上云十年：阿里云的奇幻漂流

Posted 2020-11-23 yunshequ

现代人的生活是不缺乏刺激的。我们总能在电影院或化身“沙发土豆”，作为旁观者，与凤凰社、夜魔侠、蜘蛛侠等诸多主角们经历了一场场“安全的冒险”，体会他们挣脱束缚的破釜沉舟，欣赏他们踏上未知冒险的勇气。

回到真实的商业故事中，很少有人会将阿里与“困境”这样的字眼联系在一起，尤其是在花团锦簇、全民狂欢的双十一之后。

但少有人知道，这场剁手党的“春晚”，却是技术人眼中冰峰林立、人迹罕至的“珠穆朗玛峰”。而阿里云的工程师们，刚刚经历过一场大汗淋漓的搏斗。

极致双 11：阿里云的技术攀爬

11 月 11 日 0 点，阿里云的数据显示，双 11 订单创建峰值达到了 54.4 万笔/秒。这个“数据海拔”有多恐怖呢？

面对这个全球最大规模的流量洪峰，就连在商海身经百战的阿里巴巴 CEO 张勇，都有点“上头”。

当天他坦诚道，自己心里最关心的，不是销售数字，而是整个技术的峰值。“我们能够每秒钟支撑多少笔订单的处理，既不发生钱的错误，又不发生错误的库存，被错误地记录，这个才能保证整个商业顺畅运转。”

而这些沉甸甸的指标，被百分之百地押注在了阿里云上。就在两个月前，阿里巴巴将数以十万计的物理服务器从线下数据中心迁移到了云端。

双 11 核心系统全部云化，意味着什么？

意味着，当有客户问起，“你们阿里巴巴自己的业务也跑在阿里云上吗？？”“没错，全部都在，包括双 11”——阿里云终于可以这样回答了。

意味着在中国鲜少能抢到“首发权”的技术高岭地带，亚马逊、微软、谷歌等云计算巨头都没能实现的壮举， “飞天”首次实现了！

而从 100% 依托海外厂商（数据系统），到 100% 的自研云，“飞天”这艘巨舰航行了整整十年。

它是如何在充满危险与未知的商业大海中远征，跨越一个个暗礁生存下去的，或许会是双 11 之后，另一场人人都会极有代入感的大冒险。

使命召唤：少年阿里的“飞天”远征

所有英雄电影的开头，主角们总能凭借一个神秘的召唤，打开人生试炼的序幕。

而阿里的云计算远征，开场并没有那么多玄幻和浪漫。它源于一笔锱铢必较的经济账——彼时阿里巴巴的 IT 架构，淘宝和支付宝等核心业务都架设在大量 IBM 小型机、Oracle 数据库，以及 EMC、戴尔存储设备之上。

一台“小机”要几十万到百万人民币，数据库软件费更高达数千万，加上维护费和其他支出，普通人掰掰手指都能想到，阿里高速发展的背后，是骇然的算力成本。

有什么具体影响呢？大概也就是钱哗哗地花出去了，消费者的用户体验也没能提升多少。

每天早上八九点钟，阿里的 CPU（中央处理器）的使用率会涨到 98%。就像电脑内存占用过多一样，用户浏览、下单、付款等操作的流畅度总令人心惊胆战。

阿里的流量还在以十倍二十倍的速度狂飙，就连 IBM 这些 IT 界的“金字招牌”，也从来没有应对几亿人访问规模的经验。以后该怎么办？阿里只能自我救赎。

2008 年 9 月，王坚从微软出走，来到了西湖。此后，他最广为人知的身份之一，不是阿里首席架构师，而是“忽悠马云的骗子”。因为，他笃定云计算是未来。

马云并不懂技术，他没听懂王坚讲的那些技术优势，也不了解云计算背后到底是什么。但他听懂了一点，不上云，光是继续买服务器就足以让阿里破产。而这，也将是此后数年间中国绝大多数企业要面对的共同难题。

既然别无选择，凭着一句“使命召唤”，王坚带着从微软过来的几个旧部，和林晨曦紧赶慢赶才招兵买马的“水手们”，从零开始，迈出了云计算大冒险的第一步。

2008 年 10 月，一艘载着中国云之梦的船只被定名为“飞天”，正式展开了风帆。

打开魔盒：

“去 IOE”，阿里云迎击的第一只巨兽

我愿意以《少年派的奇幻漂流》，来看待“飞天”的起航。

李安导演以派（π）这个无理数当做少年的名字，预示着人生旅途中即将遭遇的一切未知。这与“飞天”团队当时的境况何其相似。他们都遥望着大洋彼岸的美丽新世界，但航程中势必充满了可能被挑战、被拒绝、以及充满未知的要素与技术规律。

