腾讯课堂停课不停学：业务后台实践

2020-05-07 17:23:36 浏览数 (1)

| 导语 疫情爆发，腾讯发起“停课不停学”专项，腾讯课堂一下子被推到风口浪尖上，2天上线极速版，2周内支持同时在线人数超百倍增长，对整个后台挑战非常大。整整2个月下来，同合作团队一起，白天7点开始盯监控和开发版本，凌晨12点例行压测和发布扩容，踩过很多坑也取得很多收获，这里拎几个关键点记录下

腾讯课堂停课不停学

项目背景

大年初一，吃着火锅唱着歌，突然收到重庆十一中的求助信：受疫情影响，年后学校无法开学，高三老师学生都很担心影响到高考，问腾讯课堂能否提供线上平台给高三复课，拉开了整个停课不停学专项的序幕

极速版的诞生

由于课堂是面向线上培训机构的，这次想把十一中这样的传统线下校园，搬到腾讯课堂内上课才发现困难重重：

  1. 入驻：学校各类资质和机构完全不一样，审核周期长
  2. 发课：机构发课有很多规范约束，而学校用课程表排课，一个个发课成本高
  3. 直播：学校老师转线上上课，普遍说直播工具有上手成本

耗了很多人力才把十一中的入驻发课和老师培训搞完，同时其他学校也陆续找过来了，才发现根本没人力能对接这么多学校。就在这时，小马哥发话了：“把入驻发课全砍掉，快速做个腾讯课堂极速版，老师下载完就能自助上课了”

初3收到军令状，公司2个通宵生死急速开发完，初6凌晨团队体验，解决完体验问题后白天急速上线外发。随着各省市教育厅陆续宣布使用急速版复课，课堂pcu/dau开始起飞，短短2-3周，各项指标百倍增长，AppStore免费类排行榜进Top10，教育类稳居Top1

极速版发布.png极速版发布.png

疫情期间开发缩影

白天7点开始盯监控和开发版本，凌晨12点例行压测和发布扩容。才发现企业微信一周小结是按凌晨5点为界：

疫情期间开发.png疫情期间开发.png

架构挑战

下面是课堂后台架构图，按之前的架构设计和模块部署，突然要在2周内支持量100倍增涨，同时还要开发校园版需求，时间赶且任务重。这里分五个阶段把架构挑战和解决策略介绍下

后台架构.png后台架构.png

阶段1：先抗住后优化

面对2周100倍量级增长，重构肯定来不及了，且过大改动仓促上线反而会增加不稳定因素。所以初期思路就是“先抗住后优化”：梳理极速版用户路径，评估路径上各模块容量，快速扩容后，每天凌晨例行全链路压测，持续验证迭代

模块梳理和接口裁剪

和产品讨论完用户路径和访问量级后，各页面qps也基本有个数了，就开始梳理每个页面调用接口列表，明确每个接口要支撑的qps：

学习路径.png学习路径.png

由于课堂微服务很多，为了争取时间，需聚焦核心路径减少梳理复杂度，对于非核心体验和风险较大的这2类接口，抛出来和产品讨论做页面接口裁剪

系统容量评估

模块和接口梳理清楚后，就开始分负责人对系统做容量评估

要特别关注木桶效应，很多新同学只评估了逻辑Svr这一层，其实从用户端->接入层->逻辑层->存储层全链路都得涉及，不能让任一环节成短板

扩容扩容扩容！！

各模块扩容数算清楚后，剩下的就是申请机器部署了。扩容本该是个很简单的活，但因为历史债务等问题，部分模块费了很多周折，比如：

  1. 容器化和上k8s不彻底
  2. 部分c 模块依赖ShmAgent，扩容流程极其繁琐
  3. 扩容svr导致DB链接数爆炸 ...

