1.4亿在线背后的故事(1)

null腾讯大讲堂走进北航腾讯大讲堂走进北航2011.10.31 Djt.open.qq.com1.4亿在线背后的故事 1.4亿在线背后的故事 腾讯科技（深圳）有限公司 即通平台部高级技术总监 icezhuang ——QQ IM后台架构的演化与启示 自我介绍自我介绍 2001-中国科学技术大学计算机系本科毕业 2004-中国科学院计算技术研究所硕士毕业 2004-进入腾讯，参与IM后台研发运营 T4专家 即通平台部 高级技术总监 公司软件开发通道分会 会长 经历了QQ在线从千万级到亿级的过程null7亿活跃账户1.4亿同时在线过万台IM服务器百亿级的关系链对数每天千亿级的服务请求99.99%的可用性团队经历了QQ在线从10万到1.4亿的整个过程，吸取了很多教训对海量服务的理解是长期积累的结果 目录目录 从十万级到百万级在线 千万级在线 亿级在线 总结 IM后台1.0IM后台1.0适用情况同时在线数较低（十万级） 业务功能非常简单1.0接入服务器的核心数据结构1.0接入服务器的核心数据结构OnlineIndexOnlineRecordIM后台1.0的典型业务IM后台1.0的典型业务流程登录实时通知 定期拉取在线状态的获取IM后台1.5IM后台1.5需要更好地支持业务 支持视频、语音、传文件等实时宽带业务 支持更多类型的用户资料 增加长连接服务器 为无法直连的客户端进行实时宽带数据中转 对存储服务器进行轻重分离 核心服务器保证稳定 扩展服务器快速支持业务第一代架构难以支持百万级在线第一代架构难以支持百万级在线达到一百万在线时，老架构会有各方面的瓶颈出现 以接入服务器的内存为例，单个在线用户的存储量约为2KB 索引和在线状态 50字节 好友表 400个好友 * 5字节/好友 = 2000字节 大致来说，2G内存只能支持一百万在线用户 进一步地，还有CPU/网卡包量和流量/交换机流量等瓶颈 其他服务器也有类似情况 单台服务器支撑不下所有在线用户/注册用户 第一代架构无以为继，必须升级！IM后台2.0IM后台2.0单台服务器扩展成集群 增加状态同步服务器 在接入服务器之间同步在线状态2.0接入服务器的核心数据结构2.0接入服务器的核心数据结构0110001100021000310004OnlineIndexLocalOnlineRecordRemoteOnlineRecordUIN 在线状态，IP/Port 接入服务器IDIM后台2.0的典型业务流程IM后台2.0的典型业务流程2001年，QQ同时在线突破一百万登录定期拉取 实时通知在线状态的获取（三种方式）IM后台2.5IM后台2.5支持QQ群等新业务 启示：十万级到百万级在线的关键技术启示：十万级到百万级在线的关键技术高性能；7乘24小时连续服务Kenny“违抗”PonyMa的故事 ARPU对比：中国移动73，腾讯2.5 PCU/Box：某著名IM数万；QQ 数十万 CTO：IT成本的高低决定互联网企业的存亡 只用传统IT行业1/10到1/100的IT成本 高性能 OICQ的故事 用户忍耐度对比：信用卡系统维护VS用脚投票 7乘24小时连续服务QQ后台如何实现高性能QQ后台如何实现高性能绝不使用企业级解决 逻辑层多进程 万有一失的无锁 用户态IPC MySQL分库分表 好友表自写文件存储 …… 用户10003，好友表：10001,0x0；10020,0x0用户10003，好友表：10001,0x0；10020,0x1用户10003，好友表：10001,0x0；10005,0x1；10020,0x0QQ后台如何实现高性能QQ后台如何实现高性能绝不使用企业级解决方案 逻辑层多进程 万有一失的无锁设计 用户态IPC MySQL分库分表 好友表自写文件存储 …… UIN 10001UIN 10001FList, L2FList, L3UIN 10001 LEVEL 1, POS 1UIN 10004 LEVEL 1, POS 3OnlineRecordUIN 10004UIN 1000？