系统高可用的 10 条军规

快扶我起来
105 阅读6分钟

前言

系统高可用是非常经典的问题，无论在面试，还是实际工作中，都经常会遇到。

这篇文章跟大家一起聊聊，保证系统高可用的 10 个小技巧，希望对你会有所帮助。

1 冗余部署

场景：某电商大促期间，数据库主节点突然宕机，导致全站交易瘫痪。

问题：单节点部署的系统，一旦关键组件（如数据库、消息队列）故障，业务直接归零。

解决方案：通过主从复制、集群化部署实现冗余。例如 MySQL 主从同步，Redis Sentinel 哨兵机制。

MySQL 主从配置如下：

CHANGE MASTER TO 
MASTER_HOST='master_host',
MASTER_USER='replica_user',
MASTER_PASSWORD='password',
MASTER_LOG_FILE='mysql-bin.000001',
MASTER_LOG_POS=154;


START SLAVE;

效果：主库宕机时，从库自动切换为可读写状态，业务无感知。

2 服务熔断

场景：支付服务响应延迟，导致订单服务线程池耗尽，引发连锁故障。

问题：服务依赖链中某个环节异常，会像多米诺骨牌一样拖垮整个系统。

解决方案：引入熔断器模式，例如 Hystrix 或 Resilience4j。

Resilience4j 熔断配置如下：

CircuitBreakerConfig config = CircuitBreakerConfig.custom()
    .failureRateThreshold(50)  
    .waitDurationInOpenState(Duration.ofMillis(1000))
    .build();
CircuitBreaker circuitBreaker = CircuitBreaker.of("paymentService", config);


Supplier<String> supplier = () -> paymentService.call();
Supplier<String> decoratedSupplier = CircuitBreaker
    .decorateSupplier(circuitBreaker, supplier);

效果：当支付服务失败率飙升时，自动熔断并返回降级结果（如 “系统繁忙，稍后重试”）。

3 流量削峰

场景：秒杀活动开始瞬间，10 万 QPS 直接击穿数据库连接池。

问题：突发流量超过系统处理能力，导致资源耗尽。

解决方案：引入消息队列（如 Kafka、RocketMQ）做异步缓冲。

用户下单的系统流程图如下：

RocketMQ 生产者的示例代码：

DefaultMQProducer producer = new DefaultMQProducer("seckill_producer");
producer.setNamesrvAddr("127.0.0.1:9876");
producer.start();
Message msg = new Message("seckill_topic", "订单数据".getBytes());
producer.send(msg);

效果：将瞬时 10 万 QPS 的请求平滑处理为数据库可承受的 2000 TPS。

4 动态扩容

场景：日常流量 100 台服务器足够，但大促时需要快速扩容到 500 台。

问题：固定资源无法应对业务波动，手动扩容效率低下。

解决方案：基于 Kubernetes 的 HPA（Horizontal Pod Autoscaler）。

K8s HPA 的配置如下：

apiVersion: autoscaling/v2
kind: HorizontalPodAutoscaler
metadata:
  name: order-service-hpa
spec:
  scaleTargetRef:
    apiVersion: apps/v1
    kind: Deployment
    name: order-service
  minReplicas: 2
  maxReplicas: 10
  metrics:
  - type: Resource
    resource:
      name: cpu
      target:
        type: Utilization
        averageUtilization: 60

效果：CPU 利用率超过 60% 时自动扩容，低于 30% 时自动缩容。

5 灰度发布

场景：新版本代码存在内存泄漏，全量发布导致线上服务崩溃。

问题：一次性全量发布风险极高，可能引发全局故障。

解决方案：基于流量比例的灰度发布策略。

Istio 流量染色配置如下：

apiVersion: networking.istio.io/v1alpha3
kind: VirtualService
metadata:
  name: bookinfo
spec:
  hosts:
  - bookinfo.com
  http:
  - route:
    - destination:
        host: reviews
        subset: v1
      weight: 90  
    - destination:
        host: reviews
        subset: v2
      weight: 10