茫茫大海，掌舵人必须要规划航线。2009 年 9 月，“阿里云”以子公司的身份正式亮相，它接收了命运派送的第一个重大任务盒子，放出了“去 IOE”这头“巨兽”。

今天看来，这是个潘多拉魔盒，里面装着麻烦与幸福的种子，同样也有着希望和力量。

所谓的“去 IOE”，就是采用自主研发和替代性方案来重构阿里的数据系统，以摆脱过去对 IBM 小型机、Oracle 数据库和 EMC2 存储设备这“三大件”的依赖。

胜利的奖赏将非常丰厚，一方面能帮助阿里巴巴节约非常可观的运营成本；同时有望成为帮助众多中小企业降低技术应用门槛的“基础设施”。

但“巨兽”的铠甲也同样坚硬。“去 IOE”，不仅要将传统的集中式系统架构全部改为云计算的分布式架构，还要确保业务跑在上面，性能和稳定性能够超越 IOE。

除了自研技术本身相对稚嫩之外，当时的“飞天”团队，手里现成的武器只有两把——一个是以开源软件为基础的数据计算系统“云梯1”，和以“飞天”为基础、完全自研云计算系统的“云梯2”。

两套系统都需要内部测试。林晨曦先找了淘宝技术团队，拼命“卖安利”。负责人同意了，但底下的 Oracle 工程师一听就急眼了——这岂不是砸自家兄弟的饭碗吗？！

差点引发人员动荡的“内部试用”，最终在各方的讲事实摆道理前得以顺利开展。但拆掉了传统的 IOE，自研架构就真能顶上了吗？

恐怕连王坚都不敢打包票。

“明明可以坐高铁，却偏偏要骑自行车去上海”——这是当时阿里内部工程师们对“飞天”的普遍看法。

被强行赶鸭子上架的，恰恰是最“赶时间”的阿里金融。马云亲自跟时任阿里金融的胡晓明下了任务书——必须将系统架构搭建在阿里云上。

稳定性要求极其严格的金融系统，如何与初生的“飞天”（Apsara）平台融合，打造一个“去 IOE 样板”？“牧羊犬”计划就这样诞生了。

中间有许多“打怪”的有趣细节，堪称技术界的“吐槽大会”：比如问题层出不穷，系统总爱出错，“分布式计算”也被调侃为“分步试计算”。又比如工程师必须 24 小时紧盯着系统，“人肉云计算”由此得名。

戏谑的背后，是阿里云的“至暗时刻”。不少集团员工质疑这个业绩常年垫底的子公司为何还要继续存在，许多“飞天”战友也在长久的攻坚战前倒下，出逃的出逃、转岗的转岗，2012 年的阿里云“共创会”上，王坚甚至摔了话筒。

好在故事的结尾，以喜剧收场。

在一次较大的升级之后，“飞天”系统稳定得“不像是阿里云的作品”。2012 年底，王坚将“飞天奖”颁给了阿里云的全体员工，颁奖词是——坚持就是伟大。

这一坚持，就坚持到国内云市场爆发，阿里云成为数万个网站、游戏和应用的承载者，“去 IOE”这只历史的大 boss 也最终倒下。2013 年 5 月，阿里最后一台小型机下线。7 月，淘宝最后一个 Oracle 数据库下线。

这场战役中，“飞天”和阿里云奇迹似的活了下来。

由一入多：阿里巴巴的集体“登月”

刚推倒 boss 的兴奋没有持续多久，阿里云的探险家们又刷新出了一张刺激无比的“新地图”。

2013 年，正式完成“去 IOE”运动的阿里云意气风发。但记性好的同学一定还记得，前面我们提到的阿里云“两板斧”——基于开源 Hadoop 的云梯 1 和基于飞天的云梯2（此时已经改叫 ODPS）。

在垦荒阶段，左右开弓是个不错的选择。不过 3012 年了，也是时候搞搞“精细化”运营了。不然两边分别投入，家大业大也经不起这么造啊。

选A还是选B，成为阿里技术的关键选择。答案大家已经知道了，那就是——自主可控的飞天。

经过研发团队数月的优化和开发，ODPS 顺利实现 5K 升级，也就是 5000 台规模集群投入运营，这项技术究竟有多厉害呢？在当时，创造了计算 100TB 排序只需 30 分钟的新世界纪录。

