标签：
简单介绍一下外卖现在的情况：我们从2013年10月份做外卖的事情，是从餐饮外卖开始的。经过两年多的发展，我们不光可以提供餐饮外卖，也可以提供水果、鲜花、蛋糕、下午茶甚至是超市和便利店一些外送的服务。我们做外卖过程中，我们发现用户对外送的体验有两个关注点：
我们发现如果要把用户体验做到极致的话，做得足够好能保证用户得到足够好的体验，我们就要做专送的服务。所以我们正在做的是美团外卖的平台和我们自己的配送服务。
我们从2013年10月份确立做这个事情，到11月份正式上线，到14年底11月份时突破日订单一百万单，15年的5月份大概突破了每天两百万单，然后大概15年12月份做到每天三百万单，今年5月份的时候我们做到了四百万单每天。我们希望在响应国家大的号召下，我们做供给侧改革。我们希望给大家提供更多的、优质的、可选的外送服务，希望未来的某一天做到每天1000万单。
介绍一下我们的业务，也介绍一下在做这个业务过程中技术架构的演进的历程。我们在开始做外卖的时候发现，那时候都是通过电话来点外卖的，小餐馆的老板发传单，我们用传单上的电话给老板打电话下单。我们在思考我们是不是可以把电话点餐的事情变成网络点餐，让用户只需要在网络上点点点就行了，不用打电话。
于是我们在公司周围的商家摸索这个事情，我们早上下了地铁在地铁口发传单。我们怎么能够最快地去验证这个事情是否可行？我们提供了一个非常简单的Web版本和Android的App，对于商家那一边我们没有提供任何软件的服务，用户在我们平台里下单以后，我们再打电话给商家下单，有时候我们是发传单的，有时候我们是接线员，用户在我们平台上下单，我们再打电话给商家下单，然后再去写代码。那时候基本上没有太多架构考虑，就是怎么快怎么来，以最快的速度去把我们的功能给变上去。
这个事情我们验证之后发现确实可行，我们发现“懒”是极大的需求。因为懒得去换台，所以发明了遥控器，懒得爬楼梯就发明了电梯，人都是很懒的，因为懒得打电话订餐，所以在网上点点点就好了。我们发现这是极强的需求，于是我们就考虑规模化，因为只有规模化之后边际的成本才可以变低，这套软件在一个区域可以用，在一个城市可以用、在全国也可以用，我们的开发成本就是这么多，所以我们在尝试在做规模化。
这个过程爆发性产生了非常多系统，我们在用户这边提供各种APP，商家这一边我们也开始提供服务。我们给商家提供PC的版本、App版本，还给商家提供打印机。打印机是跟我们后台是联网的，如果用户在我们平台上下单，我们会直接推送到这个打印机上，这个打印机可以直接打出单子，同时可以用林志玲或者郭德纲的声音告诉你：“你有美团外卖的订单请及时处理”，这是对商家非常好的效率提升；同时我们给自身运营的系统加了很多功能，我们有上单、审核等各种各样的系统等爆发性地产生了。
在这个阶段我们业务发展特别快导致我们堆了特别多的系统，这个时候也并没有做非常清晰的架构，就是想把这个系统尽快地提供上线。这时候所有的表都在一个数据库里，大家都对这件事情非常熟悉，我可以做订单，也可以做管理系统。
但是这个事情在规模化、用户量迅速上升之后给我们带来非常大的困扰，因为之前我们是有很多技术欠债的，在这个阶段里面我们就做了重大的架构调整，在这个调整里主要说两点：
总结一下的话，我们的演进大概分了这样一个阶段：整体上有一个多逻辑耦合在一起的情况按服务化拆分出来，每一个服务独立专注地做一个事情，然后我们再做应用级的容错，到现在我们在做多机房的容错。
在缓存上，我们早期使用了Redis，在Redis Cluster还没发布之前我们用了他们的Alpha版本，当然也踩了很多坑。后来我们用了自研的KV系统，最早的时候我们把所有业务的KV都是共用的，这个也有很大的问题：如果所有的业务共用的KV集群，其中某一个业务导致这个KV集群有问题的话，所有的业务都受影响。后来我们也做了每一个业务拆分自己专用的KV集群。
在数据库这一层上，基本上是把一些大表的查询、对数据库有较大伤害的查询变成了高级的搜索，在数据库和应用层之间加了中间件。在360开源的Atlas基础上做了我们自己的定制，这个中间件有个好处：我们对数据库的变更对于业务层是透明的，比如说觉得能力不够要扩容，我们加几台从库，业务方是无感知的，而且我们会做SQL的分组，即数据库的分组，哪些SQL到哪个数据库上，到主库还是从库上去，我们业务是不用关心的。
下面介绍一下做外卖这个事情上遇到的挑战：
介绍一下我们对于稳定性的定义，我们也是拿四个“9”来衡量稳定性，但是我们分别用于两个指标：系统可用性和订单的可用性。
