这是我参与「第五届青训营 」伴学笔记创作活动的第 10 天

前言

• 每年春节抖音都会有很多有意思的玩法，如果同学们是字节的后端同学，怎么设计今年春节集卡瓜分20亿的技术方案？

• 业务流程

  • 定时扫描抖音用户集卡状态
  • 汇总计算用户的瓜分金额
  • 定时开奖

• 技术体量

  • 亿级用户规模
  • 十亿级资金规模
  • 百万级读写QPS

• 方案引出

  • 自动化 + 定时执行 + 海量数据 + 高效稳定 = 分布式定时任务

发展历程

windows 批处理

windows 任务计划程序

关机就寄

Linux命令-CronJob

优点：

Linux系统命令，使用简单，稳定可靠

缺点：

只能控制单台机器，且无法适用于其他操作系统

单机定时任务-Timer、Ticker

解决了平台局限的问题

但仍然是单机（吐槽：go 代码看着比 Java 舒服多了，无恶意）

单机定时任务-ScheduledExecutorService

实际上就是加入线程池，让线程被创建后可以不断复用，降低开销

任务调度- Quartz

非常优良的一个任务调度框架，在单任务控制方面做到了极致控制

然而，这个框架缺少负载均衡机制，导致在实际分布式应用场景下较少使用

分布式定时任务

• 平台化管理
• 分布式部署
• 支持海量数据

什么是分布式定时任务

定义

• 定时任务是指系统为了自动完成特定任务，实时、延时、周期性完成任务调度的过程。
• 分布式定时任务是把分散的、可靠性差的定时任务纳入统一的平台，并实现集群管理调度和分布式部署的一种定时任务的管理方式。

所以，实际上他并不是为单个任务服务的，而是一种平台（可复用）

按触发时机分类

• 定时任务:特定时间触发，比如今天15:06执行
• 延时任务:延时触发，比如10s后执行
• 周期任务:固定周期时间，或固定频率周期调度触发，比如每天12点或者每隔5s执行

特点

• 自动化:全自动完成定时任务的调度和执行
• 平台化︰基于平台化的思维管控一系列的分布式定时任务
• 分布式︰在分布式系统环境下运行任务调度，突破单机定时任务的性能瓶颈
• 伸缩性:采用集群方式部署，可以随时按需扩缩容
• 高可用:单点故障不影响最终任务结果，可以做到故障转移

执行方式

• 单机任务：随机触发一台机器执行任务，适用于计算量小、并发度低的任务
• 广播任务：广播到所有机器上执行同一个任务，比如所有机器一起清理日志
• Map任务：一个任务可以分出多个子任务，每个子任务负责一部分的计算。适用于计算量大，单机无法满足要求的任务
• MapReduce任务：在Map任务的基础上，还可以对所有子任务的结果做汇总计算，适用于计算量大，并且需要对子任务结果做汇总的任务

业内流行框架

对比

分布式定时任务 VS 单机定时任务

关系：

都可以实现自动化的定时、延时、周期任务调度

差异：

• 分布式定时任务可支撑更大的业务体量
• 分布式定时任务的性能、伸缩性、稳定性更高

分布式定时任务 VS 大数据处理引擎

关系：

• 都可以对海量数据做处理
• 性能、伸缩性、稳定性都很高

差异：

• 定时并不是大数据处理引擎要解决的核心问题
• 大数据处理引擎往往致力于将源数据处理成结果数据，分布式定时任务除了能做这个之外，还可以调用HTTP和RPC服务

实现原理

整体架构

核心架构

分布式定时任务核心要解决 触发（何时？）、调度（谁执行？任务怎么分配？）、执行 三个关键问题

• 触发器：Trigger，解析任务，生成触发事件
• 调度器：Scheduler，分配任务，管理任务生命周期
• 执行器：Executor，获取执行任务单元，执行任务逻辑

除此之外还需要一个 **控制台（Admin）**提供任务管理和干预的功能

数据流

功能架构

控制台

基本概念

• 任务：Job，任务元数据
• 任务实例：JobInstance，任务运行的实例
• 任务结果：JobResult，任务实例运行的结果
• 任务历史：JobHistory，用户可以修改任务信息，任务实例对应的任务元数据可以不同，因而使用任务历史存储

