博客 / 詳情

返回

如何用Golang處理每分鐘100萬個請求

用Golang處理每分鐘100萬個請求

轉載請註明來源：https://janrs.com/9yaq

面臨的問題

在我設計一個分析系統中，我們公司的目標是能夠處理來自數百萬個端點的大量POST請求。web 網絡處理程序將收到一個JSON文檔，其中可能包含許多有效載荷的集合，需要寫入Amazon S3，以便我們的地圖還原系統隨後對這些數據進行操作。

傳統上，我們會研究創建一個工人層架構，利用諸如以下東西：

  • Sidekiq
  • Resque
  • DelayedJob
  • Elasticbeanstalk Worker Tier
  • RabbitMQ
  • 還有等等其他的技術手段...

並設置 2 個不同的集羣，一個用於 Web 前端，另一個用於 worker 處理進程，這樣我們就可以擴大我們可以處理的後台工作量。

但從一開始，我們的團隊就知道我們應該在 Go 中這樣做，因為在討論階段我們看到這可能是一個非常大的流量系統。 我使用 Go 已有大約 2 年左右的時間，我們公司在處理業務時開發了一些系統，但沒有一個能承受如此大的負載。以下是優化的過程。

我們首先創建一些結構體來定義我們將通過 POST 調用接收的 Web 請求負載，以及一種將其上傳到我們的 S3 存儲桶的方法。代碼如下：

type PayloadCollection struct {
    WindowsVersion  string    `json:"version"`
    Token           string    `json:"token"`
    Payloads        []Payload `json:"data"`
}

type Payload struct {
    // ...負載字段
}

func (p *Payload) UploadToS3() error {
    // storageFolder 方法確保在我們在鍵名中獲得相同時間戳時不會發生名稱衝突
    storage_path := fmt.Sprintf("%v/%v", p.storageFolder, time.Now().UnixNano())

    bucket := S3Bucket

    b := new(bytes.Buffer)
    encodeErr := json.NewEncoder(b).Encode(payload)
    if encodeErr != nil {
        return encodeErr
    }

    // 我們發佈到 S3 存儲桶的所有內容都應標記為“私有”
    var acl = s3.Private
    var contentType = "application/octet-stream"

    return bucket.PutReader(storage_path, b, int64(b.Len()), contentType, acl, s3.Options{})
}

使用 Go 協程

最初我們採用了一個非常簡單的 POST 處理程序實現，只是試圖將job 處理程序並行化到一個簡單的 goroutine 中：

func payloadHandler(w http.ResponseWriter, r *http.Request) {

    if r.Method != "POST" {
        w.WriteHeader(http.StatusMethodNotAllowed)
        return
    }

    // 將body讀入字符串進行json解碼
    var content = &PayloadCollection{}
    err := json.NewDecoder(io.LimitReader(r.Body, MaxLength)).Decode(&content)
    if err != nil {
        w.Header().Set("Content-Type", "application/json; charset=UTF-8")
        w.WriteHeader(http.StatusBadRequest)
        return
    }
    
    // 分別檢查每個有效負載和隊列項目以發佈到 S3
    for _, payload := range content.Payloads {
        go payload.UploadToS3()   // <----- 這是不建議的做法。這裏是最開始的做法。
    }

    w.WriteHeader(http.StatusOK)
}

對於中等負載，這可能適用於大多數公司的流量，但很快證明這在大規模情況下效果不佳。 我們期望有很多請求，但沒有達到我們將第一個版本部署到生產環境時開始看到的數量級。 我們完全低估了流量。

上面的方法在幾個不同的方面是不好的。 無法控制我們生成了多少個 go routines。 由於我們每分鐘收到 100 萬個 POST 請求，因此這段代碼很快崩潰了。

進一步優化

我們需要找到一種不同的方式。 從一開始我們就開始討論我們需要如何保持請求處理程序的生命週期非常短，並在後台進行生成處理。 當然，這是你在使用 Ruby on Rails 時必須做的，否則你將阻止所有可用的 worker web 處理器，無論你使用的是 puma、unicorn 還是 passenger（請不要進入 JRuby 討論）。 然後我們需要利用常見的解決方案來做到這一點，例如 Resque、Sidekiq、SQS 等等，有很多方法可以實現這一點。

