动态 / dynamic

了解国风最新市场动态

呼和浩特软件开发浅析阿里集团软件开发流程

行业新闻 TIME:2019-09-20
539 0

  有关阿里集团在打造支撑百万用户的分布式代码托管平台,这里呼和浩特软件开发主要介绍了阿里巴巴集团代码服务团队。

  一、背景介绍

  代码是DevOps流程的起点是所有研发流程的基础;代码托管为代码“保驾护航”,确保代码的安全性、可用性,同时提供围绕代码的一些基础服务。阿里巴巴集团GitLab是基于GitLab社区版8.3版本开发,目前支撑全集团数万规模的研发团队,累计创建数十万项目,日请求量千万级别,存储TB级别,早已超过了GitLab社区版承诺的单机上限能力,且增长速度迅猛。

  面对这种情况,顺理成章的做法就是扩容。然而GitLab的设计没有遵守Heroku推崇的?The Twelve-Factor App? 的第四条:“把后端服务当作附加资源”(即对应用程序而言,不管是数据库、消息队列还是缓存等,都应该是附加资源,通过一个url或是其他存储在配置中的服务定位来获取数据;部署应可以按需加载或卸载资源),具体体现是:

  Git仓库数据存储于服务器本地的文件系统之上

  GitLab所依赖的三个重要组件:libgit2、git、grit也都是直接操作在文件系统上GitLab

  所以GitLab社区版是基于“单机”模式设计,当存储容量和单机负载出现瓶颈时,难以扩容!

  二、面对挑战

  2015年初,阿里巴巴集团GitLab的单机负载开始呈现居高不下的情况,当时的应对方案是同步所有仓库信息到多台机器,将请求合理分配到几台机器上面从而降低单机的负载。然而这个方法治标不治本:

  系统运行过程中的数据同步消耗资源和时间,不可能无限制扩充机器

  这种方案暂时缓解了单机负载的问题,但对于单机存储上限的问题束手无策

  2015年中,团队正式启动了第一次改造尝试,当时的思路是去掉对本地文件系统的依赖,使用网络共享存储,具体思考和方案可以参见RailsConf 2016 - 我们如何为三万人的公司横向伸缩 GitLab 。

  然而由于本地缓存等问题的限制,网络共享存储的方案在性能上出现较明显性能问题,且大都为基于C/C++的底层改动,改造成本出现不收敛情况。而当时集团GitLab服务器在高峰期CPU屡屡突破**95%**甚至更高的警戒值,而高负载也导致了错误请求占比居高不下,无论是对上游应用的稳定性还是对用户体验都提出了严峻挑战。

  三、改造方案

  2016年8月起新一轮改造开始。既然共享存储的方案暂时行不通(后续如果网络存储的读写性能有质的提升,未尝不是好的方式),首先明确了唯有分布式或者切片才能解决问题的基本思路。 我们注意到,GitLab一个仓库的特征性名称是"namespace_path/repo_path",而且几乎每个请求的URL中都包含着个部分(或者包含ID信息)。那么我们可以通过这个名称作分片的依据,将不同名称的仓库路由到不同的机器上面,同时将对于该仓库的相关请求也路由到对应机器上,这样服务就可以做到水平扩展。

  3.1 各个组件的功能主要是:

  Sharding-Proxy-Api用于记录仓库与目标机器之间的对应关系。

  Proxy负责对请求做统一处理,通过Sharding-Proxy-Api获取信息,从而将请求路由到正确的目标机器。

  Git Cluster由多组节点构成,每组节点内有三台机器,分别为master,mirror和backup。其中master主要负责处理写(POST/PUT/DELETE)请求,mirror主要负责读(GET)请求,backup作为该节点内的热备机器。

  master在处理完写请求后,会同步更新此次变更到mirror和backup机器,以确保读请求的正确性和热备机器的数据准确。

  3.2 保证方案可用

  如何确保切片信息准确 Sharding-Proxy-Api基于martini架构开发,实时接收来自GitLab的通知以动态更新仓库信息,确保在namespace或project增删改,以及namespace_path变更、仓库transfer等情况下数据的准确性。

  如何做到切片合理性海量数据的情况下,完全可以根据namespace_path的首字母等作为切片依据进行哈希,然而由于某些名称的特殊性,导致存在热点库的情况(即某些namespace存储量巨大或者相应请求量巨大),为此我们为存储量和请求量分配相应的权重,根据加权后的结果进行了分片。目前来看三个节点在负载和存储资源占用等方面都比较均衡。

