构建安全可靠的微服务 | Nacos 在颜铺 SaaS 平台的应用实践

Posted 2021-04-05 阿里巴巴云原生

作者 | 殷铭  颜铺科技架构师

导读：颜铺科技因美业⽽⽣，“颜铺专家”是一款专为美业商家打造的 SaaS 平台，为了能够给商户提供更加安全、稳定、高效的平台，我们在技术方面做了很多尝试，经过几次演进，使系统变得更加稳定可靠。今天主要和大家分享一下颜铺科技的架构演进，以及 Nacos 在颜铺的应用实践。

单体应用时代

上图是我们单体服务时的架构图，分为会员、订单、门店等很多模块，看架构图似乎还算清晰，但是真正看到包结构的时候，真的令人头秃 ，改起代码特别头痛。单体服务带来的几个挑战：

• 发布周期慢：虽然当时业务量不算大，但是代码量很大，业务迭代牵一发而动全身，每次发布需要对整个服务进行重新编译打包部署。特别是最开始在没有构建工具的时候，发布过程需要一堆的命令，总有一种 “一顿操作猛如虎，定睛一看原地杵” 的感觉；

• 协同效率低：合并冲突多，有时你在前面开心地写代码，而别人在解决冲突时，可能也在开心地删着你的代码，增加了很多的沟通成本；

• 稳定性差：当服务出现故障时，可能会导致整个系统不可用，并且系统不易扩容，当商户搞促销时，可能活动结束了，服务器还没有扩容完成；

• 性能差：因为在单体服务内，有些开发人员为了满足自己的业务，很多无关业务间 SQL 联表查询，并且不关注性能问题，导致线上时常出现负载警告。

另外，我们在业务上也遇到了一些挑战：

• 业务转型：2018 年 6 月，我们公司决定从泛行业转向美业，需要打造一个专为美业商户提供技术支持的丽人 SaaS 平台；

• 快速占领市场：业务的转型带来了更多商户的新需求，如果不能快速迭代，则意味着被市场淘汰。因此，提升开发效率，快速占领市场成为我们急需解决的问题；

• 商户体验差：随着越来越多的商户入住，性能和可靠性的问题逐渐显现，出现问题，不能及时修正，商户体验变得很差，违背我们客户第一的原则。

综上所述，我们认为进行服务化改造刻不容缓。

 

微服务改造

经过公司开发同学们的讨论，我们最终决定分两步进行改造：

1. 服务化改造 1.0 的目标

• 用最小的改造成本先将新、旧商户平台进行打通，做到功能上的快速迁移；

• 业务抽象，将新旧商户中心的公用部分进行抽象，并优化旧商户中心的代码逻辑，为后续的业务中台建设做好铺垫。

2. 服务化改造 2.0 的目标

初步建设业务中台，让平台的各种能力能够快速复用、快速组合，支持业务更快捷地探索与发展。

3. 服务化改造 1.0 预期效果

• 我们希望老商户中心在对外提供服务的同时，还能够作为提供者，对新商户中心提供服务支持；

• 新商户中心仅对外提供服务，不直连数据库，业务层只对美业的特殊逻辑进行处理。

因此，我们的想法是：新商户中心直接调用旧商户中心通过 Controller 暴露出的接口，进行远程调用，于是我们决定尝试使用 Spring Cloud 。

4. 服务发现选型

 

• Consul 支持服务发现的同时，支持 kv 存储服务，因为我们想做一个配置中心的 KV 存储，所以想利用 Consul 做一个尝试；

• 服务健康检查相对更为详细；

• 在我们选型的期间，突然出现了 Eureka 2.x 开源工作宣告停止的消息，虽然后来发现，这个对我们并没有什么太大的影响，但在当时的决策让我们最终选择了 Consul 。

5. 服务化改造 1.0 架构图

服务化 1.0 我们的技术改造方案是：将旧的商户中心注册到 Consul 上面，新商户中心到 Consul 上获取服务器列表，通过 Feign 进行远程调用，打通了新老商户中心的功能。

 

经过服务化 1.0 的改造，我们解决了如下几个问题：

• 功能快速完善：旧商户中心的功能快速迁移到了新的商户中心，并完成对美业的适配；

• 迭代速度加快：新商户中心大部分功能，能够通过旧商户中心进行修改兼容，为后续的业务中台的抽象打好基础；

• 性能优化：业务开发的同时，我们对旧商户中心的老代码进行优化，性能和稳定性均有所提高。

但服务化 1.0 改造后，还是有一些挑战没有解决：

• 发布周期依旧不够快：大部分代码还是在就商户中心，业务迭代依然牵一发而动全身；

• 协同效率没有提高：在代码冲突多，沟通成本高的同时，又出现了令开发同学头痛的新老业务的兼容问题；

• 维护成本：Consul 是 Go 语言开发的，不易维护；Spring Cloud 在开发过程中体验不佳，在写业务的同时，还要摸索 Spring Cloud 的最佳实践，花费了一些时间去做 Spring Cloud 的基础建设。

