从 B 站崩溃报告看分布式系统的技术栈

妖狐艹你老母 2023-09-28 03:56 168阅读 0赞

不知道大家还记得去年 B 站（哔哩哔哩）挂了那次严重的事故不，记得当时在全网也是引起了热议。

离当时过去刚好一年多的时间，今天看到 B 站前两天在公众号上发的复盘报告。2021.07.13 我们是这样崩的 文章从八个方面全链路再现了当时事故发生和处理的全过程：

包括**至暗时刻，初因定位，故障止损，根因定位，原因说明，问题分析，优化改进，总结。**

不知道大家看过没，我全文看了一下，看完还挺唏嘘的，最终原因竟然是一个字符串类型的数字参数 0 导致的死循环。

不过文章本身写的还是非常专业和严谨，对于咱们技术的同学，好嘛，也是一次难得的学习机会。

只是，看到文章最后一段代码，我实在忍不住多说几句，一个求最大公约数的GCD 函数，居然就是导致 B 站崩溃的元凶..

因为，下面这段代码对我来说实在太熟悉不过了，在学校搞过程序竞赛的同学应该对它都不陌生吧。

![193aafd9f0ebe249cb7995e47c1fa3c9.png][]

看到上面的报告，第一感觉是因为没有做好类型转换带来的死循环，是个弱类型设计的坑，如果除零是抛出异常而不是变 NaN，应该很快就能定位到问题所在。

另外，从官方的这份报告里，我看到了多次提及多活，容灾，分布式这个词汇，异地多活是常见的分布式系统保证架构稳定性的一个方案。

毕竟这么体量的公司，系统架构肯定和分布式是绕不开的。**那咱们以此来看看，分布式系统里面都有哪些技术栈呢？**

之前记得在左耳朵耗子叔的专栏《左耳听风》里专门有写分布式架构，我把里面的部分内部摘抄在这里给大家分享。

构建分布式系统的目的是增加系统容量，提高系统的可用性，转换成技术方面，也就是完成下面两件事。

**1、大流量处理。**通过集群技术把大规模并发请求的负载分散到不同的机器上。

**2、关键业务保护**。提高后台服务的可用性，

说白了就是干两件事。一是提高整体架构的吞吐量，服务更多的并发和流量，二是为了提高系统的稳定性，让系统的可用性更高。

## **提高架构的性能** ##

咱们先来看看，提高系统性能的常用技术。

![f6b54407345a26a38b72530dc49b6d17.png][]

*  **缓存系统。**加入缓存系统，可以有效地提高系统的访问能力。比如从前端的浏览器，到网络，再到后端的服务，底层的数据库、文件系统、硬盘和 CPU，全都有缓存，这是提高快速访问能力最有效的手段。对于分布式系统下的缓存系统，需要的是一个缓存集群。比如用一个 Proxy 来做缓存的分片和路由。

*  **负载均衡系统。**负载均衡系统是水平扩展的关键技术，它可以使用多台机器来共同分担一部分流量请求。

*  **异步调用。**异步系统主要通过消息队列来对请求做排队处理，这样可以把前端的请求的峰值给“削平”了，所谓削峰填谷。而后端通过自己能够处理的速度来处理请求。这样可以增加系统的吞吐量，但是实时性就会有影响。同时，还会引入消息丢失的问题，所以要对消息做持久化，这会造成“有状态”的结点，从而增加了服务调度的难度。

*  **数据分区和数据镜像。**数据分区是把数据按一定的方式分成多个区（比如通过地理位置），不同的数据区来分担不同区的流量。这需要一个数据路由的中间件，而数据镜像是把一个数据库镜像成多份一样的数据，这样就不需要数据路由的中间件了。可以在任意结点上进行读写，内部会自行同步数据。然而，数据镜像中最大的问题就是数据的一致性问题。

## **提高架构的稳定性** ##

接下来，咱们再来看看提高系统系统稳定性的一些常用技术。

![4de561240f4cca6108156ee543922f0f.png][]

*  **服务拆分。**服务拆分主要有两个目的：一是为了隔离故障，二是为了重用服务模块。但服务拆分完之后，会引入服务调用间的依赖问题。
 *  **服务冗余。** 服务冗余是为了去除单点故障，并可以支持服务的弹性伸缩，以及故障迁移。然而，对于一些有状态的服务来说，冗余这些有状态的服务带来了更高的复杂性。其中一个是弹性伸缩时，需要考虑数据的复制或是重新分片，迁移的时候还要迁移数据到其它机器上。

*  **限流降级。**当系统实在扛不住压力时，只能通过限流或者功能降级的方式来停掉一部分服务，或是拒绝一部分用户，以确保整个架构不会挂掉。这些技术属于保护措施。

*  **高可用架构。**通常来说高可用架构是从冗余架构的角度来保障可用性。比如，多租户隔离，灾备多活，或是数据可以在其中复制保持一致性的集群。总之，就是为了不出单点故障。

*  **高可用运维。**高可用运维指的是 DevOps 中的 CI/CD（持续集成 / 持续部署）。一个良好的运维应该是一条很流畅的软件发布管线，其中做了足够的自动化测试，还可以做相应的灰度发布，以及对线上系统的自动化控制。这样，可以做到“计划内”或是“非计划内”的宕机事件的时长最短。
    
    上述这些技术非常有技术含量，而且需要投入大量的时间和精力。

正如不想当将军的士兵不是好士兵，不想当架构师的程序员不是一个好的程序员，哈哈，道阻且长，慢慢加油吧。

![d09a07b28bfb4a6c898cef4bf661974e.gif][]

[193aafd9f0ebe249cb7995e47c1fa3c9.png]: https://img-blog.csdnimg.cn/img_convert/193aafd9f0ebe249cb7995e47c1fa3c9.png
[f6b54407345a26a38b72530dc49b6d17.png]: https://img-blog.csdnimg.cn/img_convert/f6b54407345a26a38b72530dc49b6d17.png
[4de561240f4cca6108156ee543922f0f.png]: https://img-blog.csdnimg.cn/img_convert/4de561240f4cca6108156ee543922f0f.png
[d09a07b28bfb4a6c898cef4bf661974e.gif]: https://img-blog.csdnimg.cn/d09a07b28bfb4a6c898cef4bf661974e.gif