老司机避坑指南：如何快速搞定微服务架构?

【51CTO.com原创稿件】 如今，微服务架构已经成为了现代应用开发的首选。虽然它能够解决大部分的程序问题，但是它并非一颗百试不爽的“银弹”。

在采用这种架构之前，我们应当事先了解可能出现的各种问题及其共性，预先为这些问题准备好可重用的解决方案。

那么，在开始深入讨论微服务的不同 设计模式 之前，让我们先了解一下微服务架构的一些构建原则：

• 可扩展性
• 可用性
• 弹性
• 独立、自主性
• 去中心化治理
• 故障隔离
• 自动调配
• 通过 DevOps 实现持续交付

在遵循上述各条原则的同时，我们难免会碰到一些挑战。下面我们来具体讨论可能出现的各种问题、及其解决方案。

分解模式

按照业务功能分解

问题：微服务是有关松散耦合的服务，它采用的是单一职责原则。虽然我们在逻辑原理上都知道要将单个应用分成多个小块，但是在实际操作中，我们又该如何将某个应用程序成功分解成若干个小的服务呢?

解决方案：有一种策略是按照业务功能进行分解。此处的业务功能是指能够产生价值的某种业务的最小单位。那么一组给定业务的功能划分则取决于企业本身的类型。

例如，一家保险公司的功能通常会包括：销售、营销、承保、理赔处理、结算、合规等方面。每一个业务功能都可以被看作是一种面向业务、而非技术的服务。

按照子域分解

问题：按照业务功能对应用程序进行分解只是一个良好的开端，之后您可能会碰那些不易分解的所谓“神类”(God Classes)。这些类往往会涉及到多种服务。

例如，订单类就会被订单管理、订单接受、订单交付等服务所使用到，那么我们又该如何分解呢?

解决方案：对于“神类”的问题，DDD(Domain Driven Design，领域驱动设计)能够派上用场。

它使用子域(Subdomain)和边界上下文(Bounded Context)的概念来着手解决。

DDD 会将企业的整个域模型进行分解，并创建出多个子域。每个子域将拥有一个模型，而该模型的范围则被称为边界上下文。那么每个微服务就会围绕着边界上下文被开发出来。

注意：识别子域并不是一件容易的事，我们需要通过分析业务与组织架构，识别不同的专业领域，来对企业加强了解。

刀砍模式(Strangler Pattern)

问题：前面我们讨论的设计模式一般适用于针对那些“白手起家”的 Greenfield 应用进行分解。

但是我们真实接触到的、约占 80% 的是 Brownfield 应用，即：一些大型的、单体应用(Monolithic Application)。

由于它们已经被投入使用、且正在运行，如果我们简单按照上述方式，同时对它们进行小块服务的分解，将会是一项艰巨的任务。

解决方案：此时，刀砍模式(Strangler Pattern)就能派上用场了。我们可以把扼杀模式想象为用刀砍去缠在树上的藤蔓。

该方案适用于那些反复进行调用的 Web 应用程序。对于每一个 URI(统一资源标识符)的调用来说，单个服务可以被分解为不同的域和单独的子服务。其设计思想是一次仅处理一个域。

这样，我们就可以在同一个 URI 空间内并行地创建两套独立的应用程序。最终，在新的应用重构完成后，我们就能“刀砍”或替换掉原来的应用程序，直到最后我们可以完全关闭掉原来的单体应用。

集成模式

API 网关模式

问题：当一个应用程序被分解成多个小的微服务时，我们需要关注如下方面。

具体如下：

• 如何通过调用多个微服务，来抽象出 Producer(生产者)的信息。
• 在不同的渠道上(如电脑桌面、移动设备和平板电脑)，应用程序需要不同的数据来响应相同的后端服务，比如：UI(用户界面)就可能会有所不同。
• 不同的 Consumer(消费者)可能需要来自可重用式微服务的不同响应格式。谁将去做数据转换或现场操作?
• 如何处理不同类型的协议?特别是一些可能不被 Producer 微服务所支持的协议。
• 解决方案：API 网关将有助于解决在微服务实施过程中所涉及到的上述关注点。

