在大型系統的微服務化構建中，一個系統會被拆分成許多模塊。這些模塊負責不同的功能，組合成系統，最終可以提供豐富的功能。在這種構建形式中，開發者一般會聚焦于***程度解耦模塊的功能以減少模塊間耦合帶來的額外開發成本。同時，微服務面臨著如何部署這些大量的服務系統、如何運維這些系統等新問題。

本文的素材來源于我們在開發中的一些***實踐案例，從開發、監控、日志等角度介紹了一些我們基于Go技術棧的微服務構建經驗。

開發

微服務的開發過程中，不同模塊由不同的開發者負責，明確定義的接口有助于確定開發者的工作任務。最終的系統中，一個業務請求可能會涉及到多次接口調用，如何準確清晰的調用遠端接口，這也是一大挑戰。對于這些問題，我們使用了gRPC來負責協議的制訂和調用。

傳統的微服務通常基于http協議來進行模塊間的調用，而在我們的微服務構建中，選用了Google推出的gRPC框架來進行調用。下面這張簡表比較了http rpc框架與gRPC的特性：

gRPC的接口需要使用Protobuf3定義，通過靜態編譯后才能成功調用。這一特性減少了由于接口改變帶來的溝通成本。如果使用http rpc，接口改變就需要先改接口文檔，然后周知到調用者，如果調用者沒有及時修改，很可能會到服務運行時才能發現錯誤。而gRPC的這種模式，接口變動引起的錯誤保證在編譯時期就能消除。

在性能方面，gRPC相比傳統的http rpc協議有非常大的改善（根據這個評測，gRPC要快10倍）。gRPC使用http 2協議進行傳輸，相比較http 1.1, http 2復用tcp連接，減少了每次請求建立tcp連接的開銷。需要指出的是，如果單純追求性能，之前業界一般會選用構建在tcp協議上的rpc協議(thrift等)，但四層協議無法方便的做一些傳輸控制。相比而言，gRPC可以在http header中放入控制字段，配合nginx等代理服務器，可以很方便的實現轉發/灰度等功能。

接下來著重談談我們在實踐中如何使用gRPC的一些特性來簡化相關開發流程。

1. 使用context來控制請求的生命周期

在gRPC的go語言實現中，每個rpc請求的***個參數都是context。http2協議會將context放在HEADER中，隨著鏈路傳遞下去，因此可以為每個請求設置過期時間，一旦遇到超時的情況，發起方就會結束等待，返回錯誤。

ctx := context.Background()     // blank context 
ctx, cancel = context.WithTimeout(ctx, 5*time.Second) 
defer cancel( ) 
grpc.CallServiveX(ctx, arg1) 

上述這段代碼，發起方設置了大約5s的等待時間，只要遠端的調用在５s內沒有返回，發起方就會報錯。

除了能加入超時時間，context還能加入其他內容，下文我們還會見到context的另一個妙用。

2.使用TLS實現訪問權限控制

gRPC集成了TLS證書功能，為我們提供了很完善的權限控制方案。在實踐中，假設我們的系統中存在服務Ａ，由于它負責操作用戶的敏感內容，因此需要保證Ａ不被系統內的其他服務濫用。為了避免濫用，我們設計了一套自簽名的二級證書系統，服務Ａ掌握了自簽名的根證書，同時為每個調用Ａ的服務頒發一個二級證書。這樣，所有調用Ａ的服務必須經過Ａ的授權，Ａ也可以鑒別每個請求的調用方，這樣可以很方便的做一些記錄日志、流量控制等操作。

3. 使用trace在線追蹤請求

gRPC內置了一套追蹤請求的trace系統，既可以追蹤最近10個請求的詳細日志信息，也可以記錄所有請求的統計信息。

當我們為請求加入了trace日志后，trace系統會為我們記錄下最近１０個請求的日志,下圖中所示的例子就是在trace日志中加入了對業務數據的追蹤。

在宏觀上，trace系統為我們記錄下請求的統計信息，比如請求數目、按照不同請求時間統計的分布等。

需要說明的是，這套系統暴露了一個http服務，我們可以通過debug開關在運行時按需打開或者關閉，以減少資源消耗。

監控

1.確定監控指標

在接到為整個系統搭建監控系統這個任務時，我們面對的***個問題是要監控什么內容。針對這個問題，GoogleSRE這本書提供了很詳細的回答，我們可以監控四大黃金指標，分別是延時、流量、錯誤和飽和度。

