2018 年 12 月 25 日，在 TGO 鯤鵬會杭州分會「E 家宴」的現(xiàn)場，阿里巴巴系統(tǒng)軟件、中間件、研發(fā)效能負責人畢玄做了《云時代的軟件架構(gòu)》分享，本文根據(jù)其演講整理而成，有部分刪節(jié)。TGO 鯤鵬會公眾號（ID：tgo-kunpenghui）授權(quán) InfoQ 轉(zhuǎn)載。1奠定阿里五年業(yè)務快速發(fā)展基礎(chǔ)的架構(gòu)改造

阿里經(jīng)歷了幾次較大的軟件架構(gòu)迭代，首先是分布式時代的阿里電商架構(gòu)。淘寶從 2007 年開始做新一輪架構(gòu)改造，淘寶從 2007 年開始碰到的最大的問題，即訪問量增長太快，導致出現(xiàn)了一個問題：不能加機器了，即伸縮性的問題。淘寶在業(yè)務發(fā)展過程中，2008 年以前所有的解決方案就是簡單加機器就能解決，但是到 2007 年突然出現(xiàn)加不了，那時候淘寶數(shù)據(jù)庫用的是中國最好的 IBM 的小型機。

以前數(shù)據(jù)庫連接我們用 Oracle，Oracle 數(shù)據(jù)庫最大的問題是每個鏈接消耗的內(nèi)存特別大。因為內(nèi)存始終有瓶頸，所以當我們內(nèi)存、數(shù)據(jù)庫連接不夠的時候，我們的解決辦法是多插內(nèi)存條，后來內(nèi)存條插滿了，就沒有辦法了。所以 2007 年淘寶判斷必須做新一輪的架構(gòu)改造，讓我們具備水平伸縮能力。

大家現(xiàn)在都知道一個思路，既然一個系統(tǒng)加不了機器，數(shù)據(jù)庫抗不住，那就把一個數(shù)據(jù)庫拆成兩個數(shù)據(jù)庫，把訪問數(shù)據(jù)庫的業(yè)務盡可能集中。以交易為例，以前是所有的 web 應用都要訪問的，如果你把交易邏輯抽象出來，把訪問數(shù)據(jù)庫操作的地方抽象成一個系統(tǒng)，而這個系統(tǒng)其實不需要很多機器，連接數(shù)就可以大幅度下降，這是當時的思路。

那時候淘寶面臨主要問題是能否再次水平伸縮，但是還有第二個問題，那就是被技術(shù)團隊投訴研發(fā)進度太慢。我加入淘寶時有 100 多個工程師，開發(fā)了同一個系統(tǒng)，每個人都可以改里面所有的代碼。這個時候問題就來了，比如我接了一個業(yè)務，我要改這個類這一行代碼，然后另外一個業(yè)務也要改同一類同一行的代碼。等這兩個人一提交，同一天發(fā)布，合并代碼就合不了，因為邏輯太復雜了。所以淘寶當時創(chuàng)新性提倡了一種方法：排期。我們在每個月第一天會開淘寶歷史上研發(fā)團隊最激烈以及大家斗志最昂揚的會議，就是用來排這個月的發(fā)布。如果兩個研發(fā)團隊發(fā)生了沖突，那就 PK 一下誰的需求牛逼。當演進成新的架構(gòu)的時候，這個問題就被解掉了。

當阿里巴巴整個架構(gòu)演進成一套服務式架構(gòu)的時候，一是隨伸縮上的能力和價值被認可；第二，2008 年研發(fā)團隊從 100 人增加到 200 人，2009 年增加到近 600 人以上，一年是幾倍地增長。如果當時沒有做服務化，整個淘寶業(yè)務發(fā)展會受到非常大的影響。所以我們湊巧在最應該做架構(gòu)改造的時候做完了，這一輪是淘寶歷史上比較重要的一輪，在這一輪架構(gòu)中打造出三個最重要的中間件：服務框、消息中間件、TDDL 云上服務。這一輪架構(gòu)為阿里巴巴 2008-2013 年五年業(yè)務的快速發(fā)展奠定了堅實的基礎(chǔ)。那五年，大部分的團隊不用關(guān)注技術(shù)問題，而是可以非常快地做業(yè)務，這對淘寶而言非常重要。