所以第二次迭代是創建一個緩衝通道，我們可以創建一些隊列，然後把 job push到隊列並將它們上傳到 S3，並且由於我們可以控制job 隊列中的最大數數量並且我們有足夠的內存來處理隊列中的 job。在這個方案中，我們認為只需要在通道隊列中緩衝需要處理的 job 就可以了。

代碼如下：

var Queue chan Payload

func init() {
    Queue = make(chan Payload, MAX_QUEUE)
}

func payloadHandler(w http.ResponseWriter, r *http.Request) {
    ...
    // 分別檢查每個有效負載和隊列項目以發佈到 S3
    for _, payload := range content.Payloads {
        Queue <- payload // <----- 這是建議的做法。
    }
    ...
}

然後為了實際出列作業並處理它們，我們使用了類似的東西：

func StartProcessor() {
    for {
        select {
        case job := <-Queue:
            job.payload.UploadToS3()  // <-- 這裏雖然優化了，但還不是最好的。
        }
    }
}

在上面的代碼中，我們用一個緩衝隊列來交換有缺陷的併發性，而緩衝隊列只是推遲了問題。 我們的同步處理器一次只將一個有效負載上傳到 S3，並且由於傳入請求的速率遠遠大於單個處理器上傳到 S3 的能力，我們的 job 緩衝通道很快達到了極限並阻止了請求處理程序的能力，隊列很快就阻塞滿了。

我們只是在避免這個問題，並開始倒計時，直到我們的系統最終死亡。 在我們部署這個有缺陷的版本後，我們的延遲率在幾分鐘內以恆定的速度持續增加。以下是延遲率增長圖：

更好的解決方案

我們決定在使用 Go 通道時使用一種通用模式，以創建一個 2 層通道系統，一個用於 Job 隊列，另一個用於控制同時在 Job 隊列上操作的 Worker 的數量。

這個想法是將上傳到 S3 的數據並行化到某種程度上可持續的速度，這種速度既不會削弱機器也不會開始從 S3 生成連接錯誤。 所以我們選擇創建 Job/Worker 模式。 對於那些熟悉 Java、C# 等的人來説，可以將其視為 Golang 使用通道實現 Worker 線程池的方式。

代碼如下：

var (
    MaxWorker = os.Getenv("MAX_WORKERS")
    MaxQueue  = os.Getenv("MAX_QUEUE")
)

// Job 表示要運行的作業
type Job struct {
    Payload Payload
}

// 我們可以在 Job 隊列上發送工作請求的緩衝通道。
var JobQueue chan Job

// Worker 代表執行作業的 Worker。
type Worker struct {
    WorkerPool  chan chan Job
    JobChannel  chan Job
    quit        chan bool
}

func NewWorker(workerPool chan chan Job) Worker {
    return Worker{
        WorkerPool: workerPool,
        JobChannel: make(chan Job),
        quit:       make(chan bool)}
}

// Start 方法為 Worker 啓動循環監聽。監聽退出信號以防我們需要停止它。
func (w Worker) Start() {
    go func() {
        for {
            // 將當前 woker 註冊到工作隊列中。
            w.WorkerPool <- w.JobChannel

            select {
            case job := <-w.JobChannel:
                // 接收 work 請求。
                if err := job.Payload.UploadToS3(); err != nil {
                    log.Errorf("Error uploading to S3: %s", err.Error())
                }

            case <-w.quit:
                // 接收一個退出的信號。
                return
            }
        }
    }()
}

// 將退出信號傳遞給 Worker 進程以停止處理清理。
func (w Worker) Stop() {
    go func() {
        w.quit <- true
    }()
}

