系统高可用的 10 条军规

前言

系统高可用是非常经典的问题，无论在面试，还是实际工作中，都经常会遇到。

这篇文章跟大家一起聊聊，保证系统高可用的10个小技巧，希望对你会有所帮助。

1 冗余部署

场景：某电商大促期间，数据库主节点突然宕机，导致全站交易瘫痪。

问题：单节点部署的系统，一旦关键组件（如数据库、消息队列）故障，业务直接归零。

解决方案：通过主从复制、集群化部署实现冗余。例如MySQL主从同步，Redis Sentinel哨兵机制。

MySQL主从配置如下：

-- 主库配置 CHANGE MASTER TO  MASTER_HOST='master_host', MASTER_USER='replica_user', MASTER_PASSWORD='password', MASTER_LOG_FILE='mysql-bin.000001', MASTER_LOG_POS=154;  -- 从库启动复制 START SLAVE; 

效果：主库宕机时，从库自动切换为可读写状态，业务无感知。

2 服务熔断

场景：支付服务响应延迟，导致订单服务线程池耗尽，引发连锁故障。

问题：服务依赖链中某个环节异常，会像多米诺骨牌一样拖垮整个系统。

解决方案：引入熔断器模式，例如Hystrix或Resilience4j。

Resilience4j熔断配置如下：

CircuitBreakerConfig config = CircuitBreakerConfig.custom()     .failureRateThreshold(50)  // 失败率超过50%触发熔断     .waitDurationInOpenState(Duration.ofMillis(1000))     .build(); CircuitBreaker circuitBreaker = CircuitBreaker.of("paymentService", config);  // 调用支付服务 Supplier<String> supplier = () -> paymentService.call(); Supplier<String> decoratedSupplier = CircuitBreaker     .decorateSupplier(circuitBreaker, supplier); 

效果：当支付服务失败率飙升时，自动熔断并返回降级结果（如“系统繁忙，稍后重试”）。

3 流量削峰

场景：秒杀活动开始瞬间，10万QPS直接击穿数据库连接池。

问题：突发流量超过系统处理能力，导致资源耗尽。

解决方案：引入消息队列（如Kafka、RocketMQ）做异步缓冲。

用户下单的系统流程图如下：

RocketMQ生产者的示例代码：

DefaultMQProducer producer = new DefaultMQProducer("seckill_producer"); producer.setNamesrvAddr("127.0.0.1:9876"); producer.start(); Message msg = new Message("seckill_topic", "订单数据".getBytes()); producer.send(msg); 

效果：将瞬时10万QPS的请求平滑处理为数据库可承受的2000 TPS。

4 动态扩容

场景：日常流量100台服务器足够，但大促时需要快速扩容到500台。

问题：固定资源无法应对业务波动，手动扩容效率低下。

解决方案：基于Kubernetes的HPA（Horizontal Pod Autoscaler）。

K8s HPA 的配置如下：

apiVersion: autoscaling/v2 kind: HorizontalPodAutoscaler metadata:   name: order-service-hpa spec:   scaleTargetRef:     apiVersion: apps/v1     kind: Deployment     name: order-service   minReplicas: 2   maxReplicas: 10   metrics:   - type: Resource     resource:       name: cpu       target:         type: Utilization         averageUtilization: 60 

效果：CPU利用率超过60%时自动扩容，低于30%时自动缩容。

5 灰度发布

场景：新版本代码存在内存泄漏，全量发布导致线上服务崩溃。

问题：一次性全量发布风险极高，可能引发全局故障。

解决方案：基于流量比例的灰度发布策略。

Istio流量染色配置如下：

apiVersion: networking.istio.io/v1alpha3 kind: VirtualService metadata:   name: bookinfo spec:   hosts:   - bookinfo.com   http:   - route:     - destination:         host: reviews         subset: v1       weight: 90  # 90%流量走老版本     - destination:         host: reviews         subset: v2       weight: 10  # 10%流量走新版本 

