babel: yet another rpc, but far beyond rpc（中）

02-08

2 架構描述

簡單架構

從之前的描述，已經可以看出我們會採用RPC over MQ的方式做底層實現，類似方法調用的通信語義會在client和server兩端的庫中作封裝。

從後端實現來說，我們用三套後端來滿足不同的場景：

1 對大中型分散式系統環境，rabbitmq是非常非常好的支撐。本來以為需要自己做很多工作，但深入了解rabbitmq，尤其是其支持的amqp協議，發現其實前人在很多思路方面已經栽好樹了，比如一致性hash和跨機房等功能，都有相應的插件支撐。

所以，rabbitmq成為babel的第一選擇，可以實現我們規劃功能的全集，我們的SAAS平台都是使用的rabbitmq。

2 對少量機器而言，redis提供了非常輕量級的隊列支持，可以提供有限但必要的功能。

redis沒有類似amqp這樣的協議，需要手動作些封裝。我們在單機環境使用redis，儘可能減少部署和運維的開銷。

3 對性能有苛刻要求的可以用zeromq後端去做tcp直連。前兩種mq的方式畢竟會多幾跳中轉，但在路由的靈活性和通訊語義的提供更豐富的選擇，而且在大數據量的處理上，吞吐量和平均延時並不會比直連差很多。

但為了滿足特殊環境的需要，我們預留了zeromq的實現選擇，最近由於新的需求，正在準備完成這塊拼圖。zeromq的缺點在於需要中央配置系統來幫忙完成路由功能。

每種後台實現對使用者透明，可以通過配置進行透明切換，但是有些高級通信語義redis和zeromq不支持。

如果對應到web service 三要素：

UDDI：傳統的rpc或者SOA都是去註冊中心發現遠端對象，然後客戶端主動推送數據到服務端。mq的方式幫我們省卻了自註冊（訂閱實現）和服務發現（mq自己路由）的問題。
WSDL：目前我們通過json的方式來描述rpc的service端，包括機房所在地，持久化，超時等等。
SOAP：目前使用json的方式，我們定義了一個統一的Event對象來封裝一些固定屬性，其他都在一個map中。由業務代碼自己去打包拆包。當然這種方式在大團隊中不適合。

通訊語義封裝

大量的工作可以利用mq來實現，我們的工作主要體現在通訊語義的封裝。

? client端訪問模式語義

queue語義（消息有去無回）：傳統的數據輸送。
簡單rpc（消息一去一回）：傳統的rpc和soa都適用於此場景。
輪詢rpc（消息一去多回）：一個request出去，多個response回來，適合於輪詢下游節點的場景。
分散式存儲rpc（一個request消息，只要有最小條件的response消息就返回）：適合於分散式場景下的讀寫。例如三個拷貝，需要至少兩份讀成功或者至少兩份寫成功，等等。目前此方式我們還沒有用到。

? 消息分發語義（實際上這裡的行為參考了storm的部分功能）

Shuffle：一個消息，會有多個接收者，這些接收者根據自己的資源情況去搶佔同一來源的消息，達到load balance的目的。實際上我們通過shuffle來做集群功能，省掉了LB的引入。而且性能強的拉多點，性能弱的拉少點，變相的實現了根據消費者的性能來做分發。
Sharding：與shuffle類似，也是多個consumer來分享消息，不過根據消息的key，保證在拓撲環境不發生改變的情況下，同一個key始終指向同一個消費者，為後續分散式系統的搭建打下基礎
topic語義：所有消費者都會得到消息的一個拷貝。常見的mq語義
topic+shffule：一組消費者作為一個整體來訂閱topic，得到所有的消息，每個訂閱團體內部通過shuffle的形式去分攤。這種非常適合用大數據環境下，有不同類型的數據消費者，每一個類型的消費者有各自的實例數。
topic+sharding：一組消費者作為一個整體來訂閱topic，得到所有的消息，每個訂閱團體內部通過sharding的形式去分攤。類似於topic shuffle，只是換用了sharding這種更嚴格的語義。

? 數據的封裝語義。用於指定babel上承載數據的特徵，例如:

batch operation：用於指定是否進行批處理傳遞。
Security：暫無使用。
Compressing：指定payload壓縮方法，目前只做了gzip。
機房：指定了機房所在地，框架會根據生產者和消費者的不同自動做跨機房的處理。
持久化：指定在無消費者的情況下，是否需要持久化存儲，以及最大大小。
超時：指定消息的最大有效時間，超過的消息將會被丟棄。
其他。