任务元数据

任务元数据(Job)是用户对任务属性定义，包括任务类型调度时机、执行行为等。

任务实例

任务实例(JobInstance)是一个确定的Job的一次运行实例。

JobInstance：

• Job_id
• 触发时间
• 状态和结果
• 过程信息

触发器

核心职责

给定一系列任务，解析它们的触发规则，在规定的时间点触发任务的调度

设计约束

• 需支持大量任务
• 需支持秒级的调度
• 周期任务需要多次执行
• 需保证秒级扫描的高性能,并避免资源浪费

方案一：腾讯字节方案-定时扫描+延时消息

实际上扫描器会将一段时间内的任务从数据库中扫出，然后转交给 processor，后者将其使用 MQ 延时队列发送调度并更改数据库中任务状态，最后，调度器在规定时间生效，并根据需要再度更改数据库（比如需要周期执行的）

方案二：Quartz方案——时间轮

推导演进：

• 使用链表存储，查询时复杂度为 O(n)，插入复杂度为 O(1)（在结尾插入）
• 使用最小堆，堆顶就是最小——即目前需要执行的任务组，查询复杂度只有 O(1)，维护最小堆的成本为 O(logn)，有所改进
• 时间轮，将数组首位相接，按时间间隔划分，有多级时间轮（时轮分轮秒轮），查询和修改复杂度都是 O(1)

单级时间轮可以使用 count 来标识需要第几轮才执行，而多级则是在高级时间轮到时时推给下一级时间轮继续执行扫描，直到最低层到时则执行

高可用

核心问题

• 不同业务之间，任务的调度相互影响怎么办?
• 负责扫描和触发的机器挂了怎么办?

解决思路

• 存储上，不同国别、业务做资源隔离
• 运行时，不同国别、业务分开执行
• 部署时，采用多机房集群化部署，避免单点故障，通过数据库锁或分布式锁保证任务只被触发一次

高可用-问题引出

单 Trigger 模式会出现单点故障，导致平台崩溃

而 Trigger 集群虽然可以避免单点故障，但也会不可避免的出现一致性问题：如何避免同一任务被多次触发，导致业务紊乱

高可用-数据库行锁模式

在触发调度之前，更新数据库中Joblnstance的状态，成功抢锁的才会触发调度

但是会导致多台机器进行数据库锁的竞争，节点越多性能越糟糕

高可用-分布式锁模式

在触发调度之前，尝试抢占分布式锁，可使用Redis锁或Zookeeper锁

性能较高，推荐方案

调度器

资源来源

业务系统提供机器资源

使用该方案的公司:

• 阿里、美团、字节等

优点

• 任务执行逻辑与业务系统共用同一份资源,利用率更高

缺点

• 更容易发生定时任务脚本影响在线服务的事故（流量耦合，定时任务流量可能出现瞬时大量）
• 不能由定时任务平台控制扩缩容

定时任务平台提供机器资源

使用该方案的公司

• 字节等

优点

• 任务执行逻辑与业务系统提供的在线服务隔离，避免相互影响
• 可以支持优雅地扩缩容

缺点

• 消耗更多机器资源
• 需要额外为定时任务平台申请接口调用权限，而不能直接继承业务系统的权限

资源调度-节点选择

• 随机节点执行：选择集群中一个可用的执行节点执行调度任务。适用场景：定时对账。
• 广播执行：在集群中所有的执行节点分发调度任务并执行。适用场景：批量运维。
• 分片执行：按照用户自定义分片逻辑进行拆分，分发到集群中不同节点并行执行,提升资源利用效率。适用场景：海量日志统计。

资源调度-任务分片

通过任务分片来提高任务执行的效率和资源的利用率

N个执行器Executor，M个业务数据区段，最好M>=N，且M是N的整数倍

高级特性-任务编排

使用有向无环图DAG(Directed Acyclic Graph)进行可视化任务编排

有点类似于进程先后调度

高级特性-故障分析

故障转移:确保部分执行单元任务失败时，任务最终成功

分片任务基于一致性hash策略分发任务，当某Executor异常时，调度器会将任务分发到其他Executor

调度器-高可用

因为调度器是无状态的，所以使用哪个无所谓，因此可以做到集群部署，靠消息队列的重试机制保障任务一定会被调度

执行器

• 注册
• 调度
• 回调
• 心跳检测

基于注册中心，可以做到执行器的弹性扩缩容