效果：新版本异常时，仅影响10%的用户，快速回滚无压力。

6 降级开关

场景：推荐服务超时导致商品详情页加载时间从200ms飙升到5秒。

问题：非核心功能异常影响核心链路用户体验。

解决方案：配置中心增加降级开关，如果遇到紧急情况，能 动态降级非关键服务。

Apollo配置中心的示例代码如下：

@ApolloConfig private Config config;  public ProductDetail getDetail(String productId) {     if(config.getBooleanProperty("recommend.switch", true)) {         // 调用推荐服务     }     // 返回基础商品信息 } 

效果：关闭推荐服务后，详情页响应时间恢复至200ms以内。

7 全链路压测

场景：某金融系统在真实流量下暴露出数据库死锁问题。

问题：测试环境无法模拟真实流量特征，线上隐患难以发现。

解决方案：基于流量录制的全链路压测。

实施步骤：

1. 线上流量录制（如Jmeter+TCPCopy）
2. 影子库隔离（压测数据写入隔离存储）
3. 压测数据脱敏
4. 执行压测并监控系统瓶颈

效果：提前发现数据库连接池不足、缓存穿透等问题。

8 数据分片

场景：用户表达到10亿行，查询性能断崖式下降。

问题：单库单表成为性能瓶颈。

解决方案：基于ShardingSphere的分库分表。

分库分表的配置如下：

sharding:   tables:     user:       actualDataNodes: ds_${0..1}.user_${0..15}       tableStrategy:         standard:           shardingColumn: user_id           preciseAlgorithmClassName: HashModShardingAlgorithm           preciseAlgorithmType: HASH_MOD           shardingCount: 16 

效果：10亿数据分散到16个物理表，查询性能提升20倍。

9 混沌工程

场景：某次机房网络抖动导致服务不可用3小时。

问题：系统健壮性不足，故障恢复能力弱。

解决方案：使用ChaosBlade模拟故障。

示例命令：

# 模拟网络延迟 blade create network delay --time 3000 --interface eth0  # 模拟数据库节点宕机 blade create docker kill --container-id mysql-node-1 

效果：提前发现缓存穿透导致DB负载过高的问题，优化缓存击穿防护策略。

10 立体化监控

场景：磁盘IOPS突增导致订单超时，但运维人员2小时后才发现。

问题：监控维度单一，无法快速定位根因。

解决方案：构建Metrics-Log-Trace三位一体监控体系。

技术栈组合：

• Metrics：Prometheus + Grafana（资源指标）
• Log：ELK（日志分析）
• Trace：SkyWalking（调用链追踪）

定位问题流程如下 ：

CPU利用率 > 80% → 关联日志检索 → 定位到GC频繁 →  追踪调用链 → 发现某个DAO层SQL未走索引 

效果：故障定位时间从小时级缩短到分钟级。

总结

系统高可用建设就像打造一艘远洋巨轮。

冗余部署是双发动机，熔断降级是救生艇，监控体系是雷达系统。

但真正的关键在于：

1. 故障预防比故障处理更重要（如混沌工程）
2. 自动化是应对复杂性的唯一出路（如K8s弹性扩缩）
3. 数据驱动的优化才是王道（全链路压测+立体监控）

没有100%可用的系统，但通过这10个实战技巧，我们可以让系统的可用性从99%提升到99.99%。

这0.99%的提升，可能意味着每年减少8小时的故障时间——而这，正是架构师价值的体现。

最后说一句(求关注，别白嫖我)

如果这篇文章对您有所帮助，或者有所启发的话，帮忙关注一下我的同名公众号：苏三说技术，我的所有文章都会在公众号上首发，您的支持是我坚持写作最大的动力。

求一键三连：点赞、转发、在看。

关注公众号：【苏三说技术】，在公众号中回复：进大厂，可以免费获取我最近整理的10万字的面试宝典，好多小伙伴靠这个宝典拿到了多家大厂的offer。