写在前面的话

首先，这是一篇旧文，最早发布于 2016 年 9 月份的公司技术博客上（原文中文章链接已丢失）。

现在回过头来整理这篇文章的时候，我已经离开云巴有一段时间了，想想当初做的东西，现在还是有点唏嘘不已。纯粹的后端云服务相当难做，一个小小的改进可能都需要比较耗心力的打磨，然而市场环境下也不一定愿意买单（做过 2B 业务的同学估计都深有体会）。

后面说的一个分布式 KV 系统，最终做了一个雏形，虽然有许多缺陷，但是勉强可以工作，但后续也没参与到具体的优化工作，想想有点可惜。 类似的系统目前已经出了许多，大多是基于 Raft 算法 + RocksDB 来玩，这是一个相当有意思的领域，有时间再写点东西说说。

概要

有人常问，云巴实时通信系统到底提供了一种怎样的服务，与其他提供推送或 IM 服务的厂商有何本质区别。其实，从技术角度分析，云巴与其它同类厂商都是面向开发者的通信服务，宏观的编程模型都是大同小异，真正差异则聚焦于产品定位，业务模式，基础技术水平等诸多细节上。本文暂不讨论具体产品形态上的差异，着重从技术角度浅谈实时通信的编程模型。

什么是实时通信

「实时」（realtime） 一词在语义层面上隐含着对时间的约束（real-time constraint），在工程上，我们习惯对「需要在一定时间内」 完成的操作称为「实时操作」。通常，实时可细分为 「软实时」（soft realtime），「准实时」（firm realtime）和 「硬实时」（hard realtime）。它们之间的差异，简单来说，就是对无法在指定时间区间内（dealine）完成的事务的容忍程度。维基百科上对这三者有如下解释：

  • Hard – missing a deadline is a total system failure.
  • Firm – infrequent deadline misses are tolerable, but may degrade the system’s quality of service. The usefulness of a result is zero after its deadline.
  • Soft – the usefulness of a result degrades after its deadline, thereby degrading the system’s quality of service.

假如我们把无法按时完成任务（missing a deadline）称为异常事件，那么硬实时系统无法容忍异常事件；准实时系统则可容忍极少量的异常事件，但超过一定数量后系统可用性为 0；软实时系统可容忍异常事件，但是每发生一次异常事件，系统可用性降低。

综上所述，我们可以举例：

  • 火星上的无人探测器是硬实时系统，因为一次异常事件就极有可能导致探测器不可用，同理可类推核电站的监控系统，军用无人机系统，远程导弹的导航系统等一系列军工产品；

  • 金融交易系统是准实时系统，此类系统可容忍极少数的交易故障，一旦故障次数增加，系统就会陷入崩溃状态；

  • 短信 / 手机推送 / 电商购物 等都是软实时系统。对于此类系统，用户都可以容忍异常事件，但是太多的异常事件则会大幅降低系统可用程度，用户体验急剧下滑。

就目前来说，绝大多数互联网产品（甚至可以说是 100%）都是软实时系统。云巴实时通信系统的目标则是要做一个高可用的软实时系统。

一个最简单的实时通信编程模型

在软件工程中，很多复杂的项目其实都可以用一个非常简洁的模型来概括。正如爱因斯坦所说的：「一切都应该尽可能地简单，但不要太简单」（Everything should be made as simple as possible, but not simpler）。虽然这是描述物理世界的经验之谈，但同样适用于计算机领域，将物理世界的关系投射到某种人为语言（物理公式/计算机编程语言），其规律其实都是共通的。

让我们假设这么一个简单的场景：对 10 个客户端发送一条消息。

这个需求其实可以用伪码表示为：

for (i..10) {
    send_message(get_socket(i))
}

如果下图所示：

在这个简单的需求下，我们只需要让这 10 个客户端分别跟服务器建立 TCP 连接（本文暂时只讨论 TCP 协议），然后遍历地发送消息即可。显而易见，这是一个 O(N) 复杂度的逻辑。

基于这个简单的模型，我们可以认为一条消息从发出到接收，有以下几个延时：

  • 网络延迟 ，一般是一个较为稳定的值，比如从北京到深圳，ping 延迟大约为 40 ms 左右；

  • 系统处理延迟，较之网络延迟，该值变化幅度较大，且可能因处理请求数的增加而急剧增大；

云巴实时通信系统以 200 ms 延迟作为总延迟标准，也就是说，假如网络链路是从北京到深圳，除去网络延迟的 40 ms，要想达到 200 ms 的通信时间，系统延迟必须小于 160 ms。

可以想象，当客户端数量达到一定数量级（比如百万级别）时，以上系统模型的实时性将面临极其严峻的考验。

分而治之

在海量用户下保持稳定的实时性，其实很多时候就只有一个手段：分而治之。

图 1 表示的是单机处理情况。当单机的处理能力，带宽都无法应对客户端数量急剧增加的时候，我们就必须将线路进行分割。而且图 1 只体现了推送的意图（单向），但通信往往是一个双向的概念，综上，我们将 图 1 改成下面的 图 2：

这样每台机器就可以处理符合其当前水位（watermark）的连接。

在现实开发中，我们可能不仅仅满足于一个如此简单的消息系统，我们可能想要有离线消息，数据统计，数据缓存，限流等一系列操作，所以我们还可以再优化一下架构：

  • 将整体架构划分成业务逻辑层和数据存储层；

  • 数据存储层又可以根据存储数据的不同来进行进一步的划分；

  • 前端可以单独划分一个网络接入层；

  • 数据包的流向可以用 MQ 来串联；

这样我们可以得到以下的图 3：

在这个模型中，网络接入层和消息业务逻辑层整体上应该是一个 stateless 的模块，可以较为轻松地做横行扩展。存储层作为一个有状态的模块，想要做到横行扩展是一件很不容易的事情。如果撇开这点来看，至此，这个模型理论上在应对海量用户的场景下应该是有效的。

