饿了么平台不仅做外卖，还有蜂鸟、早餐和未来餐厅，以及很多其他的一些平台，正处在快速扩张阶段。整个外卖的产品链条长，从用户下单到最后配送到达，时间大概是30分钟左右，对时效性的要求非常强。
从技术的角度来看，饿了么遇到的最大挑战是事故。本文将围绕事故展开，分成两部分内容：技术运营经历与心得。第一部分经历又分为三个阶段：精细化分工、保稳定（容量和变更）和增效。第二部分心得，是作者对运维服务的理解。
一、技术运营经历
技术运营的职责是尽最大的努力协同更多的人来达成保稳定的目标，可以划分为两个阶段：运维保障、运维服务。现在，饿了么处在运维服务的阶段，技术运营团队作为乙方，把开发出来的产品，开发测试后的服务，做维护，保障稳定、调优性能、提高资源的利用率。
在业务快速扩张阶段，技术团队需要做哪些事情呢？
首先，第一阶段，精细化分工。
通过精细化分工促进并行提速，让专业的人利用专业的知识、最有效的工作方式提高工作效率及代码吞吐量，建立沟通渠道加速决策、信息流通保稳定。
精细化分工分为三部分内容：
第一部分是做数据库拆分和代码解耦。技术工作集中在数据库的拆分，先纵向拆分，不得已才做横向拆分，为了更快地服务业务的扩张，又夹杂了一些对代码解耦的工作。
所谓代码解耦，是把原来的代码系统想象成一个泥球，把它逐渐拆分成很多块。现在是有十多个业务模块，每一模块里面都有专门的团队来维护，内部又会划分域。
饿了么是数据库、代码拆分并行在做。然后，启动了强制接入新发布系统和单实例、单运用，也就是物理拆分。
在整个的代码解耦和精细化分工的过程当中，他们碰到了很多问题，其中比较典型的两类事故是：
事故1：超时，后端服务慢，引发连锁反应，导致前端服务雪崩。用户的请求耗时依赖于 RPC 调用路径上服务的响应时间。当其中某个节点变慢，整个集群都不可用，一般救急措施是要按照调用链从前往后按顺序停服务，然后在从后往前启动服务。当这类问题发生的时候，如果没有熔断机制，前端的服务因依赖关系造成雪崩，而且服务不能自己恢复。加了熔断机制之后，当后端问题节点重启或是网络抖动恢复后，前端服务也会自己恢复。
事故2：连续三天商户需要不断重试才能接单，这与Redis治理有关。当交换机发生 Bug 导致网络抖动，受影响最大的就是 Redis，在网络抖动期间积压的请求会建立太多 Redis 连接，连接过多会导致 Redis 响应延迟从 1ms 飙升到 300ms。由于 Redis 请求慢导致服务的处理速度被拖慢，而外部请求仍在积压，最后引起雪崩。刚开始出现故障的时候，因 Zabbix 的监控周期长，运维工程师监控不到。后来，他们用了三天的时间进行压测复现，才排查出来故障点。事后，运维工程师打造了一种新的基础设施监控工具，实现方式是每 10 秒钟把 /proc 目录下的所有指标收集起来，基本能做到 3 分钟内定位问题。还有丢包的重传也会严重影响 Redis 的性能，因为一个 HTTP 引擎到后端有可能产生几十个甚至上百次的 Redis 请求，其中有一次被命中重试，对服务的影响都是致命的。
精细化分工的第二部分是组建水平团队，例如大数据是水平团队，业务线是竖向团队，划分之后，从整个业务的发展走势图上升曲线非常陡，可以推断技术并没有防碍业务的快速发展，也就是技术的吞吐量、新产品研发效率是健康的。
期间，运维工程师还做了几件事，比如把监控分为 Metric、Log、Trace、基础设施四个部分。组建 Noc 团队，负责应急响应，当发现有问题的时候，及时把信息通过 Oncall 通报给各成员。还有梳理各类扫除，接入发布、 SOA，降级熔断开发等。
大扫除
大扫除的概念是什么呢？就是工程师对历史的事故进行分析之后，大概做出技术总结，把经常犯的一些错误，列成一些可做的规程，给所在部门的骨干进行宣传。具体内容包括：