我们还是要保证四个"9"的可靠性，而我们怎么去做：我们从四个阶段来扎实地做这些事情：一个是日常运行，二是事前预警，三是事故处理，四是事后总结，我会详细地介绍这四个环节：
首先在日常运行里面，我们要做好稳定性的架构设计，这里有几个原则：
日常运行里面，另外一个工作是做例行的稳定性巡检
对于平时来讲，给我们增强稳定性最可靠的信心就是在线压测，我们和其他大厂差不多，我们也在做在线压测这个东西，我们有一个在线压测的平台。我们希望通过压测来发现什么呢？首先发现系统里面的性能瓶颈，到底哪个系统是里面最弱的，以及我们要知道系统服务的上限和能力。
另外更关键的是，我们需要通过压测来验证我们的监控和报警机制是否生效的，可能很多时候大家都说我们配置了非常完整的监控方案，但是它可能不生效，一旦不生效就惨了。另外，我们要通过压测指导我们报警的警戒线是怎么设置，到底CPU是设置是30%还是70%，什么时候该报警，我们就通过压测来确立。
这个压测告诉我们指导意见，警戒线设置到哪个位置是给你留有充足时间的，如果你的报警发生之后马上挂了，其实报警是没有用的。我们可以通过压测来要设置警戒行动线，到这个时候我们要考虑和关注这个问题，留给稳定性处理有足够的时间。
我们怎么做呢？我们把线上的流量经过日志录取下来，把录取的流量放到我们的压测平台里，这是对于读请求的。对于写请求的，我们做一些事务的模拟，我们有一些模拟的脚本伪造一些根据我们场景做的数据。这些数据再经过一次染色，把真实数据和测试数据隔离开，经过我们异步阶梯加压的模块，我们先通过异步的方式把它迅速打起来，我们可以把量打地非常高；另外我们是通过阶梯性地打，我们不是一次打到2万，我们可能先到5000，然后再到9000，然后打到15000，然后再持续10分钟，我们对这个监控的流量施压过程和跟我们监控指标关联起来，我们做压测之前先看和哪几个指标关联，哪几个指标到了什么阈值就自动中止压测，毕竟我们是在线上做这些事情，不能对真实线上的情况产生影响。对于其他依赖的服务，比如说支付，这些真的不能压到银行去，外部的服务我们做了一些Mock。
对于事前预警阶段，如果真的有事故发生我们希望更早曝露出来触发报警，然后有充足的时间去应对这些事情，我们在这个地方在事前预警阶段我们有一些监控心得：
首先是有分层的监控：有系统级的监控，例如性能指标的监控，还有业务监控，我们还有平时健康度的分析，我们的应用是不是健康的。
我们分享一下在业务监控的想法，业务监控其实是最让你放心的，你有一个业务大盘，这个大盘如果有一个波动你就立马发现了，说明现在可能会有影响，你可能会收到报警，例如什么CPU的报警，你去看大盘，大盘可能说没有什么影响，这样你不会那么慌。
另外，我们系统里面把订单相关的所有信息和重要节点做了日志的输出，日志通过flume收集到Kafka再到Storm里，我们在Storm里对这些日志进行汇聚，汇聚的结果放在HBase里，在这些结果里我们有几个非常好的应用：
还有可能有一些意想不到的事情发生，真的出现了事故怎么办？第一原则就是及时止损。我们知道发版是导致稳定性变化的第一因素，如果立马确定是由发版引起的这次事故，最快速最有效的方法就是回滚。另外可能还有一些流量异常，对于流量异常我们有限流的模块，我们提供了三种限流的策略：
事故发生之后，我们需要对事故做一个非常深刻的总结。这里面有几个非常强的要求，第一是必须找到根源，根源我们采用5whys的分析方法，一定要追踪到最根本的原因，从现象开始追踪。另外去要核算清楚这次造成多少损失，因为我们要算我们的稳定性。还有一个方面，你要对这次系统出现问题的过程、你处理的过程和中间的流程进行总结，看哪些地方可以优化。
我建议的做法是：我们需要把这次事故处理的过程详细记录下来，它可能是需要精确到分钟的，比如说某一分钟谁跟谁做了什么动作，这对我们总结很有帮助。因为有可能事故处理过程本身是有问题的，比如说你去扩容花了30分钟时间，这是有问题的；比说你在处理过程中做了错误的决定也是有问题的，所以我们把过程中做了详细的记录。我们对于这个事故的总结和Review，我们希望能看到什么？在这个总结里面，我们希望看到到底哪里出了问题，我们能不能更快的发现它，将来如果再发现，能不能比现在处理的更快一点。