针对扩容暴露的问题，从接入->逻辑->存储，沉淀了很多设计经验，后面得彻底改造掉，特别是k8s这块应尽快全面铺开。这里终极目标是：针对量级暴涨的情况，不用花人力做评估和扩容，整个系统就有自动伸缩的能力

全链路压测

在初步扩容完后，为了防止梳理不全、评估不准等情况，例行全链路压测验证非常重要，可以挖掘性能瓶颈和系统隐患。

在测试同学给力支持下，每天例行执行下面流程，持续扩容优化迭代：

  1. 校准压测模型：非常重要，压测用例设计会直接关系到压测效果
  2. 确定压测目标：把每个模块/接口的压测qps确定下来
  3. 执行压测任务：凌晨12点启动整站压测流水线，执行星海用例，输出压测结论
  4. 回归压测结果：压测不达标接口记录doc，尽快暴露隐患，责任人分析原因给解决方案

压测QCI流水线：

压测QCI流水线.png压测QCI流水线.png

每日不达标记录：

每日不达标记录.png每日不达标记录.png

全链路压测方案：

全链路压测方案.png全链路压测方案.png

阶段2：瓶颈最先出在DB数据层

根据先抗住后优化的思路，可扩容的都容易解决，架构瓶颈会最先出现在伸缩性差、不容易扩容的环节上，经常会是数据层，课堂这次也中招了

核心DB，一挂全挂

由于之前量较小，课堂大部分模块使用同个DB实例（ip port），上量前这个核心DB的cpu在20%、qps在1k左右，评估下来风险很大：

  1. 扩展性差：主机没法扩展，从机不建议超5组，且有主备延迟风险
  2. 耦合度高：任一svr链接数或sql没控制好，就算是边缘Svr都可能搞垮DB一挂全挂
  3. 梳理复杂：涉及svr数100 ，时间太赶来不及逐个梳理

也是历史设计的坑，后面数据层设计要多考虑吞吐量和可扩展性。但回不去了，硬骨头得啃下来，立了专项找DBA同学一起分析优化，主要有下面几块：

核心DB优化.png核心DB优化.png

业务横向拆分

根据压测发现非常明显的28原则，比如top1的写sql占总量82%，是搜索推荐模块定时刷权重用的，这类模块相对独立，和其他模块表关联join等操作少，方便业务拆分。对于这类模块，像搜索推荐、数据分析、评论系统等，快速切独立DB解耦，规避互相影响

方便业务拆分的切走后，剩下能快速上的就是读写分离扩ro组了。快速扩了4个ro组，把较独立模块sql切过去，规避互相影响，也分摊了主机压力。因为复制模式是半同步的，也需关注主备同步延时，做好监控，特别是一些对延迟敏感的模块

慢查询优化

横向能拆的都快速搞了，主DB风险还是很高，除了升级DB机器配置，剩下就只能逐个做慢sql优化了。采用mysqldumpslow对慢查询日志做归并排序，就可很清楚平均耗时/扫描行数/返回记录数top的慢sql，基本优化也是围绕着索引来，比如：

  1. 查询没有走索引
  2. 访问的数据量太大走全表
  3. OR的情况无法使用索引
  4. 在索引上面直接进行函数计算
  5. 没有使用联合索引
  6. 唯一索引没有命中数据

优化效果：主db峰值cpu负载从20%下降到5%左右

链接数优化

链接数上也出过一些很惊险的case：鉴权svr凌晨扩100台机器，没考虑到对DB链接数影响，svr起来后DB链接数瞬间增长2k 差点爆掉

除了对top的svr减少链接数外，引入DB代理也是个较快的解决方案，由于之前上云对ProxySql和NginxTcpProxy都有实践过，所以这次刚好也使用上

具体可参考之前的文章 《谈下mysql中间件（问题域、业内组件）》：

https://cloud.tencent.com/developer/article/1349133

优化效果：主db峰值链接数从4.6k下降到3.8k

阶段3：核心模块逐个专项击破

接入：血的教训

课堂支持学生在pc/web/app/ipad/h5/小程序等多端进行学习，接入模块属于基础组件改动不大，但这次web接入模块却出了2个问题，确实不应该：

接入层.png接入层.png

针对这2个问题也做了专项总结：

  1. 校准压测用例，更模拟现网流量
  2. nginx动静分离，上报等接口也独立出去
  3. nginx规则精简，接入层尽量打薄，逻辑后移
  4. 统一机器net.core.somaxconn等参数配置，重点监控告警
  5. 压测完要清理战场，关注fd等指标是否恢复
  6. 升级tomcat规避挂死bug
  7. 升级tomcat遵循RFC3986规范，规避特殊字符影响 ......