到后來架構(gòu)圖就畫得相對標準一點，現(xiàn)在大部分的公司都是這個架構(gòu)，沒有什么區(qū)別，基本上都分成三層。這個架構(gòu)從 2008-2009 年初，花一年的時間完成架構(gòu)改造，代號五彩石，五彩石項目把淘寶和淘寶商城技術(shù)架構(gòu)合并，合并成新的架構(gòu)，這個項目對整個阿里的意義絕對重大。這個項目做完以后，架構(gòu)差不多完成了。

架構(gòu)完成以后，我們一致認為我們做了非常完美的架構(gòu)，但上線以后，我們發(fā)現(xiàn)這個架構(gòu)碰到的最大問題是穩(wěn)定性問題。2009 年淘寶穩(wěn)定性是整個淘寶歷史上最差的一年，我們在那一年穩(wěn)定性小于 3 個 9。后來這個架構(gòu)在發(fā)展過程中不斷演進，我們重點做穩(wěn)定性。除了穩(wěn)定性，也存在其他小的挑戰(zhàn)，比如秒殺，那個架構(gòu)對秒殺沒有什么特殊支持的，所以我們后來對秒殺做了針對性地改造，當然整個結(jié)構(gòu)沒有變過，這個架構(gòu)支撐了淘寶非常多年，直到 2013 年。

到了 2013 年，我們碰到了新的挑戰(zhàn)。因為規(guī)模增長的問題，導致我們在 2013 年雙 11 的時候突然間發(fā)現(xiàn)了一個問題，我們在雙 11 備戰(zhàn)的前一個月也要加機器。數(shù)據(jù)庫團隊告訴我們不能加太多，因為那時候已經(jīng)不是買 Oracle，是 MySQL，MySQL 的連接確實比 Oracle 更小很多，但是我們前面的機器也是很多，所以最后的鏈接池又成為了問題。

當然除了數(shù)據(jù)庫以外，我們發(fā)現(xiàn)中間件和其他的東西也存在一些問題，雖然我們整個是分布式系統(tǒng)，但是一個分布式系統(tǒng)里面一定有某些點是集中的，某些點一定是全部都要接的，那些點隨著規(guī)模的上升就會成為很大的瓶頸點。所以到了 2013 年，我們就再次面臨了這個挑戰(zhàn)，那時候已經(jīng)是雙 11 前一個月，我們已經(jīng)改變不了什么。那年我們臨時用了別的方案頂過了那一年的雙 11，但在那年雙 11 以后我們明白，阿里迎來了新一輪架構(gòu)升級的機會。

2新一輪的架構(gòu)改造：異地多活

2013 年，我們決定開始做阿里巴巴新一輪的架構(gòu)改造，我們把這一輪架構(gòu)改造在內(nèi)部稱為單元化，版本的代號是 3.0 到 4.0。這一輪解決的第一個問題是水平伸縮，怎么樣在不加機器下扛大的規(guī)模；二是我們決定必須做另外一件事情，讓整個阿里可以隨便在哪里部署，并且是多個地點。

很多人記得 2013 年杭州特別熱，40 度高溫持續(xù)了十幾天，結(jié)果是阿里巴巴接到了通知，我們的其中機房必須限電。那一年嚇壞我們了，因為那個機房是數(shù)據(jù)庫機房，如果斷了，整個淘寶全掛了，那一次事件給了我們無比大的教訓。