具体如下：

• API 网关是任何微服务调用的统一入口。
• 它像代理服务一样，能够将一个微服务请求路由到其相关的微服务处，并抽象出 Producer 的细节。
• 它既能将一个请求扇出(fan out，输出)到多个服务上，也能汇总多个结果，并发回给 Consumer。
• 鉴于通用 API 无法解决 Consumer 的所有请求，该方案能够为每一种特定类型的客户端创建细粒度的 API。
• 它也可以将某种协议请求(如：AMQP)转换为另一种协议(如：HTTP)，反之亦然，从而方便了 Producer 和 Consumer 的处理。
• 它也可以将认证与授权存储库从微服务中卸载出去。

聚合器模式

问题：虽然我们已经在 API 网关模式中讨论了如何解决聚合数据的问题，不过我们仍将做进一步的讨论。

当我们将业务功能分解成多个较小的逻辑代码块时，有必要思考每个服务的返回数据是如何进行协作的。

显然，该责任不会留给 Consumer，那么我们就需要理解 Producer 应用的内部实现。

解决方案：聚合器模式将有助于解决该问题。它涉及到如何聚合来自不同服务的数据，然后向 Consumer 发送最终响应。

具体说来，我们有如下两种实现方法：

• 复合微服务(Composite Microservice)将会去调用全部所需的微服务，整合各种数据，并在回传之前转换数据。
• API 网关(API Gateway)也能对多个微服务的请求进行 Partition(分区)，并在发送给 Consumer 之前聚合数据。

我们建议：如果您用到了任何业务逻辑的话，请选用复合微服务;否则请采用 API 网关方案。

客户端 UI 合成模式

问题：当各种服务按照业务功能和子域被分解开发时，它们需要根据用户体验的预期效果，从一些不同的微服务中提取数据。

在过去的单体应用中，我们只要从 UI 到后端服务的唯一调用中获取所有的数据，并刷新和提交到 UI 页面上便可。如今，情况则不同了。

解决方案：对于微服务来说，UI 必须被设计成单屏、单页面的多段、多区域的结构。

每一段都会去调用单独的后端微服务，以提取数据。像 Angular JS 和 React JS 之类的框架都能够实现为特定的服务合成 UI 组件。

通过被称为单页应用(Single Page Applications，SPA)的方式，它们能够使得应用程序仅刷新屏幕的特定区域，而不是整个页面。

数据库模式

按服务分配数据库

问题：您可能会碰到如何定义数据库架构的微服务问题。

下面是具体的关注点：

• 服务必须是松散耦合的，以便能够被二次开发、部署和独立扩容。
• 各个业务交易需要在横跨多个服务时，仍保持不变。
• 某些业务交易需要从多个服务中查询到数据。
• 数据库有时需要根据规模需求被复制与分片。
• 不同的服务具有不同的数据存储需求。

解决方案：为了解决上述需求，我们需要通过设计为每个微服务配备一个独享的数据库模式。

即：该数据库仅能被其对应微服务的 API 单独访问，而不能被其他服务直接访问到。

例如，对于关系型数据库，我们可以使用：按服务分配私有表集(private-tables-per-service)、按服务分配表结构(schema-per-service)、或按服务分配数据库服务器(database-server-per-service)。

每个微服务应该拥有一个单独的数据库 ID，以便它们在独享访问的同时，禁止再访问其他的服务表集。

按服务共享数据库

问题：上面讨论的按服务分配数据库是一种理想的微服务模式，它一般被前面提到的 Greenfield 应用和 DDD 式的开发。但是，如果我们面对的是需要采用微服务的单体应用就没那么容易了。

解决方案：按服务共享数据库的模式虽然有些违背微服务的理念，但是它对于将前面提到的 Brownfield 应用(非新建应用)分解成较小的逻辑块是比较适用的。

在该模式下，一个数据库可以匹配不止一个的微服务，当然也至多 2～3 个，否则会影响到扩容、自治性和独立性。

命令查询职责隔离(CQRS)

问题：对于按服务分配数据库的模式而言，我们如何在微服务的架构中，实现对多个服务进行联合查询数据的需求呢?