于是我们决定开启，服务化 2.0 的改造。

 

6. 服务化改造 2.0 的预期效果

• 完成业务中台的初步建设，将模块重新划分，抽象为独立服务；

• 新、旧商户中心服务仅做自己的业务兼容，并对外暴露接口；

• 新增专门支持 H5、小程序 的 C 端 WEB 服务。

因 Spring Cloud 体验不佳，我们决定服务化改造 2.0 尝试使用 Dubbo 作为基础服务的 RPC 远程调用框架，因此我们要对注册中心进行选型。

 

首先，注册中心我认为应该具备的基本功能 ：

• 服务注册及时被发现，异常时的及时下线；
• 服务管理，能够手动恢复/剔除服务；
• 健康检查，检测服务是否可用；
• 元数据管理；
• 注册中心保证自身的高可用。

 

Zookeeper：

• 不能保证每次服务请求都是可达的，当 zk 集群 master 挂掉时，需要进行选举，在选举期间中，服务是不可用的；

• 不支持跨机房的路由，比如 eureka 的 zone，当前机房不可用时，可以路由到其他机房；

• “惊群效应”， zk 的节点过多的时候，当 service 的节点发生变更，会同时通知到客户端，瞬时流量有可能将网卡瞬间打满，并且会有重复通知的问题。

Nacos：

• 注册中心部分更侧重于可用性

• 服务发现与服务管理

• 服务元数据的管理

• 动态配置管理

在此期间，我们也关注到了 Spring Cloud Alibaba。

阿里巴巴技术经受多年“双十一”的考验，其性能和稳定性是值得信任的。Spring Cloud Alibaba 的组件开源社区活跃度很高，并且比起国外开源项目更容易交流。其组件由 Java 语言开发，对我们来说更易维护，在出现问题时能够更快地定位问题进行修复。而且与阿里云配合，更加容易上云，比如 Nacos 可以与阿里云的 MSE 和 ACM 配合，将注册中心及配置管理全部上云。

因此，我们决定拥抱阿里技术栈。

7. 服务化改造 2.0 架构图

我们将之前的模块直接抽到基础服务之中，新增了 会员、订单、门店 等服务作为Provider，暴露自己的Service，并注册到 Nacos 上。新商户中心服务做美业业务逻辑的处理，旧商户中心服务做泛行业的业务处理，C端服务同理对外提供服务。通过 Dubbo 进行远程调用。

 

通过服务化 2.0 的改造，效果如下：

• 服务器成本降低 30%：20+ 台服务器，由 4 核 16G 降配到 2 核 8G；

• 系统可靠性提升 80%：load 告警明显减少，线上的问题修正能够快速修复，完成部署；

• 代码冲突减少 75%：因为边界有了基本各自维护，冲突显著减少；

• 发布迭代效率提升 50%：之前 5 个人每个迭代开发评估可完成 30 个点，现在可完成 45 个点左右。

Nacos 落地实践与问题分析

Nacos 在我们公司处理做注册中心之外，配置管理也对我们提供了很好的服务。下面说一下，Nacos 我们的使用情况，以及我们遇到的问题。

 

首先是使用情况：

• 部署方式：开发/测试环境单机部署，生产环境 3 台集群部署；

• 版本：生产环境从 0.9.0 开始使用，目前生产环境使用的版本为 1.1.4 ；

• 使用时间：2019 年 3 月份开始在生产环境下使用；

• 服务数量：线上 20+ 台服务器，提供了 600+ 个服务；

• 稳定性：一年的时间里没有出现大的问题，并且平滑升级；

• 兼容性：新老服务，在我们公司无论是 Spring 4.3+ 的工程，还是 Spring Boot 的工程均兼容良好。

1. Nacos 注册中心

• 服务注册：将后端服务注册到 Nacos，通过 Dubbo 进行调用。目前开发环境中我们正在测试Seata，并且也将 Seata 服务注册到 Nacos 上；

• Namespace：服务统一注册到 public 中。

2. Nacos 配置管理

每个服务设置独立的 Namespace 。

 

