RPC框架实现 - 容灾篇 - bangerlee

RPC（Remote Procedure Call，远程过程调用）框架是分布式服务的基石，实现RPC框架需要考虑方方面面。其对业务隐藏了底层通信过程（TCP/UDP、打包/解包、序列化/反序列化），使上层专注于功能实现；框架层面，提供各类可选架构（多进程/多线程/协程）；应对设备故障（高负载/死机）、网络故障（拥塞/网络分化），提供相应容灾措施。

分布式服务后台Server通常基于普通的x86_64服务器，单机设备故障是常态，同时网络也不能确保100%服务可用，交换机重启引起下联设备断连，流量挤占导致链路拥塞，甚至整个机房通信 光缆断开都有一定概率发生， RPC框架在实现时需要考虑以上情况，在框架层面具备容灾措施。

超时与重试

大家知道，RPC调用结果分成功、失败、超时三种状态，其中调用失败的一般原因是Server设备故障（connect失败，我们又称这类调用失败为系统失败），这时Client可以通过挑选其他Server，进行请求重试。超时的原因可能有多种，如网络拥塞、所选Server设备过载等，Client也可以通过重试尽量让请求得到处理。超时和重试的配置形式如下：

以上配置表示如果调用失败或超时，Client将选不同Server重试3次，连接（connect调用）的超时时间是50MS，请求的超时时间（包括发包->Server处理->收包的时间总和）是500MS。

以上连接超时（ConnTimeoutMS）可以根据网络情况进行设定，但请求超时（SockTimeoutMS）包含了Server的处理时长，情况就变得复杂。单从一层调用看，请求超时应该略大于Server处理时长，从一条调用链看，上一层的超时设定应大于下一层的超时设定，以下图为例：

对于 user -> A -> C -> E 这条调用链，AC间超时设定需大于CE间超时设定；从调用网的角度看，AC间超时设定不仅需大于CE间超时设定，还需要大于CD间超时设定。 联级超时的设定是RPC框架实现中的经典问题，解决超时配置和维护问题可借鉴 Google Dapper、 Twitter zipkin等分布式跟踪系统的思路。

以上提到系统失败、超时都可以通过重试尽量让请求得到处理，但重试次数并非越大越好，考虑Server整体服务过载的情形，过多重试可能引发后端Server 雪崩。

Client端屏蔽策略

重试仅针对单次请求，如果一台Server异常，一次请求踩过的坑后续请求还要再踩一遍。为解决重复踩坑的问题，RPC框架需实现Client对异常Server的自动屏蔽。

屏蔽策略可以这样实现，Client对每个后端Server（IP/port）维护一个评分，每次请求失败（系统失败或超时）则将分数减一，当分数为0时，将IP/port、当前时间戳（timestamp）信息写入一块共享内存（block_shm），Client上各进程访问Server前，先跳过block_shm中记录的IP/port，在一段时间后（如10分钟）再放开该IP/port的访问。

以上屏蔽策略，做到了单机内进程/线程间信息共享，但在模块内甚至全网，Server异常信息依然没有共享，一台机器趟过的坑其他机器也会趟一遍。为解决机器间Server异常信息共享问题，我们可以对上面的实现做一些修改：将屏蔽信息上报到 Zookeeper中心节点，各台机监听相应路径节点，当有新增节点时拉取IP/port、timestamp信息到本机，存入block_shm，从而实现机器间屏蔽信息共享。我们把Client端的这种屏蔽策略称为 漏桶屏蔽。

Server端反馈机制

Client端屏蔽策略是从调用方的角度保证服务质量，被调方Server也可以从自己的角度尽量保证服务可用。

设想一台Server服务过载，落到这台Server上的请求有较大概率得不到处理或处理超时，Server可以提前预判自己的服务状况，当Server认为自身服务能力达到瓶颈时，在Accept或读取请求包的阶段即丢弃请求并给Client一个约定的返回码。

预判的条件可以是历史请求在请求队列中的滞留时长、本机CPU占用率、Server系统失败率等。我们把Server端的这种反馈机制称为 快速拒绝，快速拒绝在Server服务能力达到瓶颈时生效，但明明是Server拒绝了请求，怎么能说是保证了服务可用呢？正如快速拒绝这个名称所指，在Accept或读取请求包这个阶段即把请求拒绝，减轻了Server的负担，同时更快地通知到Client，让其更换Server进行请求重试。

同一个Server可能为归属不同业务类型的Client提供接口，不同业务的重要性不同，快速拒绝也可以分业务的重要性进行拒绝。Server优先拒绝重要性低的请求，过载时尽量保证重要业务的服务质量。

雪崩

最后我们聊聊分布式服务出灾的一种极端情况——雪崩。 

当某个Server服务过载，大量请求处理失败时，用户行为带来的重试、客户端/后台Server的重试带来翻倍的请求，进一步加重该Server的负担。调用量翻倍上涨，但Server有效输出接近零，这是雪崩的标志现象。主要有两种措施应对雪崩，一是通过扩容提升Server服务能力，二是通过柔性措施，丢弃一部分请求，并且应该尽量在调用链的前端丢弃。

小结

本文讨论了RPC框架中的几种容灾措施，包括超时设置、重试、Client端屏蔽策略与Server端反馈机制，最后谈到分布式服务的雪崩。雪崩的处理涉及柔性，对用户体验有损，需要人为决策参与实施。

本文链接： RPC框架实现 - 容灾篇，转载请注明。