稳定性方法论：可灰度 & 可监控 & 可回滚

业务系统核心目标是挣钱，系统稳定性建设核心是防止丢钱（丢钱逻辑如下图所示），站在公司的角度看，产品功能建设和系统稳定性是同等重要。

前段时间写了《 稳定性治理框架 》，该文章在稳定性建设的理论和实践基础上，抽象出稳定性治理的框架，希望建立一个稳定性治理的标准动作、最佳实践。但从读者的反馈上看，有过类似经验的同学深同感触，经验不足的同学没啥感觉，导致这个结果的原因，我反思了一下，认为：概念太粗，落地容易变形。于是，想写一篇文章，把稳定性最重要的东西写出来，于是有了这篇文章。

通常，导致线上事故的最大诱因是“变更”，“可灰度、可监控、可回滚”的方法论，目标就是降低变更引发的线上事故，其逻辑是：首先，通过灰度手段让变更可控，从 0%的影响逐渐放量到 100%影响；其次，通过监控手段观察变更是否准确，如果准确了，灰度放量才能继续；最后，如果出现不可控的情况，能够立刻回滚，立刻止损，避免长时间影响客户。

一、可灰度

可灰度是指线上变更能够支持灰度发布，百度百科对对灰度发布的定义是：灰度发布又名金丝雀发布，指在黑与白之间，能够平滑过渡的一种发布方式。 在其上可以进行 A/B testing，即让一部分用户继续用产品特性 A，一部分用户开始用产品特性 B，如果用户对 B 没有什么反对意见，那么逐步扩大范围，把所有用户都迁移到 B 上面来。

各大厂常用的灰度发布种类有：机器灰度、AB 灰度、链路灰度、沙箱灰度等，下面展开讲解：

•机器灰度

一个应用一般会部署多台机器，流量大的应用机器甚至 50 台以上，先上一台观察是否正常，验证通过后再上其他机器，这个过程叫机器灰度。这种灰度的优劣势如下：

•AB 灰度

线上的代码成为 A 分支，待上线的代码成为 B 分支，通过请求中的某个参数（如用户 ID 等）与配置中心（如 DUCC 等）的配置进行比对，命中则走 B 分支，不命中则走 A 分支，这种灰度叫 AB 灰度。

伪代码如下：

………………………………………………………………………………………………………………………………………………原代码…………………………………………………………………………………………………………………………………………………void function(long userId){    /**     新需求，此处要求修改逻辑    */    call methodA();      do something;}void methodsA(){    do something}………………………………………………………………………………………………………………………………………………新代码…………………………………………………………………………………………………………………………………………………private List<Long> config = new ArrayList();void function(long userId){    /**     灰度控制，仅指定的用户进入新逻辑    */    if(config.contains(userId)){         call methodA_new();    }else{        call methodA();    }    do something;}void methodsA(){     do something; }void methodsA_new(){     do something;}

优劣势分析：

其他重要说明：

AB 灰度一定要控制好放量的节奏，而且每次放量都需要经历“自测”和“线上高峰期”验证，放量节奏的最佳实践是：测试商家 -> 1 个商家 -> n 个商家 -> 1% -> 5% -> 10% -> 30% -> 100%。

•全链路灰度

线上的代码是默认链路，新代码是灰度链路，给小部分流量染色，让染色流量走到灰度链路，这个过程叫全链路灰度。全链路灰度的示意图如下：

优劣势分析：

其他重要说明：

在研发、测试过程中，经常发现环境不够用的情况，链路灰度的愿意应用到测试环境上，叫做“泳道环境”。举个例子：一个系统有 100 个应用，如果要部署 5 套环境，至少需要 1005=500 台机器，利用泳道环境，仅需要部署一套主干环境，用到 100 台机器，假设每个新环境仅改动到 2 个应用，那总机器数是 100+24=108，大大降低机器成本和时间成本。

•沙箱灰度

沙箱的概念在杀毒软件上用的比较多，杀毒软件会搞一个虚拟环境（类似虚拟机），然后将可疑文件放到虚拟环境中运行，然后分析是否有不安全的特征，协助判断是否是病毒、木马。

在互联网的应用上，变更是导致线上故障的元凶，因此，希望有个类似沙箱的环境，将线上流量引入到该环境进行验证（又不对线上造成影响），验证没问题后，再执行上线。

在百川系统上，大家做的 AB 对比，实际上就是沙箱环境，搭建了一个沙箱环境成为 A 环境，线上环境成为 B 环境，流量 A 环境、B 环境运行的结果做对比，对比结果准确，才执行上线。

二、可监控

监控很重要，它是研发了解线上应用的窗口，其重要性可比眼睛对人的重要性。当系统监控不完善，研发就不能先于客户发现问题，研发的专业度就体现不出来，其实是一种耻辱。

对互联网公司来讲，监控不仅仅是机器监控，而是包括机器监控、链路监控、网络监控、业务监控等全方位监控，我们可根据应用的重要性配备上不同的监控系统，以便及时发现和处理线上故障。下表总结了京东在每个方向上存在的监控系统：

对于监控来讲，核心指标是“漏报率”和“误报率”，而这 2 个指标是相互制约的，当把“漏报率”搞得极致则“误报率”会高，引发“狼来了”的现象，当把“误报率”搞到极致则“漏报率”会高，因此，需要平衡好这两个指标，可以这么定目标：误报率小于 20%，漏报率小于 20%。

三、可回滚

可回滚是兜底，谁也不能保障代码 100%无 bug，当线上出现问题时，“先止损，后查问题”是最佳实践，最快的止损方法是：灰度放量回滚，能够做到秒级恢复。但是，如果灰度放量回滚无法解决，那就需要触发兜底动作：回滚。

从个人情感角度出发，研发同学是不希望回滚的，但从客户角度出发，是不能接受线上长时间不可用，因此，可回滚是必须的，对线上的每一次变更，如果不能做到“可回滚”，是不可以上线的。

可回滚，绝对不是简简单单的操作应用回滚，而是要从多个角度评估是否可回滚、回滚后需要做什么，包括：

•应用回滚

应用是否可以操作回滚，如果涉及多个应用，回滚的顺序是什么等。

•数据库 DDL 回滚

数据库表的 DDL 是否需要回滚，如果需要，回滚时长多久、回滚期间会不会造成更大影响等。

•数据回滚

新逻辑产生的数据，回滚后是否兼容，是否需要修复数据，修数据的方案是什么等。

•其他

回滚还需要考虑哪些个性化的影响。