解决方案：CQRS 建议将应用程序拆分成两个部分：命令和查询。命令部分主要处理创建、更新和删除之类的请求;查询部分则利用物化视图(Materialized Views)来处理各种查询。

它通常配合事件溯源模式(Event Sourcing Pattern)一起创建针对任何数据的变更事件。而物化视图则通过订阅事件流，来保持更新。

Saga 模式

问题：当每个服务都有自己的数据库，而且业务交易横跨多个服务时，我们该如何确保整体业务数据的一致性呢?

例如：对于某个带有客户信用额度标识的电商应用而言，它需要确保新的订单不会超出客户的信用额度。

但是，由于订单和客户分属不同的数据库，应用程序无法简单地实现本地交易的 ACID(原子性、一致性、隔离性、持久性)特性。

解决方案：Saga 代表了一个高层次的业务流程，它是由一个服务中的多个子请求，并伴随着逐个更新的数据所组成。在某个请求失败时，它的补偿请求会被执行。

实现方式有如下两种：

编排(Choreography)：没有中央协调器，每个服务都会产生并侦听其他服务的事件，以决定是否应采取行动。

协调(Orchestrator)：由一个中央协调器(对象)负责集中处理某个事件(Saga)的决策，和业务逻辑的排序。

观测模式

日志聚合

问题：我们来考虑这样一个用例：某个应用程序包括了那些在多台机器上运行的多个服务实例，各种请求横跨在这些多个服务实例之中。同时，每个服务实例都会生成一种标准格式的日志文件。

那么我们如何针对某个特定的请求，通过各种日志来理解该应用程序的行为呢?

解决方案：显然，我们需要一个集中化的日志服务，将各个服务实例的日志予以聚合，以便用户对日志进行搜索和分析。他们可以针对日志中可能出现的某些消息，配置相应的警告。

例如：PCF(Pivotal Cloud Foundry)平台拥有一个日志聚合器，它从每种元素(如：路由器、控制器等)中收集与应用相关的日志。而 AWS Cloud Watch 也具有相似的功能。

性能指标

问题：当各种服务组合随着微服务架构变得越来越复杂时，监控交易的完整性，并能够在出现问题时及时发出警告，就显得尤为重要了。那么我们该如何收集与应用相关的性能指标呢?

解决方案：为了收集不同操作的统计信息，并提供相应的报告和警告。

我们一般会用两种模式来聚集各项指标：

• 推式：将各项指标推给专门的指标服务，如：NewRelic 和 AppDynamics。
• 拉式：从指标服务处拉取各项指标，如：Prometheus。

分布式跟踪

问题：在微服务架构中，横跨多个服务的请求是比较常见的。某个服务需要通过横跨多个服务去执行一到多项操作，才能处理一些特定的请求。

那么，我们该如何通过跟踪某个端到端的请求，以获知出现的问题呢?

解决方案：我们需要一种具有特性的服务。

具体特性服务如下：

• 为每个外部请求分配一个唯一的 ID。
• 将该外部请求 ID 传给所有的服务。
• 在所有的日志消息中都包含该外部请求 ID。
• 在集中式服务中，记录处理外部请求的相关信息，包括：开始时间、结束时间、和执行时间。

Spring Cloud Slueth + Zipkin Server，是一种常见的实现方式。

健康检查

问题：我们在实施微服务架构的过程中，可能会碰到某个服务虽已启动，但是无法处理交易的情况。

那么，我们该如何通过负载均衡的模式，来确保请求不会“落入”失败的实例中呢?