• 服务的配置文件信息：application.properties 全部配置到 Nacos，工程的配置文件仅保留 Nacos 相关配置；

• 业务层的 KV 配置：比如业务开关，属性默认值，定时任务配置等；

• MQ Topic 的动态配置：Binlog 服务采集动态发送到在 Nacos 配置的 topic 及其需要的表信息；

• Sentinel 的规则配置：Sentinel 限流规则持久化到 Nacos 。

3. 问题描述

2019 年 12 月 31 日，下午 3 点 15 分左右，线上突然出现大量服务告警，Dubbo 服务出现报错，整个过程持续约 3 多分钟。各个业务组当天均没有任何发布，数据库状态也良好。

通过日志发现，报错原因是门店服务无法调用。而门店服务日志，出现问题的时间段内，没有任何的调用记录。系统恢复正常时，出现了很多服务注册的通知。

因此，我们将问题瞄准了 Nacos。查看 Nacos 的日志发现，在系统恢复过程中，有大量的服务正在上线。

 

就在排查的过程中，线上突然又出现了之前相同的告警，Nacos 上的服务列表开始大量变成不健康的状态，于是我们紧急重启了线上的 Nacos ，在这期间又经历了一个 3 分多钟的惊魂后，再次恢复了平静。

 

问题分析：

• 两次出现的问题均是门店服务，但出现问题期间 JVM 和数据库的运行状态均良好；

• 报错信息都是 Dubbo 调用超时，且出现问题期间，门店服务没有任何流量进入；

• 出现问题时，注册在 Nacos 上的服务开始大量不健康。恢复正常时，这些服务又开始上线，说明出现问题时，服务被下线又重新上线。

综上，我们开始怀疑是网络原因造成的。

4. 问题确认

经过排查，发现我们的服务大多部署在 阿里云华东 1 可用区 B ，只有门店服务和 Nacos 集群没有部署在可用区 B ，说明这段时间可用区B与其他区之间的发生了网络隔离。

于是，我们在可用区 B 紧急部署了门店服务，之后没有再出现问题。

经过与阿里云的沟通确认于北京时间 2019 年 12 月 31 日 14:05 分左右开始，部分用户反馈阿里云华东 1 地域可用区 B 部分网络出现异常，影响部分云资源访问。

 

5. 问题复盘

• 问题出现：下午 3 点多，突然连续出现的服务告警， Dubbo 服务出现报错；

• Nacos：Nacos 服务列表里大量服务出现不健康的状态；

• 网络不通：可用区 B 与其它区网络不通，导致服务无法调用；

• 紧急部署：在 B 区部署缺失的 门店服务；

• 恢复正常。

6. 问题思考

• 服务部署：应用服务和Nacos建议多机房部署，即使在云上可用区之间也需要考虑；

• 容灾：问题出现时，可用区 B 并没有部署 Nacos，但可用区B内的服务之间依然能调通，且能够读到 Nacos 上的配置。因此，我们认为 Nacos 以及 Dubbo 的容灾策略都是值得信赖的。

7. 回顾与展望

“颜铺专家”经过不断地快速迭代，帮助美业商家⾼效快捷地管理门店，进行经营数据分析，数据化管理门店，建⽴完善的会员周期管理体系，为美业商家在经营管理中，提供⼀体化的解决方案，将美业传统的门店经营模式进⾏互联网升级。截止到目前我们累计服务 3000 多个品牌，1.1W + 个⻔店。

我们提供了店务管理系统、会员管理系统、营销拓客系统、大数据决策系统、供应链管理系统、员工绩效管理系统6⼤系统能力，同时⽀持 PC 端、手机 APP 、 pos 机、 iPad 操作，满⾜⻔店多端操作需求，覆盖⻔店经营管理中的所有场景需求。

未来规划

1. 提升系统高可用

• Seata ：目前我们公司的分布式事务主要依赖 MQ 的补偿，今年准备引入 Seata 来完善分布式事务，保证数据一致性，减少开发修数据的情况；

• Sentinel ：目前 Sentinel 我们只是在商户做活动时启用，因此我们要配置出适用于我们公司的最佳实践，保证系统的高可用；

• 全链路跟踪：我们公司现在定位问题主要靠日志和告警，做不到全链路的跟踪，所以我们要把这部分做好，做到故障快速定位，各调用环节性能分析，以及数据分析；

• 异地容灾：随着来自全国各省的商户越来越多，我们需要对商户的数据保障，避免数据丢失，确保服务的可靠性。

2. 社区回馈

因为我们的公司体量现在不大，我们能够做到的是尽可能地使用最新的版本，及时尝试新特性，对发现的问题提 issues，但我们也希望能够对 Nacos 开源社区尽一份我们的力量。

作者信息

殷铭，颜铺科技架构师，负责颜铺 SAAS 平台中间件的应用和实践，主导了平台架构在颜铺向分布式演进的全过程，目前也负责大数据在颜铺平台的实践和落地。

戳原文，立即预约直播！