云原生环境下对“多活”架构的思考

互联网公司发展到一定的规模，系统的高可用就变得极其重要。为了应对那些随时可能发生的意外，“多活”在如今互联网公司好像变得是必备的手段了。甚至一些公司发生一些 P0 事故之后，多活也会出现在 case study 的列表之内。

在云原生比较流行的今天，很多公司都会选择某云服务厂商来部署公司的相关服务。当公司规模较小时，一般情况下公司的架构会像下图所示。

虽说每个云服务商都号称自己的稳定性能达到 N 个 9，但是如果一旦该云服务商出现比较严重的问题时，我们只能祈祷该服务商能赶紧恢复，事后云服务商发优惠券补偿。但是对我们业务的客户却造成了很大的伤害，甚者还会造成数据的永久丢失。

当公司的业务达到了一定的规模，一般情况都会再选一个云服务商形成“多云多活”来保证系统的稳定性、高可用。有幸参与过某公司的双云方案的落地，这里聊聊这种多云多活的方案的一些思考。

多活为什么重要？

这里就举两个实际的例子。

• 2021年7月13日，B 站部分服务器机房发生故障，整个故障持续超过一小时。
• 2021年10月9日，富途证券的 IDC 机房网络故障事件导致某些客户资产清零、无法交易。

这两起故障都是比较基础的服务出现的故障导致高可用受损，这个基础服务的故障一般恢复起来都是比较麻烦，为了实现高可用，将多活容灾推到了解决方案的层面。特别当 B 站故障后，各路文章出来解读多活，如何实施多活（很多的文章当个乐子看即可）。像这种比较基础的服务故障，往往恢复时间都是不确定的，多活确实是解决问题的有效手段，能大大提高我们系统的容灾能力。

服务容灾有哪些方案

主备

在比较小点公司内，提起比较多的方案应该是主备方案。这种方案的特点是有一套主、备集群，正常情况下都只有主集群在工作，当主集群出现故障的时候，备用集群启用。

这种方案其实不太靠谱，因为备用集群正常情况下是不启用的，所以其代码，配置，数据都有可能是没有经过验证的，万一真的发生问题时，慌忙启动的备用集群大多数情况也是不可用的。

多活

多活就是所有的集群都是正常提供服务的。正常情况下会按照流量划分，将流量归属到不同的集群，当某集群出现问题时，将流量切换到其他集群正常提供服务。

多活是高可用架构设计的保障，根据多活等级的要求不同，多活还有同城双活，异地双活，两地三中心，三地五中心等。对多活的要求越高，投入的资源也就会越高。这里就不再详细讲述这些名字背后的技术细节了。

多云多活的技术细节

多云多活指的是公司选择两家云服务商，将服务部署两个云上，正常情况两个云同时对外提供服务，当其中一个云出现问题时，将流量全都切换到另外一个云。

这个图基本是大多数公司部署多云多活的技术方案，下面聊聊这个方案的相关技术细节和缺点。

这个架构的大概流程：

• 客户端通过接入层访问系统相关服务
• 接入层根据流量分发规则，将流量向下分发到业务层
• 业务层经过相关的业务逻辑处理，将相关数据写入到相关的存储中

流量分发/切换

分布在不同的两个云的集群的系统承载能力是需要经过评估的，流量接入层按照系统承载能力的差异，将流量按照不同的比例进行分发。不过一般情况下，两个云的系统会尽量保证系统的承载能力是一致的，所以流量是平分到两个集群中。

当某个云发生故障的时候，在流量接入层会将流量全部切换到另外一个云上，保证另外一个云的故障不会用户造成影响。由此可见流量接入的层的重要性，不过这一层组件比较成熟，在我经历的项目中，这一层确实没有发生过故障。

业务层双活

业务层对于双云双活来说，其实比较简单的，就是将同样的代码分别部署到两个云即可。

但是要注意的是，这一层是有 IDC 之分的，要保证的是云1 的服务不能访问到云2 去，对于开发人员来说也不用太担心，只要配置不出错，一般业务框架会保证这个事情。

再扯一点其他的，业务层正常情况下会根据业务需求快速迭代，这就给业务系统带来了不稳定性。如果 CI/CD 做的好的话，能够让业务做到快速回滚，但是这也会给核心业务造成一定的影响。为了解决这个问题，需要将核心业务进行隔离，让新上线的业务在非核心集群进行验证，等待稳定后再部署到核心集群。

存储层

先提出一个问题：存储层这样设计是否有问题？

这个设计还是蛮普遍的，比如 [《斗鱼基于etcd和ZooKeeper的注册中心实践案例》] 这篇文章中，对于存储基本也是这样设计的。

redis、mysql 还是选择经典的一主多从的设计方式。

• 选择一个 “云” 将 mysql/redis 的主节点和部分从节点部署到这个云上
• 将 mysql/redis 其他的从节点部署到另外一个云上
• redis/mysql 之间利用主从同步机制进行数据同步
• 云1 和 云2 之间由一条专线连接

优点

架构简单，可以利用 redis、mysql 自身的机制进行数据同步，让数据的访问在各自的云进行。

缺点

其实缺点一眼就看出来了，这整个“双云双活”的设计的缺点太依赖于主节点所在的云的稳定性和专线的稳定性。

在我经历的项目，云的稳定性还是可以的，最容易出现问题的其实这条专线，比如：专线被打满。当专线出现问题时，研发只能傻乐，等待运维恢复专线，如何保证这个专线的稳定性成为这个架构最重要的事情。

当然另外一个问题也是很难解决：主节点所在的云或者专线发生故障的时候，整个项目其实也就瘫痪了大半。

因为当主节点所在的云出现故障时，在流量接入层可以将流量切换到另外一个集群，但是我们的主业务肯定不是”只读“的，肯定还有写业务存在, 于是出现故障的时候，只能看到一堆堆的写失败报警，有些业务接口肯定也在报错，只能等待故障恢复后，人工补偿这些写失败的数据。

所以为了解决这个系统设计的缺陷，就是要将 redis/mysql 做成多主多从，主与主集群之间做数据同步。这个方案说起来容易，但是实践起来就太困难了。

这里只使用 mysql/redis 作为示例来解释双云双活，其实我们的系统还有另外一些分布式一致性系统如：ectd，读者可以考虑一下如何部署到双云上面。

结论

其实很多的公司的多活最终都因为各种原因沦为了“伪多活”。 非云，非BAT级别的厂，一般建义先做到核心数据(交易，用户)多中心备份，毕竟不是每次火灾水灾都能赶上，当某云出现问题时可以快速恢复，这才是重中之重。

上面提高的“双云双活”方案的瓶颈就在于存储层，让整个集群处于“伪多活”的状态。这个方案确实能解决一些问题，但是高可用并没有想象中的那么出色，更多时候这样项目一般都沦落成某些人晋升的 KPI。