延時衡量了請求花費的時間。需要注意的，考慮到長尾效應，使用平均延時作為延時方面的單一指標是遠遠不夠的。相應的，我們需要延時的中位數90%、95%、99%值來幫助我們了解延時的分布，有一種更好的辦法是使用直方圖來統計延時分布。

流量衡量了服務面臨的請求壓力。針對每個API的流量統計能讓我們知道系統的熱點路徑，幫助優化。

錯誤監控是指對錯誤的請求結果的統計。同樣的，每個請求有不同的錯誤碼，我們需要針對不同的錯誤碼進行統計。配合上告警系統，這類監控能讓我們盡早感知錯誤，進行干預。

飽和度主要指對系統CPU和內存的負載監控。這類監控能為我們的擴容決策提供依據。

2.監控選型

選擇監控方案時，我們面臨的選擇主要有兩個，一是公司自建的監控系統，二是使用開源Prometheus系統搭建。這兩個系統的區別列在下表中。

考慮到我們的整個系統大約有100個容器分布在30臺虛擬機上，Prometheus的單機存儲對我們并不是瓶頸。我們不需要完整保留歷史數據，自建系統的***優勢也不足以吸引我們使用。相反，由于希望能夠統計四大黃金指標延生出的諸多指標，Prometheus方便的DSL能夠很大程度上簡化我們的指標設計。

最終，我們選擇了Prometheus搭建監控系統。整個監控系統的框架如下圖所示。

各服務將自己的地址注冊到consul中，Prometheus會自動從consul中拉取需要監控的目標地址，然后從這些服務中拉取監控數據，存放到本地存儲中。在Prometheus自帶的Ｗeb UI中可以快捷的使用PromQL查詢語句獲取統計信息，同時，還可以將查詢語句輸入grafana,固定監控指標用于監控。

此外，配合插件AlertManager,我們能夠編寫告警規則，當系統出現異常時，將告警發送到手機／郵件／信箱。

日志

1.日志格式

一個經常被忽略的問題是如何選擇日志記錄的格式。良好的日志格式有利于后續工具對日志內容的切割，便于日志存儲的索引。我們使用logrus來打印日志到文件，logrus工具支持的日志格式包裹以空格分隔的單行文本格式、json格式等等。

文本格式

time=”2015-03-26T01:27:38-04:00″ level=debug g=”Started observing beach” animal=walrus number=8 
time=”2015-03-26T01:27:38-04:00″ level=info msg=”A group of walrus emerges from the ocean” animal=walrus size=10Json格式 
{“animal”:”walrus”,”level”:”info”,”msg”:”A group of walrus emerges from theocean”,”size”:10,”time”:”2014-03-10 19:57:38.562264131 -0400 EDT”} 
{“level”:”warning”,”msg”:”The group’s number increased tremendously!”,”number”:122,”omg”:true,”time”:”2014-03-10 19:57:38.562471297 -0400 EDT”} 

2.端到端鏈路上的調用日志收集

在微服務架構中，一個業務請求會經歷多個服務，收集端到端鏈路上的日志能夠幫助我們判斷錯誤發生的具體位置。在這個系統中，我們在請求入口處，生成了全局ID，通過gRPC中的context將ID在鏈路中傳遞。將不同服務的日志收集到graylog中，查詢時就能通過一個ID，將整個鏈路上的日志查詢出來。

上圖中，使用session-id來作為整個調用鏈的ID可以進行全鏈路檢索。

小結

微服務構建的系統中，在部署、調度、服務發現、一致性等其他方面都有挑戰，Go技術棧在這些方面都有***實踐（docker,k8s,consul,etcd等等）。具體內容在網上已經有很完善的教程，在此不用班門弄斧，有需要的可以自行查閱。