直播：站在云的肩膀上

课堂最核心的模块就是音视频，直播的进房成功率/首帧延迟/卡顿率/音画同步时延/分辨率等指标直接影响用户核心体验。由于直播模块之前已全部切云，这次站在云的肩膀上，业务不仅直接使用了云的多种直播模式，云音视频团队在整个疫情期间也提供非常给力的质量保障。

下面是具体的直播架构，业务通过流控Svr来控制各端走哪种直播模式：

直播架构.png直播架构.png

消息：走推走拉？

随着极速版普及，各学校对单房间同时在线人数要求也越来越高，从3w->6w->30w->150w。

对于大房间消息系统而言，核心要解决消息广播风暴的问题（30w人房间，有100人在同1秒发言，会产生30w*100=3kw/s消息），随着扩散因子的变大，之前纯推的方案已不能满足需求，参考了业内直播间的一些IM方案：

消息系统方案.png消息系统方案.png

结合对比方案，也针对课堂产品特性，在原来纯推架构上新迭代一版推拉结合的架构

对于IM系统的设计，推荐一下这个文章：《新手入门一篇就够：从零开发移动端IM》

http://www.52im.net/thread-464-1-1.html

阶段4：做好核心路径的防过载和柔性降级

在非常有限的时间里，逻辑层根本来不及重构，容量评估也不一定精准，过载保护和柔性降级就显得尤其重要

因为没时间全盘优化，在量突然暴涨的情况下，某个模块过载或者爆bug的概率会变大，所以在用户登录->查课表->上课的核心路径上，必须增加足够容错能力来提高可用性

雪崩来得猝不及防

疫情初期课堂就遇到一个雪崩的case：直播间拉取成员列表接口有失败毛刺，因为web没做异常保护，失败直接把循环拉取间隔时间置0，导致接口调用量越滚越大，B侧拉取涨了10倍后雪崩超时。由于没预埋开关等控制策略，得回滚web版本才解决。

这个case暴露了过载保护的缺失，一方面web没对异常返回做合理处理保护后端，一方面svr没有识别雪崩请求做限频，除此之外，也缺少一些配置开关可快速控制web循环间隔时间，导致雪崩来得猝不及防

过载保护策略

针对这类badcase，对核心路径的服务做了很多过载保护和柔性降级策略，这里把一些典型方案记录下：

过载保护策略.png过载保护策略.png

限流和熔断

高并发场景为了规避过载的级联传递，防止全链路崩溃，制定合理的限流和熔断策略是2个常见的解决方案。

以这次疫情互动直播限流场景为例，互动直播默认只部署最多支撑600w同时在线的接口机资源，如果哪天突发超过了600w学生：

直播限流.png直播限流.png

限流算法选择上，最常见就是漏桶和令牌桶。不是说令牌桶就是最好的，只有最合适的，有时简单的计数器反而更简单。golang拓展库 golang.org/x/time/rate 就提供了令牌桶限流器，3个核心api：

代码语言：txt复制
1、func (*Limiter) Allow: 没有取到token返回false，消耗1个token返回true
2、func (*Limiter) Wait: 阻塞等待，直到取到1个token
3、func (*Limiter) Reserve: 返回token信息，返回需要等待多久才有新的token

除了算法外，怎么把限流集成到框架、分布式限流实现、限流后请求优先级选择等问题，可以做得更深入，但很遗憾这次没时间搞，后面继续实践

熔断是另一个重要防过载策略，其中熔断器Hystrix最为著名，github.com/afex/hystrix-go 就提供了其golang版本实现，使用也简单。其实L5就包含了熔断能力，包括熔断请求数阈值、错误率阈值和自动恢复探测策略

Apollo配置中心

好的组件都是用脚投票，这次疫情期间，很多策略开关和阈值控制都是用Apollo配置中心来做，实现配置热更新，在高可用上实践也不错。很多时候多预埋这些配置就是用来保命的，当监控发现趋势不对时，可快速调整规避事故发生，简单列些例子：

  1. 后端限流阈值大小，后端要过载时可调小
  2. Cache缓存时间，数据层负载高时可调大
  3. 非核心路径后端调用开关，必须时关闭调用补上降级默认值
  4. 前端定时调用的间隔时间，后端要过载时可调大 ......