与此同时，“云梯1”也逐渐向 ODPS 迁移。于是到了 2013 年底，更加强大的“飞天”和 ODPS 服务正式一统江山，并开启了自己的新征程——登月计划。

以“登月”来形容其难度，并不夸张。因为任务目标——用“飞天”系统打通阿里巴巴和小微金服的所有事业部，让流淌在各个业务中的数据实现“大一统”，当时即便是 Amazon 和 google 都没有在自家的业务集群中实现。

如果我们用真实世界中的方式来拆解这个项目，会发现它分为三个步骤：

首先，统一化数据平台。“登月计划”设计搜索、广告、物流等多个数据源必须先实现系统化的统一；

其次，将其送上当时算力领域的“土星五号火箭”——ODPS。

最后，各个业务组件需要在极高的相对运动速度中，被无缝衔接，实现平稳着陆。

内部的迁移固然困难，但水滴石穿，最终完成了这个壮举。到 2014 年的时候，阿里云不仅承载着阿里巴巴集团自身的诸多线上业务，还正式将 ODPS 开放，并进军国际，与亚马逊 AWS 在海外云计算市场狭路相逢。

要驯服这头名为商业的“猛虎”，就需要新的秘密武器了。

以虎为邻：布道者的 AI 试炼之路

如果要给 2015-2017 这三年想一个关键词，答案可能是 AI。而云，成为阿里向产业输送智能的最佳管道。它的效力，在这三年间展现的淋漓尽致。

站在 2015 年的开端，当时已经跻身云计算前列的阿里云，面对一个两难的选择：一是“飞天”要俯下身去，拥抱广大中小微企业用户；二是阿里云要仰起头来，与全球云计算巨头一起冲击天顶技术。

但如何拥抱？天顶在哪儿？ 

要知道，在服务公有云和私有云用户的过程中，阿里云的数据规则和计算能力在持续优化。2015 年 1 月，12306 网站将春运高峰的 75% 余票查询业务切换到了阿里云上；10 月，阿里云又用不到 7 分钟（377 秒）的时间，完成了 100TB 的数据排序竞赛。

阿里云“飞天”分布式计算系统的性能与可靠性，已经毋庸置疑。接下来去往哪里？AI，就在这时登场了。

2015 年的时候， AI 能做什么、会改变什么，产业端一脸蒙圈。直到 2016 年 4 月，阿里云在年会上展示了实时语音识别技术，并现场战胜了世界速记大赛亚军得主姜毅，这是阿里云人工智能 ET 的前身，也是阿里 AI 的起点。

2019 年的云栖大会上，一张阿里云的技术图谱震惊了现场的所有人。从 AI 芯片含光 800，到“飞天”AI 平台，再到各种垂直智能应用模块，软硬件、云端芯，想要哪里点哪里。然而当我们将时间倒回到三年前，会发现当时的阿里 AI 是如此稚嫩，又震惊于它成长的如此快速。

2016 年 8 月 9 日的云栖大会，阿里云只推出了一款 AI——人工智能 ET。它的技能也远没有现在丰富，模仿马云说话、图像识别、交通预测等，今天看来显得有些原始，在当时却迅速激活了产业对 AI 的价值想象。

原来除了无人车、阿尔法狗，AI 还能帮助城市治堵、农场养猪、工厂升级？2016 年 9 月，ET 城市大脑落户杭州萧山，将道路车辆通行速度平均提升了3-5%，云服务的边界迅速浦沿。

次年，阿里云 ET 更是势不可挡，一口气搞出了工业大脑、医疗大脑、环境大脑，将 AI 的触角深入到了许多“重产业”。

阿里云拓展了 AI 的边界，AI 也改变着云服务的商业模式。非网络客户的信息化能力相对较弱，能否把各种算法打包成现成的模型和解决方案？软件好用，硬件该怎么铺，如何节省成本？小微商户也想上云，更加微量级的按需购买能不能实现？

众多新的问题袭来，专注“吃软饭”的阿里云必须向更高的科技树继续攀爬了。那些等待点亮的技术名词，有量子计算、芯片技术、嵌入式系统等等。

驯服商业与技术这两头猛虎的过程中，阿里云也逐步成为了阿里巴巴征战智能时代的最大希望。

中场对决：勇者和神龙的“虚拟化”故事

故事讲到这里，大家似乎可以发现，“阿里云”这位主角总能在危与机之间顺利逃出生天，似乎并没有遇到什么“极限挑战”——这很不英雄。

放心，“绝境”可能会迟到，但绝不会缺席。铸造了阿里巴巴集团商业神话的“双十一”，也是阿里云的“绝望时刻”。

作为全球仅此一家有资格挑战这种极限场景的平台，双 11 之于阿里云，就像少年派所途径的岛屿，它是如此壮阔而美丽，各种奇幻的水下生物游来逛去，静谧的大海与夜空的繁星交相辉映，派的小船如同停靠在一个美好的梦里。