效果：新版本异常时，仅影响 10% 的用户，快速回滚无压力。

6 降级开关

场景：推荐服务超时导致商品详情页加载时间从 200ms 飙升到 5 秒。

问题：非核心功能异常影响核心链路用户体验。

解决方案：配置中心增加降级开关，如果遇到紧急情况，能 动态降级非关键服务。

Apollo 配置中心的示例代码如下：

@ApolloConfig
private Config config;

public ProductDetail getDetail(String productId) {
    if(config.getBooleanProperty("recommend.switch", true)) {
        
    }
    
}

效果：关闭推荐服务后，详情页响应时间恢复至 200ms 以内。

7 全链路压测

场景：某金融系统在真实流量下暴露出数据库死锁问题。

问题：测试环境无法模拟真实流量特征，线上隐患难以发现。

解决方案：基于流量录制的全链路压测。

实施步骤：

  1. 线上流量录制（如 Jmeter+TCPCopy）
  2. 影子库隔离（压测数据写入隔离存储）
  3. 压测数据脱敏
  4. 执行压测并监控系统瓶颈

效果：提前发现数据库连接池不足、缓存穿透等问题。

8 数据分片

场景：用户表达到 10 亿行，查询性能断崖式下降。

问题：单库单表成为性能瓶颈。

解决方案：基于 ShardingSphere 的分库分表。

分库分表的配置如下：

sharding:
  tables:
    user:
      actualDataNodes: ds_${0..1}.user_${0..15}
      tableStrategy:
        standard:
          shardingColumn: user_id
          preciseAlgorithmClassName: HashModShardingAlgorithm
          preciseAlgorithmType: HASH_MOD
          shardingCount: 16

效果：10 亿数据分散到 16 个物理表，查询性能提升 20 倍。

9 混沌工程

场景：某次机房网络抖动导致服务不可用 3 小时。

问题：系统健壮性不足，故障恢复能力弱。

解决方案：使用 ChaosBlade 模拟故障。

示例命令：

# 模拟网络延迟
blade create network delay 

# 模拟数据库节点宕机
blade create docker kill

效果：提前发现缓存穿透导致 DB 负载过高的问题，优化缓存击穿防护策略。

10 立体化监控

场景：磁盘 IOPS 突增导致订单超时，但运维人员 2 小时后才发现。

问题：监控维度单一，无法快速定位根因。

解决方案：构建 Metrics-Log-Trace 三位一体监控体系。

技术栈组合：

  • Metrics：Prometheus + Grafana（资源指标）
  • Log：ELK（日志分析）
  • Trace：SkyWalking（调用链追踪）

定位问题流程如下 ：

CPU利用率 > 80% → 关联日志检索 → 定位到GC频繁 → 
追踪调用链 → 发现某个DAO层SQL未走索引

效果：故障定位时间从小时级缩短到分钟级。

总结

系统高可用建设就像打造一艘远洋巨轮。

冗余部署是双发动机，熔断降级是救生艇，监控体系是雷达系统。

但真正的关键在于：

  1. 故障预防比故障处理更重要（如混沌工程）
  2. 自动化是应对复杂性的唯一出路（如 K8s 弹性扩缩）
  3. 数据驱动的优化才是王道（全链路压测 + 立体监控）

没有 100% 可用的系统，但通过这 10 个实战技巧，我们可以让系统的可用性从 99% 提升到 99.99%。

这 0.99% 的提升，可能意味着每年减少 8 小时的故障时间——而这，正是架构师价值的体现。

最后说一句 (求关注，别白嫖我)

如果这篇文章对您有所帮助，或者有所启发的话，帮忙关注一下我的同名公众号：苏三说技术，我的所有文章都会在公众号上首发，您的支持是我坚持写作最大的动力。

求一键三连：点赞、转发、在看。

avatar
文章
阅读
粉丝