QQ后台如何实现7乘24小时连续服务QQ后台如何实现7乘24小时连续服务大系统小做 平滑重构 在高速行驶的列车上更换发动机 核心数据放入共享内存 接入层与逻辑层分离 命令分发动态配置化目录目录 从十万级到百万级在线 千万级在线 亿级在线 总结 第二代架构难以支持千万级在线第二代架构难以支持千万级在线同步流量太大，状态同步服务器遇到单机瓶颈 所有在线用户的在线状态信息量太大，单台接入服务器存不下 如果在线数进一步增加，则甚至单台状态同步服务器也存不下 单台状态同步服务器支撑不下所有在线用户 单台接入服务器支撑不下所有在线用户的在线状态信息 第二代架构无以为继，必须再次升级！IM后台3.0IM后台3.0状态同步服务器改造成同步集群 其他集群也做相应的改造2005年，QQ同时在线突破一千万根本来不及高兴：我们再也受不了了！根本来不及高兴：我们再也受不了了！手机从不敢离身 发布新代码提心吊胆 时不时要扩容，又烦又怕 时不时要紧急恢复服务 时不时被用户骂、被老板K 到底怎么了？ 深入分析，我们发现了什么深入分析，我们发现了什么后台机器越来越多，单机死机/故障经常出现，IDC故障也不少，影响服务，也影响人员生活 每周有新代码发布，BUG不断出现，严重影响服务 监控机制原始、报警设置不全，出事了都不知道 运维操作通过vim或者mysql进行，非常容易失误 问题分析和解决（1）问题分析和解决（1）后台机器越来越多，单机死机/故障经常出现，IDC故障也不少，影响服务，也影响人员生活 传统行业设备少单价高，故障很少出现 互联网行业设备多单价低，故障是常态 IM后台3.0的容错/容灾分析IM后台3.0的容错/容灾分析每个集群只有一份 机器选择全人工配置 集中在一个IDCIDC的实际可用性只有2个9IDC的实际可用性只有2个9老架构没前途，必须进行容灾改造！租来的IDC的级别： B或C容灾改造的思路容灾改造的思路 存储集群：半自动切换模式 主/从服务器 从服务器死机，业务不受影响 主服务器死机，多数命令不受影响，修改资料命令受影响 业务集群、接入集群、同步集群：自动切换模式 迅速应对死机等情况，基本不影响业务 分布在两套IDC 可以应对IDC整体故障业务集群的容灾改造业务集群的容灾改造业务命令流设备状态流接入集群业务集群 @ IDC1业务集群 @ IDC2指挥中心 @ IDC1指挥中心 @ IDC2问题分析和解决（2）问题分析和解决（2）每周有新代码发布，BUG不断出现，严重影响服务 大部分子系统每周发布一个版本的新代码 解决方法 代码review 灰度发布灰度发布演示第一周 周末灰度发布演示 号段7-8 号段7-8 号段5-6 号段5-6 号段3-4 号段3-4 号段1-2 号段1-2第一周 周一第一周 周二第一周 周三第一周 周四第一周 原来周一周二周三周四问题分析和解决（3）问题分析和解决（3）监控机制原始、报警设置不全，出事了都不知道 CPU 100%的故事 解决方法 完善监控和报警 完善监控和报警完善监控和报警完善监控和报警完善监控和报警完善监控和报警完善监控和报警 完善监控和报警完善监控和报警 完善监控和报警完善监控和报警 问题分析和解决（4）问题分析和解决（4）运维操作通过vim或者mysql进行，非常容易失误 Grandy的故事 解决方法 运维操作Web化（半自动化）、自动化 IM后台3.5的运维页面已经废除，后面有IM后台4.0的运维页面截图 服务可用性终于提升到了行业先进水平服务可用性终于提升到了行业先进水平IM后台3.5架构IM后台3.5架构启示：千万级在线的关键技术启示：千万级在线的关键技术对外提供高可用性的服务 对内提供高可运维性的系统 灰度发布 运营监控 容灾 运维自动化/半自动化 高可用性；高可运维性