架构修炼之道 | 一个传统网关系统有几种 “死” 法

本文节选自《架构修炼之道》，作者京东王新栋。

图 | meghan-holmes-779221-unsplash

这里说的传统，是按照网关技术演进的阶段划分的，从同步到半同步，再到全异步，我们将同步和半同步技术下的网关称为“传统”网关，同步网关的意思是从接收请求到调用API接口提供方的过程都是同步调用；半同步则是指将I/O请求线程和业务处理线程分开，但业务线程内部还是同步调用API接口；全异步的意思就比较清楚了，整个链路都是异步请求。接下来介绍“传统”网关会在什么情况下“down掉”。

API网关系统有两大特点，一个是访问量大，另一个是依赖系统多。如下图所示，“单纯”的情况下（比如系统A提供的接口只供网关调用）网关系统要承受比被依赖的系统多数倍的流量，因为API网关是所有依赖API的集合。网关还会通过RPC调用很多底层系统，每个系统的稳定性水平参差不齐，接口的性能也会间接影响网关整体的运行稳定性。因此我们在做防范的时候就要从这两个特点入手。

上面介绍了API网关的两大特点，这两个特点算外部因素，接着再来看一下内部因素。程序都是运行在计算机上面的，计算机的每个部件的利用率和负载水平直接影响程序的运行。比如CPU、内存、磁盘等。另外系统之间的交互还需要网络，这些都需考虑。一段程序在计算机中的运行依赖部件如下图所示。

关注CPU

用户请求在进入网关的时候我们从技术上已经把I/O请求线程和业务处理线程隔离开了，这一点可以利用Servlet3异步特性实现（下面还会详细介绍Servlet3的异步特性），如下图所示。

业务线程池毫无疑问是在CPU里面运行的，线程是计算机CPU最宝贵的资源，我们一定要重点关注CPU利用率和CPU负载。

• CPU利用率：显示的是程序在运行期间实时占用的CPU百分比。

• CPU负载：显示的是一段时间内正在使用和等待使用CPU的平均任务数。在Linux系统中，我们可以使用uptime或top（使用top会看到更详细的信息）命令来查看系统的负载情况。如果使用uptime命令则会得到如下一行:

11:36 up 23 days, 2:31, 2users, load averages: 1.74 1.58 1.60

最后的loadaverages的意思是系统平均负载，它包含三个数字，这三个数字分别表示1分钟、5分钟、15分钟内系统的负载平均值。我们可以按照1分钟的粒度取第一个数字，从而判定系统负载的大小。

上面的23days说明笔者有23天没有重启过计算机了。

注意，CPU利用率高，并不意味着负载就一定大，两者没有必然联系。

关于这两个概念的理解，我们还可以举一个例子来说明。有8个人在排队玩一个打地鼠的游戏机，要求1分钟之内要打完100个地鼠，如果有人一分钟之内没有完成这个任务，那么就需要重新排队，等待下一轮。游戏机在这里相当于CPU，正在或等待玩打地鼠游戏的人就相当于任务数量。

在玩游戏的过程中，肯定有的人在规定的1分钟之内打完100个地鼠，完成任务之后就离开了，有人没有完成任务而去重新排队，还有可能有新增的人来玩这个游戏，人数的变化相当于任务的增减。有的人拿起打地鼠的锤子就开始玩，一直打完1分钟，而有的人可能在前20秒看手机，后40秒才开始玩打地鼠。把游戏机看作CPU，排队的人数看作任务数，我们说前一种人（任务）的CPU利用率高，后一种人（任务）的CPU利用率低。

当然CPU不会在前20秒休息、后40秒工作，只是说，有的程序可能涉及的计算量比较大，CPU利用率就高，而有的程序涉及的计算少，CPU的利用率就低。不管CPU利用率是高是低，跟后面有多少人（任务）在排队没有必然的联系。

