timeout=1s ServiceB.user.getUser.timeout=10s -在这样的数据格式设计下可生成多角度的配置视图，提升易用性，人类可读性 假如说我们要定义A到B以及到某个API的超时时间 -学习成本高，运维人员要学习这个只在团队内部生效的key规则 -所有的key集中在一种类型的视图中管理，管理成本高。 -不断增长的规则定义，越来越复杂，人类不可读。 -Key设计无法扩展变更，没法轻易变更数据结构 Spring cloud微服务 pack Mesher ServiceComb UX .Net 服务 PHP服务 NodeJS服务 其他语言编写 服务 Java 编写服务 ServiceComb全景图 9 github.com/apache?q=servicecomb servicecomb.apache.org ServiceMesh 服务通信规范 配置 流行微服务框架 可视化监控

表关联分析 图切割+启 发式规则 Step1：提取系统所有SQL Step2：逐条根据SQL创建语法树 Step3：在每棵语法树上分析表的关联关系并汇集 成表关联关系加权图 Step6：采用图切割算法并配合启发式规则将表分 割到不同库中 原则：低耦合，高内聚 耦合度：微服务划分后，微服务与微服务连接的边的权重之和 内聚度：微服务划分后，微服务内部表与表之间的边权重之和 采用图搜索算法 计算权重，生成图 输出权重图， 选择、调用 指定算法 贪婪/谱聚类算法 内容格式化 拿规则类解析sql语句 返回计算结果 1 2 3 4 5 6 7 8 9 sqlrule (mysql/oracle/…) 选择规则，透 传sql语句集 传入表关联关系list Huawei Confidential 10 案例1：存量系统1微服务拆分分析-图搜索拆分微服务 2 2 4 从左到右分别是拆分出来的商品库、模板库，最后一些离散表是系统为了关联外部系统而引入的表，独立成库 Huawei Confidential 11 案例2：存量系统2微服务拆分分析-图搜索拆分微服务 从左到右分别是拆分出扩展属性服务、模型/模型实例服务、目录服务以及离散表独立成的服务，其中离散表中标红部分概念上应该划分到模型/模型实例服 务中，但实际的sql，却并未体现其和模型/

Service Mesh Meetup #6 广州站 微服务改造事项 DNS-F在数据 库场景的落地 名字服务在负 载均衡场景的 落地 DNS-F在微服 务场景的落地 应用层探活 数据库故障 恢复时间长 服务故障牵 引慢，流量 接入生效时 间长 DNS生效慢 内部服务无 就近接入能 力 服务性能下 降流量不摘 除 实 例 切 换 能 力 秒 级 流 量 牵 引 能 力 D N S 华南IDC 华中IDC 华北IDC Nginx Nginx Nginx Web server 专线 背景 负载均衡变更需要更新配置发布后 才能生效，节点扩缩容，屏蔽操作 需要人工参与，流量接入接出时间 长 目标 流量接入接出时长低于30秒 负载均衡配置下发无状态改造 虎牙负载均衡部署的机器数百，配置下发的可靠性保障，一致性保障要求特别严格， 如果出现配置下发不及时，或下发配置失败，极大可能出现故障，同时负载均衡服 客户端主动监听配置更新，配置秒 级生效，新扩容服务主动拉取全量 配置，流量接入时长缩短3分钟+ 配置名字服务 配置IP方式 服务端下发文件更新配置，更新配 置生效时间长，由于需要预先知道 负责均衡集群的机器信息，扩缩容 需要等元信息同步以后才能接入流 量，扩容流量接入时间长 负载均衡节点对接名字服务 虎牙负载均衡部署的机器一台机器上可能存在数百的配置，每次节点生效需要重新 reload配置，且节点新增或删除需人

微服务实例：一个独立的拥有自IP端口的微服务实例（通常为进程）， 不service id的关系为n:1，即Service ID可以拥有多个微服务实例； 系 统 模 块 图 框架的启劢不停止 框架运行时请求发送不处理过程 业务调用 构造请求元数据 消费端handlers 编码传输 请求解码 生产端handlers 业务代码映射 业务代码处理

ait）,傻等期 间，无法处理其它业务消息。 2、纠结的超时时间：服务的超时时间配置是个比较纠结的事 情，如果超时时间配置过大，如果响应慢，会导致线程被长时 间挂住；如果配置过小，则会导致超时增多，成功率降低。 3、雪崩效应：假如超时时间配置较大（例如3S），服务端响 应的平均时延达到了超时时间阈值，会导致业务线程长时间处 于wait状态，工作效率降低，业务堆积，发生级联的雪崩效应。 和参数依赖，可以通过异步微服务调用并行执行 异步场景2：性能提升：使用更少的线程处理更多的消息，提升线程和I/O利用效率 异步场景3：业务超时较长：业务上对服务调用时延不敏感（例如1-3S），如果采用同步调用 + 大超时时间，在业务高峰期，如果 时延达到超时阈值，系统很容易被压挂 异步场景4：级联调用：需要级联调用多个微服务，希望提升可靠性，不会因为某个微服务处理慢而导致其它微服务调用被阻塞 传统I/O和业务线程分离技术：

yes/no yes/no yes/no Saga - 222 • 2种恢复策略 • 向前恢复 • 向后恢复 2 • 2个特点 • 和平 • 统一 2 • 2种运行模式 • 图遍历 • Akka Actor 2 恢复策略 - 向前恢复 • 重试N次直到成功或采取回退措施 (人工干预) B C A Saga transact transact transact

