0%

异地多活高可用架构设计

如何构建应用的异地多活?

概要

随着业务的快速发展,对于很多公司来说,构建于单地域的技术体系架构,会面临诸如下面的多种问题:基础设施的有限性限制了业务的可扩展性;机房、城市级别的故障灾害,影响服务的可持续性。

为解决遇到的这些问题,公司可以选择构建异地多活架构,在同城/异地构建多个单元(业务中心)。各个业务单元可以分布在不同的地域,从而有效解决了单地域部署带来的基础设施的扩展限制、服务可持续性。

异地多活是近几年比较热门的一个话题,那么在实际业务中什么时候需要去做这件事?如何去做?做的时候需要考虑什么?

何时去做?

个人感觉取决于以下几个方面:

  • 业务发展
  • 基础设施状况
  • 技术积淀

如何做?

目前在网上搜索到的异地多活方案来看,基本都是阿里、饿了么、京东、微博这些互联网大厂的实践,这些大厂的方案有一个共同点就是:大量的自研组件,来做相关的数据同步,业务切分等等,那么,对于很多传统企业或者相对小一些的企业,应该如何来做这件事?

  • 根据业务特性借助合适的公有云服务

做的时候,需要注意什么?

  • 真正需要做异地多活的业务有哪些?
  • 基础设施如何?
  • 对于不可用时间的容忍程度是多少?

业务背景

  • 在所有的系统中用户中心都是核心业务,因为它是进入其它很多业务前提。
  • 我们这边IDC不是很稳定,之前发生过几次机房大规模故障,比如机房网络挂了,整个机房对外不可用了。

以上两点是我们这次要做用户中心异地容灾的出发点,以便在面对机房级别故障时,保证服务可用性。

业务梳理

用户中心从整体来看,对外主要提供:注册、登陆、查询用户信息等服务。这些服务又有以下几个特点:

  • 登陆的优先级最高
  • 事务性要求低

涉及的公共组件主要有:

  • MySQL:用户数据存储
  • Redis:Authorization Code、短信验证码、账号锁定、access token等的存储
  • Zookeeper:Dubbo依赖

方案

用户中心是通过外包的形式进行开发的,目前已上线并交付给另一个外包商运维,所以在考虑容灾一期方案的时候,需要考虑尽量不动代码。

目标

一期目标

当北京机房出现故障的时候,可以一定时间内把流量切到青岛机房这边,保证用户中心核心服务的基本可用。

二期目标

用户中心通过异地多活,实现高可用(需要集团智能DNS支持)。

架构设计

一期架构

当北京机房发生故障的时候,可以把流量快速切换到青岛这边,以保障用户中心核心服务可用。

具体方案如下:

  • 通过otter近实时的将北京机房核心业务数据同步到青岛机房。
  • 青岛机房部署Redis、ZooKeeper等中间件。
  • 青岛机房部署用户中心的核心应用(实例正常部署、运行,只是平时不会有访问)。

具体架构如下:

可以达到的效果:

  • 当北京机房出现故障的时候,可以在一定时间内把流量切到青岛机房这边,保证用户中心核心服务的基本可用,但此时已登录用户需要重新登录。
  • 一定时间:取决于DNS修改ip时间+DNS TTL时间,目前来看TTL是10分钟,人工修改ip应该很快,所以一定时间是10~20分钟。

存在的缺点:

  • 北京机房非故障期间,青岛机房的机器,仅做数据库同步,存在一定的资源浪费。
  • 当北京机房出现故障,流量切换到青岛机房后,只能保证登陆这一核心服务的可用。对于注册等需要修改数据库的服务,均不支持,如果在此期间访问这类服务,会发生异常。

二期架构

二期的目的就是修正一期架构的缺点,通过异地多活,实现高可用。

二期青岛机房会替换为阿里云机房。

具体方案如下:

  • 通过阿里云DTS服务实现两地机房数据库同步,保证北京、阿里云数据的近实时一致性。
  • 北京、阿里云两地机房均提供在线服务,提高资源利用率。
  • 梳理服务优先级,修改应用代码,支持服务降级。
  • 当某个机房(阿里云或者北京)出现故障的时候,通过DNS服务把流量切换到另一个机房。
    • 如果两地部署的时候,没有冗余一定硬件资源,则需要实施服务降级。
    • 目前集团DNS解析,无法提供自动检测服务是否可用的功能,也就无法自动进行切换。
      • 服务可用性,可以通过我们这边的多点拨测进行监控,当多点拨测不可用的时候,发送告警通知给相关人员,以便人工介入。
      • 多点拨测告警,应该会提供两类:1、某个拨测点不通的时候 2、所有拨测点均不可用的时候。
    • 目前集团DNS解析,TTL生效最短时间是10分钟,无法自定义TTL时间。

具体架构如下:

可以达到的效果:

  • 如果集团DNS可以提供,类似阿里云云解析的网站监控功能并能灵活设置TTL时间,这时当北京机房或者阿里云机房出现故障后,就可以在很短的时间(部分服务最大异常时间)内自动进行流量切换。

    此处只是以阿里云云解析示例,只要能提供类似的服务均可。

  • 如果集团DNS无法提供类似阿里云云解析的网站监控及灵活设置TTL时间的功能,则部分服务最大异常时间还是取决于DNS修改ip时间+DNS TTL时间。

名词解释

什么是网站监控?

HTTP/HTTPS实时探测域名解析记录,支持自定义端口,实时发现宕机立即告警;
全网分布式监控,在中国各个地区模拟用户端真实请求,监控结果真实可靠;
支持宕机暂停、容灾切换,最大限度的解决服务中断对您的业务带来的损失;
容灾切换支持A记录、CNAME域名,满足各种场景的容灾切换需求;

什么情况会被网站监控判断为宕机并发送告警通知?

监控结果中,HTTP/HTTPS的返回码大于500的服务器错误情况,才会报警通知。
举例说明:如果设置了四个探测点 北京联通、深圳阿里巴巴、上海电信、重庆联通。
场景一:四个探测点中50%的监控点无法收到您服务器的响应,或50%的监控点收到返回码大于等于500时,才会判断您的网站为宕机情况。
场景二:四个探测点中有50%以上的探测点探测您的网站返回码是小于500的情况,则不会判断您的网站为宕机。

云解析DNS“流量管理”

云解析“流量管理”可以在您设置的每条解析线路下,根据权重比例轮询返回解析结果。当线路下的IP宕机时可以通过监控自动发现,并将宕机IP从当前线路下摘除,直到监控IP正常时会恢复解析。同时,当一条解析线路下的所有IP都宕机时,可以切换至其他正常线路。最大程度保证您的网站服务高可用,减小损失。

部分服务最大异常时间

比如北京机房出现异常,这时转发到阿里云机房的流量是可以正常访问,只有转发到北京机房的流量是异常的。

这时如果使用网站监控或者类似服务,进行监控,并设置拨测间隔为1分钟,TTL生效时间为1秒,那么最多有60+1秒部分服务异常时间,之后DNS会自动把北京机房的ip自动踢掉,流量全部切到阿里云。

补充

  1. 一期、二期方案的实现均强依赖于集团的DNS服务

  2. 用户中心通过ip暴露的服务,一但出现机房级别的故障,一期、二期方案均无法保证该部分服务可用。

  3. 其实除了DNS这种方案,还有一种方案就是用类似F5这种设备,作跨机房负载,但必须是gslb,而且两端必须是相同的设备。

小结

对于,非一线互联网大厂的公司而言,是实现异地容灾的时候,借助公有云是很有必要的,比如:

  • 数据跨机房同步,可以使用阿里云的DTS(Data Transmission Service) 服务,目前DTS支持关系型数据库、NoSQL、大数据(OLAP)等数据源间的数据传输。 它是一种集数据迁移、数据订阅及数据实时同步于一体的数据传输服务。

  • 跨机房分布式数据库,可以使用OceanBase。金融环境下通常对数据可靠性有更高的要求,OceanBase每一次事务提交,对应日志总是会在多个数据中心实时同步,并持久化。即使是数据中心级别的灾难发生,总是可以在其他的数据中心恢复每一笔已经完成的交易,实现了真正金融级别的可靠性要求。

  • 异地多活由于各个公司的业务、基础设施及要解决的问题皆不尽相同,所以选择适合自己的就好。

  • 或者直接使用云数据库RDS MySQL 版

欢迎关注我的其它发布渠道