  如何处理需要跨切片的请求 GitLab除了对单namespace及project的操作外,还有很多跨namespace及project的操作,比如transfer project,fork project以及跨project的merge request等,而我们无法保证这些操作所需的namespace或project信息都存储在同一台机器上。 为此,我们修改了这些场景下的GitLab代码,当请求落到一台机器同时需要另一台机器上的某个namespace或project信息时,采用ssh或者http请求的方式来获取这些信息。 最终的目标是采用rpc调用的方式来满足这些场景,目前已经在逐步开展。

  3.3 提升性能

  ssh协议的替换 目前阿里巴巴集团GitLab提供ssh协议和http协议两种方式,供用户对代码库进行fetch和push操作。其中,原生的ssh协议是基于操作系统的sshd服务实现,在GitLab高并发ssh请求的场景下,出现了诸如这样的bug:

  由此产生的问题是:

  1、ssh协议登陆服务器变慢

  2、用户通过ssh协议fetch和push代码时速度变慢

  为此,我们采用golang重写了基于ssh协议的代码数据传输功能,分别部署在proxy机器以及各组节点的GitLab服务器上。由此带来的好处有:

  1、机器负载明显降低

  2、消除上述bug

  在ssh服务发生问题的情况下,仍旧可以通过ssh登陆(使用原生)服务器,以及重启sshd服务不会对服务器本身造成影响

  个别请求的优化和重写 对于一些请求量较大的请求,例如鉴权、通过ssh key获取用户信息等接口,我们目前是通过文本转md5,加索引等方式进行性能优化,后期我们希望通过golang或java进行重写。

  3.4 确保数据安全

  一主多备 如上面提到的,目前阿里集团GitLab的每组分片节点包含有三台机器,也就是相对应的仓库数据一备三,即使某一台甚至两台机器发生磁盘不可恢复的故障,我们仍旧有办法找回数据。

  跨机房备份 刚刚过去的三月份,我们完成了阿里巴巴集团GitLab的跨机房切换演习,模拟机房故障时的应对策略。演习过程顺利,在故障发生1min内接到报警,人工干预(DNS切换)后5min内完成机房间流量切换。 多机房容灾的架构如下图所示: 保证准实时的仓库数据同步是机房切换的基础,我们的思路按照实际需求,由容灾机房机器主动发起数据同步流程,基本步骤是:

  利用GitLab的system hook,在所有变更仓库信息的情景下发出消息(包含事件类型及时间包含数据等)

  同机房内部署有hook接收服务,在接收到hook请求后对数据进行格式化处理,并向阿里云MNS(Message Notify Service的相关主题发送消息容灾机房内,部署有消息消费服务,会订阅相关的MNS主题以实时获取online机房发送到主题内的消息,获取消息后调用部署在容灾机房GitLab节点机上的rpc服务,主动发起并实现数据同步的逻辑hook接收、消息消费以及GitLab节点机上的rpc服务,均由golang实现。其中rpc服务基于grpc-go,采用protobuf来序列化数据。 通过一段时间的运行和演习,已经确定了方案切实可行,在数据校验相关监控的配合下,容灾机房可以准实时同步到online机房的数据,且确保99.9%至99.99%的数据一致性。

  3.5 如何提升系统的可用性

  日志巡检 面对集团GitLab每天产生的大量日志,我们使用阿里自研的监控工具进行日志监控,对系统产生的5xx请求进行采集和报警,然后定期去排查其中比较集中的错误。经过一段时间的排查和处理,5xx错误日志大致可以分为:

  1、分布式改造带来的跨分片操作的bug

  2、GitLab本身的bug

  3、高并发情况下带来的系统偶发性故障

  4、数据库相关的错误等

  由于用户量大,场景多,阿里巴巴集团GitLab的使用场景基本覆盖GitLab的所有功能,因此也可以暴露出一些GitLab自有的bug。

  服务器监控 无论系统多少健壮,完备的监控是确保系统平稳运行的基础,既可以防患于未然,也可以在问题出现时及早发现,并尽可能减小对用户的影响。目前阿里巴巴集团GitLab的监控主要有:

  (1)机器cpu,内存、负载等基本指标的监控

  (2)ssh、ping等网络检测信息(用于判断是否宕机,后将详述)

  (4)异步消息队列长度的监控

  (5)数据库连接的检查

  (6)错误请求的监控

  (7)Sharding-Proxy-Api与GitLab的数据一致性校验

  很自豪的一点是,我们经常可以根据报警信息,先于用户发现问题。

  单机故障的自动切换 虽然监控足够完备,但谁也不能保证服务器永远不宕机,因此我们在同一组节点中保有一台backup机器以应对服务器故障。会有专门的client定期通过API轮询监控平台提供的机器监控信息,当确认机器宕机时(ssh和ping同时不通,且持续时间超过2min)自动触发机器角色的互换,包括master与backup互换,mirror与backup互换等。通过演习,我们已经具备了单机故障时5min内全自动实现机器切换的能力。