對於以上的通訊語義，首先需要去底層的mq基礎裡面找到相對應的設施來做封裝，比如對於queue語義作個簡單舉例：

而對於像rpc，輪詢，以及其他功能，則需要相應的代碼來支撐，比如：

· response的返回可以通過client監聽queue來實現
· response和request的串聯可以通過自定義的requestid來實現
· 輪詢可以通過client 端等待多個消息返回，可以用condition來做同步

· ……

這裡有不少細節，暫不在本文中進行展開了。

跨語言

由於幾種mq都有python和java的客戶端，所以我們工作會輕鬆很多，只是同樣的邏輯需要寫兩份，好處還是很明顯的，使得我們的系統語言無關，方便根據當前人員的技能情況來分配開發任務。

不過這裡不得不吐槽python的並發，雖然有心理準備，沒想到是如此之差。當使用多線程的時候，性能下降的厲害，比java要差兩個數量級，所以我們python版做了同步（多線程），非同步（協程）兩個版本。非同步版本的性能尚可接受；我們已經準備在build自己的非同步python框架，來覆蓋我們的應用程序。

跨機房通信

Babel的一大特色是跨機房通信，來幫助我們解決不同數據中心的通信問題，使得業務開發人員只用關心其所負責的業務即可。跨機房的通信和本機房的通信有所不同：

本地機房的通信講究高吞吐量，rpc類訪問會要求低延時。
跨機房通信必須應對複雜的網路情況，要求數據不丟，rpc類通信可以接受相對較高的延時。

實現上，我們利用了federation插件，當rpc框架發現存在跨機房訪問時，會自動啟用相應的路由，下圖是同事畫的兩種情況下的路由，綠線是本地調用，紅線是跨機房調用。

對於業務應用而言，使用上是基本透明的，藉助於mq的中轉，在多機房環境下它也可以玩轉除數據推送外的RPC類訪問語義。

3實戰舉例

實例

1分散式數據計算平台

首先是我們的私有化大數據平台warden。warden集數據採集、轉換、分發、實時分析和展示等功能於一體，希望從客戶的原始網路流量中找出異常點和風險事件。

此圖是一個warden分散式版本的草圖：

1. 採集的數據通過topic sharding類分配給不同類型的消費者，比如ES writer，Mysql writer，實時分析引擎；每種消費者可以有不同的實例數。
2. 實時計算引擎通過sharding來分攤流量，達到scale out的效果。
3. rule引擎需要數據的時候同樣通過簡單的sharding的rpc就可以獲得相應的數據了。
4. 規則引擎的結果可以通過topic來進行再分發。
5. 目前只有實時引擎是java的，因為性能要求苛刻，其他模塊採用python開發。

上圖只是個例子，來簡要說明babel是如何支撐一個分散式數據計算系統的。實際的系統使用了更多的語義，也更加的複雜。不過藉助於Babel的協助，整個系統在實現和運維上已經很大程度上減輕了複雜程度。

2水平擴展的web系統

第二個例子是我們曾經做過的SAAS平台私有化案例，是我們早期SAAS平台的極簡版本。

圖畫的略凌亂了些：

1. 系統主架構是用haproxy做負載均衡，發到我們的兩台主機上。
2. 兩台主機內部完全相同，右邊主機內部組件沒有畫全。
3. 每台主機有內部的nginx，load balance到本機器內部的諸多python web server 上。
4. python web server直接讀取本地的nosql資料庫。
5. 寫數據時，由於寫請求sharding到兩台機器上，所以我們有個topic的service來處理nosql數據寫入，保證每個寫入操作都寫到兩台機器上，每台機器的nosql始終存有全量的最新數據。
6. 由於客戶要求落地關係型資料庫，所以通過shuffle再將寫請求分散開，統一寫入mysql中。

在這個系統中，我們成功的利用babel建立了自己的一致性框架，從而避免了去使用db做數據一致性；同時由於對等的伺服器架構，在部署維護上省掉了很多事情。

框架運維

整個框架，我們都準備了統一的metrics體系去做監控和報警（實際上metrics系統本身的跨機房屬性反而是通過babel來實現），詳盡的監視了RPC的某個環節，之前有過我們監控的文章，這裡就不重複了。