Tacking Complexity in the heart of software �9 微服务架构与领域驱动设计？ �10 • 能有效⽀支撑演进式架构 微服务架构与领域驱动设计 �11 随着时间的推移，采⽤用领域驱动设计⽐比采⽤用 以数据中⼼心设计的软件复杂度要低得多。 《Pattern of EEA》 • 能有效降低复杂软件的维护成本 微服务架构与领域驱动设计 �12 微服务架构与领域驱动设计 • 业务流程中发⽣生的事件 • ⽤用“已发⽣生”时态描述 • 有时间顺序
 业务流梳理理 寻找事件 寻找命令 寻找聚合 划分⼦子域&界限上下⽂文 统⼀一语⾔言 ① ② ③ ④ ⑤ ⑥ 参与过程： • 根据对业务的理理解，将领域事件写在橙⾊色贴上，每个即时贴代表⼀一个事件 • 事件按照从左到右按时间顺序排列列，不不同参与者的事件需保证相对顺序 • 事件采⽤用⽤用“xx已xx”的格式，如“订单已创建” 事件采⽤用⽤用“xx已xx”的格式，如“订单已创建” 什什么是(领域)事件？ • 任何的业务都会以数据的形式留留下⾜足迹。我们对于数据的追溯可以通过对 事件的追溯来完成。当把这些事件按照时间顺序排列列起来，⼏几乎可以清晰 的推测出在过往的⼀一段时间内到底发⽣生了了深数据变化。 寻找命令 参与过程： • 将命令写在蓝⾊色即时贴上 • 将命令贴在所产⽣生的事件旁边 • 有的命令可能产⽣生多个事件 • 识别出触发命令的外部系统和⻆角⾊色

根据传输通道分组 • 根据实际调用统计，隔离暂时不可用的调用目标 • 开发人员通过SPI扩展过滤功能 2.以过滤得到的Endpoint集合作为输入，根据配置的策 略进行LoadBalance： • 轮询、响应时间权重、随机 • 基于Netflix ribbon，开发人员可以根据需要自 定义IRule的实现 instances VersionRule 1.0.0-2.0.0 ...... Operation 单位输出tps、平均时延、最大时延 • producer 以transport、调用结果两个维度进行分组，以operation为 单位输出tps、平均时延、最大时延、平均排队时间、最大排队 时间、业务逻辑平均执行时间、最大执行时间 TODO: cpu/mem/gc...... 性能调优 • 网络相关配置参数 – 系统参数比较保守，需要根据实际情况设置合适的参数 • Producer线程池 网络带宽 关注是否已经占满带宽 • RSS 如果环境（硬件、os、驱动）支持RSS特性，确认队列数是否正确配置、中断是否均匀绑定了cpu、是否关闭了自动软中断负载均衡（不关闭会导致中断绑定， 在一段时间后失效） rest server verticle rest client verticle rest client max pool size highway server verticle

黄金法则：不要阻塞Event Loop 什么才叫阻塞？ n Thead.sleep() n 等待一个锁 n 等待一个互斥信号或监视器（例如同步的代码块） n 执行一个长时间数据库操作并等待其结果 n 执行一个复杂的计算，占用了可感知的时长 n 在循环语句中长时间逗留 10000TPS=0.1ms处理一个请求 如果利⽤多核？ ServiceComb 采⽤Vert.x的背景 3 Vert.x vs webflux EdgeService 3 Callback hell 实践案例—华为消费者云 异步场景1：降低长流程/复杂业务流程时延 异步场景2：CPU资源使用率低、性能要求高 异步场景3：需要配置较长超时时间的接口 异步场景4：多个微服务级联调用 性能对比测试： 采用Reactive异步模式之后，TPS提升 43% 左右 时延降低 28% 左右，CPU占用降低 56% 左右 总结 n 根据业务场景选择，可同时使用；

Heap使用数据等等，还有调用累加次数，当前队列长度等等。 • 2. 统计取值 • 经过一个特定的时间周期才能够统计出值，这个时间间隔我们可以称为窗口周期 （Window Time）或统计周期，例如： • a) 多值取其一的，比如Max、Min、Median（中位值）; • b) 与时间相关的，比如TPS（transaction per second）； • c) 与个数相关的，比如累加平均值、方差等等；