  机房故障时的切换 即前述的跨机房切换。

  3.6 单元化部署

  单元化架构是从并行计算领域发展而来。在分布式服务设计领域,一个单元(Cell)就是满足某个分区所有业务操作的自包含的安装。而一个分区(Shard),则是整体数据集的一个子集,如果你用尾号来划分用户,那同样尾号的那部分用户就可以认为是一个分区。单元化就是将一个服务设计改造让其符合单元特征的过程。

  为了实现单元化的目标,我们在最初设计时就往这方面考虑。比如跨机房备份中,消息消费应用需要调用**Sharding-Proxy-Api**获取rpc服务的地址时,尽可能做到数据在单机房内闭环。这样在满足单元化要求的同时,也可以在机房故障时,尽量不影响已进入队列的消息在消费时出现数据断流。

  现在阿里巴巴集团GitLab在架构上已经基本具备了单元化部署的能力,这样的情况下,无论是后续与阿里云合作对外提供服务,还是当收购海外公司需要单独搭建新服务时,都不会遇到问题。

  四、未来的改进

  4.1 偶发的cache大量释放

  由于GitLab有大量的IO操作,使得系统占用cache的数值巨大,也正是因为cache,系统的性能得到保证。然而成也cache败也cache,为了确保系统不会发生OOM,我们设定了vm.min_free_kbytes,当cache占用过多且需要继续申请大片内存时,会触发cache的释放,势必会影响释放瞬间请求处理能力(通过日志分析得到,此瞬间的处理能力仅为cache存在时的1/2左右),直接后果是该瞬间的请求堵塞,甚至出现部分502。

  为此我们咨询了系统部的同学,根据他们的建议修改了部分内核参数(目前仍没有根治),后续会尝试升级内核的方式,也希望遇到过类似问题或对这方面问题有研究的同学,把你的秘籍传给我们。

  4.2 自动化运维

  目前集团GitLab的发布主要靠手,在分布式架构下,机器势必越来越多,全自动化的发布、扩容机制,是我们需要完善的地方。

  4.3 rpc方案的最终落地

  如前所述,只有最终实现了全局的rpc替换,才能将web服务所消耗的资源与Git本身消耗的资源进行分离,阿里巴巴集团GitLab的分布式改造才能算最终结束。

  五、后续

  监控及日志数据对比显示,过去一年中阿里巴巴集团GitLab请求量增长4倍,项目数增长130%,用户数增长56%,在这样的增速下,系统调用的正确率却从99.5%提升到了99.99%以上,这些数字印证了我们方案的可行性和可用性。

  接下来的时间里,小伙伴们会为继续代码服务的创新而努力,“高扩展、分布式、响应式、大文件、按需下载、流控、安全、数据化、单元化”,有些我们做到了,有些是接下来努力的方向。

  现在阿里巴巴集团GitLab的架构,已经足够支撑百万规模的用户体量。在经过阿里工程师、开发者的千锤百炼之下,我们有勇气和信心通过阿里云code为更多的开发者提供代码托管服务,共同打造云上的协同研发生态!

  以上便是呼和浩特软件开发对阿里集团的浅析。

相关联接:

内蒙古考试系统包含的功能

内蒙古考试系统需求分析


联系电话:0471- 6934705/6934710/6934715

网  址:www.2400.cn www.nmgf.net 企业邮箱:kefu@nmgf.net

地  址:呼市中山东路6号金天帝广场6-9层(波士名人国际、新世纪广场旁) 

Copyright © 2003-2020 www.nmgf.net All Rights Reserved. 蒙ICP备05001757号  蒙公网安备 15010202150104号  设为首页 加入收藏 投诉电话:15848128138 18604718919

内蒙古网站建设 呼和浩特网络公司 微信小程序开发 微网站 软件开发 网站建设 内蒙古手机网站 呼和浩特网站建设 内蒙古网络公司 呼和浩特网站制作 呼和浩特网站设计 呼和浩特网页设计 呼和浩特网页制作 呼和浩特做网站 呼市考试系统 内蒙古考试系统 呼和浩特系统开发 

快捷导航
点击联系我们

Copyright © 2003-2020 国风网络

蒙公网安备 15010202150104号

蒙ICP备05001757号