SOA 的服务治理，这里主要强调的是领域划分，高内聚低耦合。
对公共组件的治理。这里的数据库 Redis 由两个专业的团队组成，一个是 DA，一个是 DBA。DA 治理的主要方案是收集各个产业伙伴的信息，规划容量，治理开发的使用姿势，把经验固化到研发流程里。
业务指标的梳理，包括对 TPS 的概念设定（状态轮转后再根据返回状态打点）、状态的停滞时间和状态的堆积深度，这个堆积深度主要是后端一些服务的状态轮转。
对超时链的合理设定和重试机制。
外部依赖及开关。为什么强调外部依赖呢？外部依赖可以分为两类，一类是跟其他公司的合作，例如调用其他公司的支付接口。还有一类依赖是团队之间的依赖，这里请不要相信任何人的服务，Bug 随时都会发生。
关键路径。为什么要设置关键路径呢？一个是熔断，一个是降级。当非关键路径出现问题的时候，直接把它降掉就行了，不要影响关键路径。另外一个好处是接下来做补偿的时候，可以有针对性去做。
日志。团队在日志上发生的事故也很多，可以逐个通过案例进行宣讲。
正在实现中的制定盲演习目标。因为八九百个技术工程师之间的代码交互本身是一个复杂系统，业务又是一个非常长的业务链，关键路径涉及的服务超过 100个，简单的功能测试是可以的，但是容量大的时候，将很难定位他们之间存在的问题，比如 A 团队和 B 团队之间的代码耦合验收。这时想到的解决方案就是盲演习。盲演习除了在业务方可以做验收之外，还可以做基础设施，包括 Redis 集群、 MySQL 集群和网络。曾经做过一个测试，把一个 Redis 实例上的包量，按照百分之一的丢包率计算，导致整个全站的业务都掉底。当时整个 Redis 集群有12台，有几百个实例，其中一个实例有问题，就造成这么大的影响。通过盲演习，技术正在寻求单个节点宕机影响最小化的解决方案。
第二阶段，保稳定期。头号敌人是容量问题。
在业务快速扩张阶段，影响系统稳定性最大的敌人是容量，类似温水煮青蛙，或突然雪崩。因为不同语言判定容量的方式不同，饿了么1000多个服务组成的复杂系统，业务场景快速变换，服务变更频繁等等因素，导致容量问题困扰了近一年的时间。
最后采用的是定期线上全链路压测的方法，发动了一次百人战役，历时一个多月，整改了近 200 个隐患点，基本解决了容量问题。即便在低谷期的时候，也采用全联路压制。还可以配合技术在上线前的压测一起来做，然后把这些数据统筹起来进行分析。
秒杀事故
在 517 秒杀大促准备阶段，技术的运营思路是想用日常服务的集群来对抗秒杀，活动前把整个的容量提高了两倍多。但是当日订单量飙涨，秒杀开始后的那几秒钟，瞬时并发请求达到平常的 50 倍。当流量洪峰到来的时候，洪峰直接把前端 Nginx 的网络拥塞了。
反思下来，出现问题的原因是秒杀场景的经验少，对活动带来洪峰数据的预估过低，URL 的限流未区分优先级等等。改进措施是专门针对秒杀搭建了一套系统，主要做了分级保护、建立用户端缓存、泳道、云集群和竞争缓存等。
第三阶段，增效。通过工具、资源、架构改造，提高效率。
事故1：连续两周蜂鸟配送出现各类事故
原因是消息不断的批量重试导致 RMQ 堆积，UDP 句柄耗尽，熔断判定使用姿势不对。可以看出，新业务在快速交付过程中，代码质量、外部组建的使用姿势是事故高危隐患点。
事故2：MySQL
SQL 慢查询，从每周的 2 到 3 起，降低到近期很少出现。解决办法是使用组件治理。组件治理首先是服务化自己的资源、容量。第二个是设限流，做降级。第三个主要是限制开发的一些姿势。
这三点做完之后，接下来技术做了自动化相关的一些工作，主要是信息、标准化和编排。再一个是前置指标KPI，就是当一些组件刚使用起来时，要做一些量化的考虑。把这几条做到以后，技术基本上能避免出现大的故障问题。