之所以花了一些篇幅来介绍CPU的这两个概念，因为这两个指标实在是太重要了，在线上生产环境中是需要重点监控的。鉴于API网关的访问量大和依赖系统多的特点，如果调用的API性能突然变差，在大访问量的情况下，线程数会逐渐升高，直至将CPU资源耗尽。蔓延到整个网关集群，这就是雪崩的效应。

关注磁盘

磁盘有两个比较重要的指标分别是磁盘使用率和磁盘负载百分比。磁盘使用率比较容易理解，我们重点说一下磁盘负载百分比这个指标。在Linux系统下查看该指标的命令为 iostat -x 1 10 （如果没有iostat ，则需要使用yum install sysstat进行安装），笔者下面的图中示例值还构不成威胁，但如果 %util 接近 100%，则说明产生的I/O请求太多，I/O系统已经满负荷，该磁盘可能存在瓶颈，如下图所示。

程序运行的过程中我们可能都不会关注磁盘的使用，如果处理不当，这有可能是一个“定时炸弹”。网关的特性访问量大，再加上有的程序里面的日志打印不规范，比如日志的级别设置得不合理，把info日志打印出来。即使在日志级别合理的情况下，比如error日志，这时又涉及网关的第二个特性，依赖系统多。当有API返回失败错误的时候，就会有大量的error日志写入磁盘，很容易把磁盘打满，尤其在容器时代，每台服务器分配的磁盘容量相对物理机来说都比较小，如果集群的所有机器磁盘被打满，对网关系统来说无疑是一场灾难。

关注网络

在微服务系统架构下，应用离不开网络，尤其是网关系统，它的特点之一就是依赖系统多。依赖就是RPC调用和网络。在一个RPC环境下，网络占据了一次RPC调用所耗时间的很大比重。网络质量的好坏直接影响了一次请求从进入API网关到返回给用户响应的时间长短。如下图所示，网关到依赖系统B之间的网络突然变差，调用时长增加，在请求访问量多的时候，一请求一线程的模式下，会直接导致API 网关系统的任务线程数增多，如果短时间内不能恢复，则整个API网关的集群所有机器的CPU资源都会被线程耗尽。

同时现有的线上生产环境部署并不能完全保证同机房调用，甚至还有跨地区调用，因此网络是我们要考虑的一个重要因素，同时网络的因素需要和上面讲到的CPU的线程资源相关联去考虑。

现在可以总结一个传统API网关系统会有几种“死”法了，因为依赖的某个系统的API性能突然变差导致请求线程数量逐渐升高直至线程占满了CPU，也就是API网关依赖系统多的特点因素，可以认为是被其他系统“拖死”的。线上生产环境下日志输出不规范，过度打印日志，再加上请求量突然变大，导致清理工具来不及清理日志，最后磁盘满了，可以认为是被日志“打死”的。网络一直是一个除系统本身外最不稳定的因素，在系统之间调用的时候，网络发生故障导致请求变慢，这一点和第一条被其他系统“拖死”类似，只是这次是网络。

查理.芒格有一句名言：“如果我知道我会死在哪里，我将永远不去那个地方”。同样对于一个API网关系统，如果我们知道哪些因素会导致一个网关“挂掉”，那么我们就会提前防范，以避免这种“灾难”的发生。当然并不是宣扬传统网关不好，它也有自己的优势，比如编程模型简单、开发调试运维方便等。如果业务规模较小，比如每天调用量不足千万，或者不到亿级，那么可以继续使用这种类型的网关，甚至达到亿级规模之后再配合有效的容错机制（比如Netflix的zuul1+Hystrix）也可以支撑上亿规模的访问量。不过我们有更好的异步网关解决方案，接下来介绍异步网关技术实现。

本文作者：王新栋

现就职于京东，“程序架道”公众号作者。平时热爱总结与分享，对高性能API网关、线程调优、NIO、微服务架构、容错等技术有较深的研究和实战经验。目前致力于带领团队在平台开放技术领域实现突破。