当然，如果可做到系统自动触发调整配置就更进一步了，当时有想过但时间太赶没实践，有兴趣同学可思考实践下

Apollo是携程开源的分布式配置中心，能够集中化管理应用不同环境配置，实现配置热更新，具备规范的权限、流程治理等特性，适用于微服务配置管理场景。补个架构图推荐下：

apollo架构图.pngapollo架构图.png

阶段5：服务性能优化实战

在抗住前2周最猛的流量增长后，下来很长一段时间都是在优化服务的性能和稳定性、处理用户反馈和打磨产品体验上。这里沉淀3个服务性能优化上印象较深刻的点

分析利器 pprof torch

在性能分析上，对比c ，golang提供了更多好用的工具，基本每次性能分析都是先用pprof torch跑一把。通过框架中嵌入net/http/pprof并监听http遥测端口，管理后台就可随时得到svr协程/cpu/内存等相关指标，比如优化前的成员列表svr火焰图case

结合代码，便可快速有些优化思路，比如：

  1. 分离B/C调用部署
  2. 优化pb序列化，如做些cache
  3. 简化定时器使用场景
  4. 调整大对象使用优化gc消耗

最终根据这些优化思路改版，让超200ms的比例从0.2%降到0.002%以下

性能优化效果.png性能优化效果.png

缓存设计和踩坑

回过头看，大部分服务性能瓶颈还是在数据层或Rpc调用上，很多时候数据一致性要求没那么高，加缓存是最简单的首选方案。

关于缓存的设计，无论是本地缓存、分布式缓存、多级缓存，还是Cache Aside、Read/Write Through、Write Behind Caching等缓存模式，就看哪种更适合业务场景，这里也不累赘，核心说下这次实践中踩的2个坑：

1、缓存击穿

  • 案例：高频访问的缓存热key突然失效，导致对这个key的读瞬间压到DB上飙高负载
  • 方案：使用异步更新或者访问DB加互斥锁

2、缓存穿透

  • 案例：访问DB中被删除的key，这些key在缓存中也没有，导致每次读直接透到DB
  • 方案：把这些key也缓存起来，但要关注恶意扫描的影响

为啥qps压不上去？

疫情期间，有一个现象很奇怪但又经常出现：压测时cpu很低，pprof torch看不出什么异常，数据层返回也很快，但吞吐量就是上不去。一开始思路较少，后面也慢慢知道套路了，这里列几个真实的case供参考：

  1. 锁竞争：如死锁、锁粒度太大等，关注锁时间上报
  2. 打日志：日志量过大等导致磁盘IO彪高，在高并发场景尤其要注意精简日志量
  3. 进程重启：如panic或oom导致进程被kill，重启过程请求超时，要补齐进程重启监控
  4. 队列丢包：如请求缓存队列设置过小等，要关注队列溢出监控 ......

比如最后这点，就遇过这样的case：一次凌晨压测，其他机器都正常，就2个新机器死活一直超时，业务指标也看不出区别，折腾了好一阵，才发现monitor上 监听队列溢出(ListenOverflows) 这个值有毛刺异常。

继续深挖下去，证明请求在tcp队列就溢出了，tcp的accept队列长度=min(backlog,SOMAXCONN)，查看新机器内核配置 net.core.somaxconn=128，确实比其他机器小，神坑

所以后续也增加了服务器tcp的半连接和全连接队列相关监控：

tcp监听队列.pngtcp监听队列.png

挂个招聘

在这次疫情的推动下，在线教育越来越普及，各大互联网公司都持续加码，教育也是个有温度的事业，百年大计，教育为本。团队聚焦golang和云原生，还有大量后台HC希望大家推荐或自荐，欢迎随时勾搭。

互动直播 实时音视频 系统架构 架构设计 压力测试

0 人点赞