对于使用姿势的治理，对稳定的收益最大。这里特别介绍几个关键点：
必须要有对组件精通的伙伴，看过源码，了解社区里碰到的所有的坑，还要深入业务开发一线，了解业务场景，初步判定组件在业务中的使用场景。
工程师进行知识传递，通过各种渠道把标准化、开发规范、集群化、开发使用姿势等知识点传递到位。
尽快把经验或红线固化到资源申请、架构评审等流程、工具里。
事故3：RMQ
在饿了么，RMQ 的使用场景非常多，有 Python，也有 Java。2016年年初的时候，工程师虽然做了一个技术、配置的梳理，还是留有很多的场景是没有想到的，主要涉及的问题有如下几个：
分区，就是技术在做割接的时候，核心交换是升级换设备。当设备网络割接完了，虽然在 RMQ 集群里面的配置是可以自恢复的，但是仍然还有很多集群没有做到自恢复。所以，技术特意预留了一个冷备 RMQ 集群，把现网所有的配置都部署到那一个冷备集群里面去。线上 20 多个 RMQ 集群中，如有一个宕掉的时候，可以及时切过来。
队列堵塞。主要是追查消费能力，因为业务飙升，消费能力不够，极容易导致队列堵塞。
使用场景。举例来说，在发送、接收消息的时候，如果每发一个消息，每收一个消息，都重建一次链接或者都重建 Queue。这种重建会导致 RMQ 内部的一个Event机制。当请求增长到一定程度的时候，就会直接影响 RMQ 的吞吐量，RMQ 的容量会掉到是原来的十分之一。
老大难：故障定位、恢复效率
故障定位慢的最主要原因是饿了么整个系统的信息量太大，当一个问题出现的时候，主导这个事故定位的工程师拿到的信息非常多，比如拿到三个信息，他很难决定到底是什么故障，需要如何检测出来。
当前的做法是进行碎片化、地毯式的大扫荡来排障。什么是地毯式的大扫荡呢？就是把足够多的信息先拿到，进行分工，要求涉及的每个工程师都来查看。内容涉及到外卖、商户、支付和物流，然后还有基础业务和网络监控，外网的一些流量，还有服务器的一些负担等等。
这时，技术工程师的有序自证就变得非常重要，当前能做到的是每一个人能看到当前负责的服务是不是有问题。还需要做的就是提供工具，比如交换机的丢包、服务器的丢包。通过一些工具，让技术工程师及时发现问题，但是这个过程是需要时间的。
另外一个是在自证的时候，一定要仔细地检查。作为团队中的一个成员，每一个技术工程师负责相应的板块，但一旦因为个人疏忽或是自检不足造成一些失误，要自己“刷锅”。故障定位后，提升恢复效率解决问题才是关键。
还有，应急演习很重要。应急演习直接关系到系统恢复的效率，当一个集群出问题的时候，技术能不能快速的恢复。
二、运营心得
本次分享大部分围绕事故来讲。每一次事故的出现都不是偶然的，很多问题是可以通过正确的使用姿势、提前做容量预估、灰度等方法规避的。如果说技术只是就事论事把这一件事情解决的话，事故往往在另外一个时间点还会出现。这就要求工程师以思考的方式去做事，比如做事故复盘、事故报道审核，还有验收小组等。然后，通过在各个阶段，多次把一个事故涉及的关键点提出来，不断地进行总结并制定可行的操作规范。问题的解决往往需要思维模式的转变，需要伙伴们多想想怎么从日常重要紧急的事务里抽离出时间思考。还有要敢于折腾。折腾是什么概念呢？就是要不断的演习、捣乱，工程师对于维护的系统，自己要非常的熟悉，这样在定位和解决故障的时候，就会非常精准。最后一个是灯下黑的问题，特别是基础设施这块。这在当时让人很头疼，查一个问题在基础设施上花费的时间是十多分钟到一个小时。后来有一个小伙伴改变思路，做出了一套系统，帮助团队非常好地解决了这个大问题。所以敢于思考，勤于尝试是饿了么技术团队非常重要的一个心得。
文章来源：https://www.linuxprobe.com/eleme-devops.html