微服務鏈路風險分析

鏈路風險分析就是從鏈路通信的曆史數據出發，分析出鏈路當前存在的風險，减少鏈路通信的隱患，提高系統的整體穩定性。鏈路風險分析可以解决的問題域很多，如超時時間設置是否合理、重試次數設置是否合理、服務SLA指標設置是否合理、服務的强弱依賴關系是否符合預期等，服務通信相關的一大部分故障是由於鏈路風險導致，可以通過鏈路風險分析的方式提前發現和解决，避免故障的發生。

一、超時和SLA風險

客戶端訪問服務端的超時時間配置，和實際訪問情况不符，是非常常見的一種鏈路風險。上遊服務的超時配置過小，會導致一些本來可以正常返回的請求超時，影響服務的SLA和正常的服務體驗；超時配置過大，會導致下遊服務故障時上遊服務超時等待的時間太長，嚴重時會把整個系統拖垮。因此，超時設置直接關系到系統的穩定性，需要有相應的機制指導服務的超時設置，並及時發現線上系統中的超時配置隱患。

超時配置風險主要有兩種：一種是超時時間和實際不相符；還有一種是上下遊的超時設置不匹配，比如有A、B、C 3個服務，服務A訪問服務B，服務B訪問服務C，但實際業務中經常會遇到服務A訪問服務B的超時時間比服務B訪問服務C的超時時間小的情况。

二、强弱依賴或重試風險

微服務之間通信，如果該鏈路通信失敗會導致整個請求處理失敗，一般將這兩個微服務之間的關系稱之為强依賴，反之稱之為弱依賴。我們可以基於服務的强弱依賴關系，進行降級、熔斷等處理。

强弱依賴服務風險，是指鏈路通信之間的關系和預期不符。比如，服務A調用服務B的鏈路是弱依賴，但隨著需求迭代業務邏輯發生變化，可能不經意間服務A調用服務B的鏈路實際上變成了强依賴，但大家仍然按照之前的先驗知識，把它當成弱依賴，這就是一個很大的風險點。特別是鏈路故障時，基於弱依賴的前提進行降級等操作時，就可能會釀成悲劇，導致整個系統不可用。因此需要有相應的機制，定期檢測出當前鏈路關系的風險點。

三、集群或拓撲風險

集群或拓撲風險是風險分析的一個主要來源。比如，某線上集群的一些機器因為保修臨時下線一段時間，但機器修複好之後遺漏掛載，導致部分機器白白閑置；服務A調用服務B本來是同機房調用，由於故障或者流量切換演練等原因臨時將調用關系切換到調用其他機房的服務B服務，但事後沒有切回來，導致服務A調用服務B一直是跨機房訪問，影響用戶體驗和系統穩定性；某服務S線上部署時沒有考慮到地理比特置因素，將過多的服務節點部署到同一個交換機下，交換機故障時導致服務同時有多個節點不可用，可用節點數不足導致服務雪崩。

四、鏈路調用風險

鏈路實時拓撲數據是一個寶藏，可以從中慢慢挖掘出鏈路調用層面的很多風險。比如，當前服務調用超過20個下遊服務，扇出過大，不太符合微服務的設計准則，可以考慮是否有必要進行進一步的拆分。

微服務架構中，單個請求的鏈路特別長時，會帶來一定的性能問題，因此可以從全局鏈路拓撲中將TOP10長的鏈路，或者鏈路深度超過6的鏈路列出來，反饋給業務人員，看看是否有必要進行架構層面的調整。

微服務拆分和設計過程中，建議不要出現兩個微服務相互依賴的場景，可以通過鏈路拓撲圖查找當前是否存在成環的鏈路，如果成環，說明服務之間產生了相互依賴，可以將類似風險反饋給業務人員進行整改。

鏈路風險分析是發現風險並對風險進行抽象和建立自動化檢測機制的過程，本質上是對穩定性風險進行精細化管理的系統性工程，需要長期持續地建設下去。

發現風險是鏈路風險分析的第一步，為了能够持續發現系統新的風險，建議將風險分析和穩定性反模式結合起來：①根據系統中出現的重大故障，以及之前積累的容易出現故障的一些典型問題，梳理出穩定性反模式，也就是穩定性實踐中容易犯的，不應該出現的一些模式；②判斷這些反模式是否能通過自動化的方式檢測出來。

同時為了方便新增風險的檢測，可以建立一個完善的風險分析框架，具體包含風險現狀、風險改進閉環、風險報告、風險自動通知機制等，新增的風險分析就直接基於框架開發，相當於增加個插件，可以大大提高風險分析的效率。