不过，梦里可没有宕机。

要把危机四伏的双十一练兵场，变成自己的高光舞台，而不是打脸现场，真的有点困难。

等等！前面说好的全集团业务上云呢，怎么还遗漏了个双 11，难道阿里“登月”也成历史悬案了？！

没错，天猫和淘宝两位“阿里印钞机”，说不上就不上。

不怪它们太“作精”，尽管 2016 年的时候，阿里云的底层虚拟化技术，已经可以实现极端场景下 10% 的性能损耗。但对于电商业务，尤其是双 11 来说，这依然是不可接受的。

10% 意味着什么？就是双 11 的 20 亿预算，白白损失了 2 亿，有这点钱捐给我（划掉）给用户发红包不好吗？

“能不能把虚拟化的损耗降到0？”——2016 年双 11 结束后，阿里巴巴 CTO 行癫在复盘会上一锤定音。

这意味着他们要解决至少三个问题：1. 在虚拟层达到和物理机一样的性能；2. 满足用户灵活部署的需求；3. 虚拟化的同时保证硬件隔离与安全。

同时具备物理机和虚拟机的双重优势，这可能吗？2017 年云栖大会上，阿里云突然就召唤出了“神龙”这头“性能怪兽”。

“变态”如阿里云，终于从驯龙走向了造龙。他们为这条龙搭建了全新的骨架，采用裸金属的虚拟化，设计了专用的芯片、主板以及 MOC 卡，调度性能更高的虚拟化中间层，再注入配套的整套软件，“神龙”就这样上天了。

“奶爸们”也毫不留情，让这条刚出生两个月的“奶龙”正面迎上了双 11 的狂风暴雨。2017 年，天猫双 11 正式登上公有云，“神龙”完成了绝无仅有的一次巅峰压力测试，实现了每秒 32.5 万笔交易峰值，每秒 25.6 万笔支付峰值。

养成之路就此开启。为了让损耗无限接近0，工程师们需要挑战的是将原本虚拟化切分时所消耗的计算也塞进 MOC 卡里。得，又得继续搞新硬件了。

所以到了 2018 年，神龙 2.0 有了更强大的虚拟化算力。单挑双 11 不在话下，眼看“神龙”的日子刚刚过的有点滋润，行癫又不乐意了。

2019 年春节刚过，他给“奶爸们”下了新的任务——全集团不再购进一台物理机，今年双 11，让这条龙把全集团的算力撑起来。

龙生艰难，工程师们不得不对其进行了极致改造——神龙芯片 IO 加速，弹性计算平台架构，软硬一体化的安全防护，最终当第三代神龙与我们见面时，它已经接近于“龙生巅峰”——不仅损耗接近零，性能还比上一代提升了 5 倍。

不能下单、网络崩溃、支付卡顿等情况，再也没有出现在双 11 现场，背后最大的支撑，就是来自技术的洪荒之力。

伴随着“神龙”将双 11 挑落马下，至此毫不夸张的说，阿里云已经成为阿里巴巴集团名副其实的产业基柱。

十年阿里云：英雄归来与再出发

英雄的历险，至此，达到了一个短暂的尾声。

阿里云这群“技术宅”，似乎非常青睐神话所传达的浪漫情怀，从他们为飞天内部模块的命名就能看出来：阿里云的操作系统叫“飞天”，存储系统叫“盘古”，调度系统是“伏羲”，而网络通讯则是追日“夸父”。

而我觉得他们更像是童话故事中远方的少年，当他们拿到地下魔鬼城中的宝物、龙怪宝库中的金子、巨人看守的金羊毛，未来还将走向新的探险。

十年，对于阿里云来说作为“成年礼”还有些早，但锻造它的此间少年们已经经历了各种考验，征服了双 11 的洪流（但谋杀了我们的钱包），以无名英雄的身份，现实归来。

从一穷二白到核心系统 100% 上云，这一刻的到来，也意味着阿里云有能力去应对商业世界任何复杂的技术挑战。

在观看英雄电影时，我们总是青睐那些面对困境死磕到底的人设，虚幻的故事尽管生动，却始终缺少代入感。但阿里云这群少年们的奇幻漂流却不同，因为有上亿人，都在跟他们一起冒险，并且快乐归来。这背后的时代意蕴，是更具生命力的都市神话。

来源：微信公众号-脑极体