通信协议和技术栈的选择

做一个消息系统，不可避免地要涉及到对通信协议的选择。我们在对通信协议的选择上，遵循以下几个原则：

  • 协议尽可能精简轻量，因为在系统设计之初我们就考虑了对物联网的支持，省电，节约流量都是目标之一；

  • 通用性好，扩展性强，方便后期做特性开发；

  • 协议在业界被广泛认可，且尽可能多的有不同语言的开源实现，以方便不同技术栈的客户做集成；

综上，我们没有重新自定义一份通信协议，而是选择了 MQTT。从很多角度来看，MQTT 非常适合做消息总线的通信协议，而且协议栈也足够轻巧和易于实现。云巴实时消息系统传输的消息体积较小（一般小于 4 KB），比如控制信号，普通聊天信息等。就这点上，针对物联网设计的 MQTT 有着天然的优势。后面，在不断的研究中我们又发现，MQTT 其实不仅仅适用于物联网场景，在很多要求低延迟高稳定性的非物联网场景也同样适用（比如推送，IM，直播弹幕等）。

从前面几个章节我们看到，云巴消息系统是一个典型的 IO 密集型系统。在出于开发效率和稳定的考虑下，我们选了 Erlang/OTP 作为主力开发语言。Erlang/OTP 作为一门小众开发语言（无论是国内还是国际），在应付这类 IO 密集型系统上，有着得天独厚的优势（可参考 RabbitMQ 这个基于 Erlang/OTP 的著名开源项目）：

  • 基于 actor 的进程创建模型，可以为每个数据包创建一个 Erlang 处理进程，充分利用多核；

  • OTP 的开发框架抽象了分布式开发的许多细节，使得开发者在很小的心智负担下就能轻松快速地开发出功能原型；

  • Erlang/OTP 充分运用了容错思想，应对异常不是防，而是容，很多时候我们写出一些安全逻辑上有漏洞的代码，在 Erlang/OTP 上居然也能工作得好好的；

随着不断深入地使用 Erlang/OTP， 其性能问题也渐渐凸显出来。我们发现，当客户端请求量增加的时候，用 Erlang/OTP 写出的模块轻而易举地就可以将 CPU 跑满，从而让当前实例超负荷运转。很多时候出于成本上的考量，我们无法选择更多核数的机器来提升 Erlang 虚拟机运行的性能（此点未明确验证过），所以只好选择适度增加服务处理实例来缓解压力。

不过，通过对业务模块更细粒度的划分，我们可以将一些核心的小模块用 C/C++ 语言改写，在一定范围的复杂度内，可以有效提升整体处理性能。这也是我们接下来优化核心系统的思路之一。

MQTT 的 Pub/Sub 模型与高可用 KV 存储

MQTT 协议采用的是 Pub/Sub 的编程模型。其中有三个比较关键的动作：publish，subscribe 和 unsubsribe。通过前面几个章节的讨论，我们又可以得到这么一个场景：

假如存在一个订阅量巨大的 topic（百万级），如何在单次 publish 中保证实时性 ？

其实，解决思路跟之前的场景是一致的：分而治之。我们必须通过某种策略对 topic 进行分片，然后在将分片分发到不同的 publish 模块上进行处理。在一定算法复杂度下，这个问题理论是可以被有效解决的。于是，topic 的分片策略就成了高性能 publish 的关键。其实，如果想采用 MQTT 做海量的消息系统，订阅关系的管理一定是无法绕开的问题。它主要有以下几个设计难点：

  • 如果采用 KV 方式存储，如何设计数据结构 ？同上，我们要怎样去设计一种高效的 topic 分片存储策略；

  • 订阅关系的管理是 MQTT 的核心模块，假如这个存储模块实效，就必定会导致消息通信失败，从而让客户端收不到消息，这就必须要求这个模块一定是高可用的，这就意味着我们必须构建一个高可用的 KV 存储集群，该集群要能容忍一定层度的节点实效；

  • 冷热 topic 要有一定的淘汰机制，要有一定策略将不活跃的 topic 定期淘汰到磁盘以节约内存容量；

  • KV 存储集群要有高效的动态扩容机制；

在很长一段时间的实践中，我们采用过好几种 KV 存储的集群方案，踩了不少坑，最后还是决定自己造轮子来开发一个高可用的 KV 存储模块。不过这又是一个很大的话题，我们将在后续博客中具体阐述我们的做法。

缺陷与不足

在团队发展初期，由于人力和时间等种种因素，我们把业务逻辑模块开发成了一个巨大的单体架构的应用。在团队规模较小的情况下，单体架构的应用确实较好维护和开发，当随着新人的加入，单体架构严重制约着特性开发和性能优化。从架构层面，合理地划分更细粒度的模块，在性能和可维护性上采用微服务（microservice）设计模式，成了我们未来优化系统的方向之一。

总结

软件工程上有「没有银弹」（No Silver Bullet）这条金科玉律，用户选择云服务商亦是如此，绝对没有完美的第三方云服务商，每一家都可能存在明显的优点和缺陷。用户必须从自己应用场景和痛点出发，选择合适的后端服务。云巴目前会在自己产品的核心竞争力上持续发力，精打细磨，吸取行业内的高效实践，打造出更加优秀的高可用实时通信系统。