這個項目跟我們做分布式有一個很大的不同，2008 年做的時候我們其實有參考對象。2013 年我們做異地多活的時候沒有參考對象，而且大家都認為這件事情風險非常高，如果能不做盡可能不要做。從全球來看，谷歌很早做了，F(xiàn)acebook 做了一點點但沒有做得太徹底，亞馬遜和 eBay 都是不做的。后來我們參考各家方案，發(fā)現(xiàn)谷歌的方案在電商行業(yè)根本不可用，谷歌不在乎響應時間，但是交易非常在乎。比如你下單慢一點，在雙 11 這樣的場景下肯定會導致我們崩盤，因為響應時間往上拉高，我們沒有辦法支持。Facebook 和騰訊都做了，騰訊主要是微信做，但微信其實是一個消息 IM 系統(tǒng)，IM 其實是比較容易做的，因為大家本來就是異步交互，但是交易是特別強調(diào)同步并且對數(shù)據(jù)一致性要求特別高的場景，所以我們在做整個方案的時候完全只能自己想到底該怎么辦。我們最后做的方案是這邊的方案——異地多活。

我自己帶著團隊做這個方案的時候，最關(guān)心的只有一個問題：異地多活最大的風險是什么？因為它是活的，異地這個點不是冷備的點，意味著異地的點也在寫數(shù)據(jù)，它最大的風險就在于每個點都在寫數(shù)據(jù)，如果數(shù)據(jù)一旦寫錯了就廢了。阿里是一家做信任的公司，只要數(shù)據(jù)一錯，我們這個公司的聲譽就毀了。所以當時做這個方案，我們跟架構(gòu)師團隊講最重要的是：不要出現(xiàn)數(shù)據(jù)錯亂，其他我們都可以接受。其實這個項目在整個架構(gòu)設(shè)計上是非常充分體現(xiàn)了當時最活的講 CAP 只能選兩個地方，因為我們選擇了數(shù)據(jù)一致性，所以一定程度上犧牲了可用性，對可用性會有一些影響。

這個項目在 2016 年基本上全部做完，從 2016 年以后整個阿里部署架構(gòu)一直都是這樣的，我們現(xiàn)在一直都是三地部署，我們有三個點，任何一個點掛了對我們都沒有任何影響，我們切換流量大概只需要在 30 秒內(nèi)就可以全部完成。因為我們上了以后才發(fā)現(xiàn)單地風險很容易出現(xiàn)風險，尤其是單個機房，比如說路由器、交換機出現(xiàn)問題，你就不知道怎么辦，但是多地就沒有問題。

這個架構(gòu)對阿里來講最大的價值：第一，再次具備水平伸縮的能力，我們現(xiàn)在支持雙 11，只需要不斷擴容單元或者說重新新建不同的單元，就可以完成整個過程；第二，可以讓地域級的容災能力提升，因為我們都是活的，所以就可以隨便切來切去。淘寶在雙 11 前面一個月密集備戰(zhàn)的過程，我們就會不斷切流量，每天白天都在切流量，但我相信很多用戶是從來沒有感受過我們在切流量。所以我認為這次架構(gòu)改造之后，應該還能撐個很多年。

3資源彈性時代的阿里電商架構(gòu)

近幾年主要圍繞另外一件事情做。你們都會發(fā)現(xiàn)我們在做前面兩個版本改造最大的區(qū)別是：前兩個版本都在解決水平伸縮的問題，其實水平伸縮是業(yè)務對技術(shù)團隊的基本要求，你肯定要做到可以加機器解掉業(yè)務高峰的問題，所以這時候技術(shù)團隊對業(yè)務團隊的價值是有限的。

但隨著我們在水平伸縮上解決得更好，包括雙 11 穩(wěn)定性的確保上做得越來越好，技術(shù)團隊可以做更多。其實雙 11 后來面臨的問題和挑戰(zhàn)是成本，穩(wěn)定性方面隨著全鏈路壓測之后，我們就發(fā)現(xiàn)很多東西越來越穩(wěn)了，但是雙 11 的成本是我們很大的壓力，因為雙 11 的峰值跟日常的峰值差距越來越拉大，意味著為了雙 11 前面那一段時間，我們要付出的代價是非常巨大的。所以現(xiàn)在這個問題就成為了我們最頭痛的問題。