我們已經修改了我們的 Web 請求處理程序，以創建一個帶有有效負載的 Job 結構實例，並將其發送到 JobQueue 通道以供 Worker 提取。

func payloadHandler(w http.ResponseWriter, r *http.Request) {

    if r.Method != "POST" {
        w.WriteHeader(http.StatusMethodNotAllowed)
        return
    }

    // 將body讀入字符串進行json解碼
    var content = &PayloadCollection{}
    err := json.NewDecoder(io.LimitReader(r.Body, MaxLength)).Decode(&content)
    if err != nil {
        w.Header().Set("Content-Type", "application/json; charset=UTF-8")
        w.WriteHeader(http.StatusBadRequest)
        return
    }

    // 分別檢查每個有效負載和隊列項目以發佈到 S3
    for _, payload := range content.Payloads {

        // 創建一個有效負載的job
        work := Job{Payload: payload}

        // 將 work push 到隊列。
        JobQueue <- work
    }

    w.WriteHeader(http.StatusOK)
}

在我們的 Web 服務器初始化期間，我們創建一個 Dispatcher 調度器並調用 Run() 來創建 Woker 工作池並開始偵聽將出現在 Job 隊列中的 Job。

dispatcher := NewDispatcher(MaxWorker) 
dispatcher.Run()

下面是我們的調度程序實現的代碼：

type Dispatcher struct {
    // 通過調度器註冊一個 Worker 通道池
    WorkerPool chan chan Job
}

func NewDispatcher(maxWorkers int) *Dispatcher {
    pool := make(chan chan Job, maxWorkers)
    return &Dispatcher{WorkerPool: pool}
}

func (d *Dispatcher) Run() {
    // 啓動指定數量的 Worker
    for i := 0; i < d.maxWorkers; i++ {
        worker := NewWorker(d.pool)
        worker.Start()
    }

    go d.dispatch()
}

func (d *Dispatcher) dispatch() {
    for {
        select {
        case job := <-JobQueue:
            // 接收一個 job 請求
            go func(job Job) {
                // 嘗試獲取可用的 worker job 通道
                // 這將阻塞 worker 直到空閒
                jobChannel := <-d.WorkerPool

                // 調度一個 job 到 worker job 通道
                jobChannel <- job
            }(job)
        }
    }
}

請注意，我們提供了要實例化並添加到我們的 Worker 池中的最大worker 數量。 由於我們在這個項目中使用了 Amazon Elasticbeanstalk 和 dockerized Go 環境，因此我們從環境變量中讀取這些值。 這樣我們就可以控制 Job 隊列的數量和最大大小，因此我們可以快速調整這些值而無需重新部署集羣。

var ( 
  MaxWorker = os.Getenv("MAX_WORKERS")
  MaxQueue  = os.Getenv("MAX_QUEUE")
)

在我們部署它之後，我們立即看到我們所有的延遲率都下降到極低的延遲，並且我們處理請求的能力急劇上升。以下是流量截圖：

在我們的彈性負載均衡器完全預熱幾分鐘後，我們看到我們的 ElasticBeanstalk 應用程序每分鐘處理近 100 萬個請求。 我們通常在早上有幾個小時的流量會飆升至每分鐘超過一百萬。

一旦我們部署了新代碼，服務器數量就從 100 台服務器大幅下降到大約 20 台服務器。以下是服務器數量變化截圖：

在正確配置集羣和自動縮放設置後，我們能夠將其進一步降低到僅 4x EC2 c4.Large 實例，並且如果 CPU 使用率超過 90% 持續 5 天，Elastic Auto-Scaling 將生成一個新實例 分鐘值。以下是截圖：

總結

可以看出利用 Elasticbeanstalk 自動縮放的強大功能以及 Golang 提供的開箱即用的高效和簡單的併發方法，就可以構建出一個高性能的處理程序。

轉載請註明來源：https://janrs.com/9yaq
goroutine , go
user avatar tekin_cn 頭像 niruoanhaobianshiqingtian_5e03350be8f72 頭像 u_15533008 頭像
3 位用戶收藏了這個故事！

發佈 評論

Some HTML is okay.