；
5. 业务数据应该进入S3或者数据库；
6. 应用之间的中间数据，应该送往消息队列进行解耦处理；
7. 所有脚本和配置应该代码库统一管理，部署应该按照CI/CD管理；
8. 服务器开机，应用服务自启动；
9. 将程序设计成无状态，无共享，可以随时终止；

注：「善用云服务」，节选自「云原生王四条」