我講阿里的技術(shù)架構(gòu)演進時，很多人會問我一個問題：雙 11 后，你們的機器都拿去干嘛了？這句話，每次都問得我非常尷尬，我也不知道怎么回答，我也只能隨便扯，通常的扯法告訴你下一年日常峰值會接近雙 11 的峰值，那就沒怎么浪費，但很多人都懂其實是不大可能的，所以很難回答。但是阿里還好，出現(xiàn)了兩個變數(shù)。

我們后來出現(xiàn)了兩個東西，來讓我們更好解決這個問題：第一，阿里云。從 2014 年開始阿里云發(fā)展起來了，阿里云的發(fā)展對我們來講有一個巨大的好處，因為我可以借阿里云的資源臨時頂一下雙 11，借完了再還給阿里云，阿里云再售賣，這只是一個周期的問題。所以阿里云的起來，至少對雙 11 的幫助是非常巨大的。我們也用了很多年的時間做這件事情，因為阿里的技術(shù)和阿里云的技術(shù)確實有差別，所以為了讓我們的東西能跑在阿里云上，并且對業(yè)務研發(fā)團隊沒有感覺，其實也要做很多的東西，比如說運維系統(tǒng)怎么對接兩套不一樣的東西，又讓業(yè)務沒有安全，資源的使用方式不一樣，阿里云上是 ECS，我們內(nèi)部都是容器，所以這兩者也要做對接。所以我們當時做了很多這方面的工作。

可以給大家一個數(shù)據(jù)。我們在 2014 年用阿里云資源扛雙 11 10% 的流量，2015 年用阿里云的資源扛 60% 的流量，2015 年扛 60％流量的那一年做雙 11 的成本，每萬筆下降了 50%，后來幾年我們一直延用這個方案，不斷增加云的資源。

但是去年開始發(fā)現(xiàn)其實我們還有別的路可以走，除了云以外，因為用云其實還是要錢的。比如，我們要用很長一段時間，因為我們買的機器實在太多了，阿里云賣掉也需要一些時間。后來我們在想有沒有不用錢的方案？其實現(xiàn)在大部分內(nèi)部有兩個最大的集群，一個用來部署在線業(yè)務，一個用來部署離線業(yè)務。通常來講，你有兩個集群，但是這兩個集群沒有太大的關(guān)系。

所以我們認為在雙 11 的時候可以用大數(shù)據(jù)計算的集群扛短時的高峰。我們開始做這個方案，但是這個方案有個非常復雜的問題，雖然我們的離線沒有那么重要，但也不能全部停掉，因為如果全部停掉對雙 11 也會產(chǎn)生影響，大家知道我們有實時推薦，我們需要大數(shù)據(jù)進行計算。如果不能全停，就有一個問題：怎么保證在線業(yè)務放上去跑的時候，離線不會把你的資源全部搶光？所以有一個互相干擾的問題。我們在過去幾年，在操作系統(tǒng)的部分、調(diào)度系統(tǒng)部分做很多的工作，來避免這個問題。今年，我們大概用離線機器扛了 16 萬筆的交易，相當于 16 萬筆交易不用花錢，完全免費，對業(yè)務團隊來講，今年雙 11 每萬筆交易成本相比去年又下降了 17%。我們總共有 49.1 萬筆，所以帶來的成本節(jié)省是非常壯觀的。

4云時代的軟件架構(gòu)走向何方？

這是我們一直在思考的部分，我們在想未來怎么跟云結(jié)合。我前面所講的資源彈性跟云就有很大的關(guān)系。所以我們認為云時代軟件架構(gòu)，在價值層面看到的：對很多使用方來說，第一點是彈性，我可以有高峰就用、沒有高峰就退。阿里還有另外一家特別典型的公司：餓了么。餓了么是典型有非常明顯高峰效應的公司，但是它過了高峰就沒有什么量了，這種公司，如果你為高峰準備錢，投入是非常大的，所以它跟云更好結(jié)合，在彈性上一定可以享受非常大的價值；第二點，我們認為云的整體演進會帶來另外一點改變是整個業(yè)務研發(fā)團隊會越來越不關(guān)注下面是什么，越來越脫離下面這一層，這是我們認為的一個風向，因為阿里巴巴在今年雙 11 里面已經(jīng)小面積使用了這個技術(shù)。