解决方案：每个服务都需要有一个端点，通过诸如 /health 的参数，对应用进行健康检查。

该 API 需要能够检查主机的状态，其他服务与基础设施的连接性，以及任何特定的逻辑关系。

Spring Boot Actuator 不但能够实现端点的健康检查，还能够被定制实施。

横切关注点模式(Cross-Cutting Concern Patterns)

外部配置

问题：通常情况下，一个服务需要去调用其他的服务和数据库。在诸如开发、QA(Quality Assurance，质量保证)、UAT(User Acceptance Test，用户验收测试)、和生产环境中，端点的 URL、或某些配置的属性会有所不同。

因此，有时候我们需要对这些服务的各种属性进行重构、和重新部署。那么我们如何避免在配置变更中修改代码呢?

解决方案：外部化(externalize)所有的配置，包括各个端点的 URL 和信任凭据，以保证应用程序在启动时、或运行中能够加载它们。

Spring Cloud 配置服务器提供了向 GitHub 进行属性外部化的选项，并将其作为环境属性予以加载。

此法保证了应用程序能够在启动时就被访问到，或是在不重启服务器的情况下实现刷新。

服务发现模式

问题：当微服务初具规模时，我们需要考虑如下两个关于调用服务方面的问题。

具体问题如下：

• 由于采用了容器技术，IP 地址往往被动态地分配给不同的服务实例。因此，每次当 IP 地址发生变化时，Consumer 服务可能会受到影响，需要我们手动更改。
• Consumer 需要记住每个服务的 URL，这就倒退成了紧耦合的状态。

那么，Consumer 或路由器该如何获知所有可用的服务实例与位置呢?

解决方案：我们需要创建一个服务注册表，来保存每个 Producer 服务的元数据(Meta Data)。

一个服务实例在启动时，应当被注册到表中;而在关闭时，需从表中被注销。

Consumer 或路由器通过查询该注册表，就能够找到服务的位置。Producer 服务也需要对该注册表进行健康检查，以确保能够消费到那些可用的、且正在运行的服务实例。

我们一般有两种服务发现的类型：客户端和服务器端。使用客户端发现的例子是 Netflix Eureka;而使用服务器端发现的例子是 AWS ALB。

断路器模式

问题：有时候，某个服务在调用其他服务，以获取数据的时候，会出现下游服务(Downstream Service)“掉线”的情况。

它一般会带来两种结果：

• 该请求持续发往该掉线服务，直至网络资源耗尽和性能降低。
• 用户产生不可预料的、较差的使用体验。

那么我们该如何避免服务的连锁故障，并妥善处置呢?

解决方案：Consumer 应该通过一个代理来调用某项远程服务，就像电路中的断路器一样。

当出现持续失败的数量超过设定阈值时，断路器就会“跳闸”一段时间，从而导致所有调用远程服务的尝试被立即切断。

在超过设定时间之后，断路器只允许有限数量的测试请求通过。而如果这些请求成功了，那么断路器将恢复正常运行;否则判定为故障依旧，并重新开始新的定时周期。

Netflix Hystrix 就很好地使用了该断路器模式。它可以在断路器“跳闸”的时候，帮助您定义一种回退机制，以提供更好的用户体验。

蓝绿部署模式

问题：在微服务架构中，一个应用程序可以有多个微服务。如果我们为了部署一个增强版，而停止所有的服务，那么停机时间一旦过长，就会对业务造成影响。

况且，这对于回退来说也将会是一场噩梦。那么我们该如何避免、或减少部署过程中服务的停机时间呢?

解决方案：我们可以采用蓝绿部署的策略，以减少或消除停机时间。在蓝、绿两个相同的生产环境中，我们假设绿色环境有着当前真实的实例，而蓝色环境具有应用程序的最新版本。

在任何时候，只有一个环境能够处理所有真实的流量，并对外提供服务。如今，所有的云服务平台都能提供基于蓝绿部署的选项。

当然，我们还可以采用许多其他的微服务架构模式，如：Sidecar 模式、链式微服务(Chained Microservice)、分支微服务(Branch Microservice)、事件溯源模式(Event Sourcing Pattern)、和持续交付方式等。

【51CTO原创稿件，合作站点转载请注明原文作者和出处为51CTO.com】