讲完这些处理原则，再介绍一下我们做这个事情的实践。我们对稳定性的要求是极高的，每一个订单的损失我们非常敏感，我们就有一个实践的动作：就是力保关键路径不挂，我们要保住订单，那要保住和订单交易相关的所有路径不能挂，所以平时我们就梳理出了和订单交易的关键路径，从用户下单、从用户开始选门店，然后开始选菜，然后下单，然后到配送完成，这个过程里边每一个环节关联了哪些服务，这些服务都应该具备有降级的功能。
比如说Rank服务，用户首先打开我们App的时候，我们就会给他最附近的、可以配送到的一些商家，这些服务会给用户之前的购买记录来做推荐，我们会给他更好的排序。如果我们Rank的服务出现问题了，我们可以迅速地将这个Rank的服务给降级掉，改成默认按销量去排序，这样用户也是可以选餐的。所以这个环节里面的每一步我们都可以降级的，从而保证在下单这个关键路径上服务都OK，其他服务可以接受它的挂掉。
另外，预案的建设，你永远需要想一下你将来可能发生什么，如果发生这些事情的话，我们该怎么办？所以你在做这个事情之前就要去考虑，我们认为性能是功能的一部分，稳定也是功能的一部分，而不是大家做这一次技术方案设计，做完之后再来优化性能和稳定性，我们需要在做这个架构设计的时候考虑到性能和稳定，它们是产品功能的一部分，同时也要考虑到如果性能稳定性出现问题，用户体验是怎样的，用户不希望看到很傻的提示。
所以我们在功能设计的时候，就考虑到了出现这样的情况我们可能要降级，这个降级的方案可能是一个开关，就会有非常多降级开关，有些情况下是更复杂的场景：如果这个情况发生了，我们可能把这个开关和那个开关给关掉，这是我们的降级管理平台，我们真的把一个降级开关给做成了一个开关，就是开启和关闭，同时我告诉你开启意味着什么、影响着什么。
再介绍一下这个平台里面我们有对灰度的管理，有对压测的管理，有对健康度的分析，另外有一块我们称为核按钮，即如果事情发生之后你要保住的底线，如果我们的系统出现问题，商家不能接单或者配送无法送出的话，用户下的这些单子都会被取消掉，这个体验是很糟的。我下了单，然后5分钟你告诉我商家不能接单这个订单被取消掉了，我忍了我换了一家，结果又被取消了，这会骂人的。如果商家不能接单，就不要让用户下单，如果这些情况发生，我们就迅速启动核按钮，把我们筛选的这些不能接单的商家迅速变为休息，可以保证用户向可以服务的商家去下单。
在整个实践的过程中，与稳定性斗智斗勇的过程中，我们总结了非常多的流程，我们叫做标准操作流程SOP，这些流程涵盖了从需求、开发、测试、上线、监控、故障处理的每个环节，每一个环节都是标准的、非常严格的、经过认真思考的流程来供大家参考的，一定要按照流程来操作。为什么这样做？
给大家举个例子，按照这个步骤走是值得信赖的，每一步都有非常好的预案与系统的配合。比如说出现事故，大家是很慌的，因为那么多人在投诉、那么多人在等着说不能点餐了，为什么，美团外卖怎么了？然后我们处理事故的同学说：你不要慌。怎么可能呢？那么多用户在投诉，老板还在后面问你怎么样了，什么时候才能处理好，怎么可能不慌呢，臣妾做不到呀。这个时候你肯定很慌的，这个时候你还要把很多问题考虑清楚几乎是不可能的，有些同学说我这里需要这么做、我需要写条SQL，结果忘了Where的语句，所以你在非常紧张的情况下根本想不全这件事情的，那怎么办？我们只能提前想好，如果会出现这种情况我们就执行这条SQL，然后放在那里经过无数人的Review和实验，它是可靠和可以被执行的。所以，我们在整个过程里面收集了非常非常多的操作流程，每一步都有非常严格的要求。
我们梳理完了这些流程，希望把这些流程变成自动化的，否则人工操作的话，我们是可以要求大家严格执行，但是毕竟也是效率低下的，我们需要把很多的操作变成自动化。举个例子，下图是我们发版的流程，看上去还蛮复杂的，一共有10步，我们有非常多的要求，你在发版之前需要验证哪些事情，发完版之后要验证哪些功能，最重要的是你要去评估，你要去评估有什么影响，你对下游有什么影响。更重要的是，我们对每次发版都一定要有回滚措施，就是应急预案，你要回滚到哪个版本，如果是一个大的项目，大家一起联合发布的，是怎样的回滚过程，谁先操作谁后操作。对于每一次发版，没有预案是不允许发布的。
大家可能会说，我要改库、我要改表，我已经把表结构变了，还要写数据，这时候无法回滚，回不去了。那不行，那是不可能的，你一定有办法把它回退过去。另外，我们有每一次的降级方案和灰度的策略，如果是这一次发版引发的故障的，发版之后整个过程做一次非常详细的整理，到底哪些地方出了什么问题。
在处理的过程中有几句总结的话跟大家分享：
标签：
原文地址：http://www.cnblogs.com/WeiGe/p/5923507.html