比如說大家看到的手淘首頁，首頁下面有很多推薦，如果按以前的開發(fā)方式，門檻是很高的，你要懂阿里巴巴背后非常多的技術(shù)。但今年我們把它改成了很類似的方式，前端的人可以簡單寫幾個函數(shù)，把頁面組裝起來，后面有非常復雜的服務調(diào)用、擴容體系，把很多工作都隱藏到了背后的一套平臺，前端的人在整體業(yè)務效率上非常高。所以我們認為如果我們的軟件架構(gòu)真的演進到跟云深度整合，有一個好處是你的研發(fā)效率會提高，門檻會降低，至少在阿里幾個場景里我們看到了這個現(xiàn)象。

我們在內(nèi)部討論一個問題：我們認為阿里走到今天面臨的一個很大問題是每進到一個阿里做業(yè)務研發(fā)的員工，如果你想做好一個業(yè)務研發(fā)，你都要了解阿里背后非常復雜的技術(shù)體系。而你要了解這個技術(shù)體系，門檻不低，你要學習很多的東西。但是我相信做過業(yè)務研發(fā)的人知道，做業(yè)務研發(fā)的代碼邏輯不應該關(guān)心這些東西，他應該關(guān)心怎么把業(yè)務邏輯抽象成一個比較簡單的東西，這是業(yè)務最核心的問題，現(xiàn)在就導致很多業(yè)務人需要花更多時間學技術(shù)，而不是研究業(yè)務，我們認為這個事會被改變。

所以在云的時代，我們希望設(shè)計一個右邊的架構(gòu)，希望在下面有一個非常厚的平臺，所有的業(yè)務團隊更加關(guān)注寫一些很小的代碼片段或者相對來講更為復雜一點的簡單服務，通過下面的東西幫你組裝，你也不用關(guān)心所有的架構(gòu)。這是我們希望云演進的方向，也是我們現(xiàn)在探索阿里巴巴整個軟件架構(gòu)怎么演進成這個樣子。大家看阿里的架構(gòu)演進，就可以發(fā)現(xiàn)我們前面解了伸縮性問題，成本問題基本接近解決，當然還需要進一步努力。

我們現(xiàn)在關(guān)注的下一個問題是效率問題，怎么讓我們的效率進一步提升起來，比如說我們希望阿里巴巴整個業(yè)務研發(fā)的門檻能夠降低到像 2007 年一樣，這樣的話業(yè)務研發(fā)的效率就會非常高，但這背后必須有很復雜的方案。所以我們認為這一代架構(gòu)最關(guān)鍵的是怎么降低研發(fā)門檻，怎么大幅拉高研發(fā)效率，這就是阿里現(xiàn)在正在探索的。

作者介紹

林昊，花名畢玄，2007 加入阿里，經(jīng)歷阿里電商 10 多年來的技術(shù)架構(gòu)演進，打造了阿里重要的中間件 HSF 服務框架，設(shè)計并帶領(lǐng)多團隊實現(xiàn)了阿里電商異地多活架構(gòu)。2011 年開始打造了阿里自研的容器及對資源利用率提升巨大的統(tǒng)一調(diào)度系統(tǒng)。先后任職淘寶網(wǎng)平臺架構(gòu)部架構(gòu)師、集團核心系統(tǒng)研發(fā)部資深技術(shù)專家、阿里中間件負責人。

總結(jié)

以上是生活随笔為你收集整理的毕玄：阿里十年，从分布式到云时代的架构演进之路的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。