如何打造支撑百万用户的分布式代码托管平台

背景介绍
 
　　毋庸置疑，代码是DevOps流程的起点，是所有研发流程的基础，代码托管为代码“保驾护航”，确保代码的安全性、可用性，同时提供围绕代码的一些基础服务，如MR、Issue等等。
 
　　阿里巴巴的GitLab是基于GitLab社区版8.3版本开发，目前支撑全集团数万规模的研发团队，累计创建数十万项目，日请求量千万级别，存储TB级别，早已超过了GitLab社区版承诺的单机上限能力，且增长速度非常迅猛。
 
　　面对这种情况，顺理成章的做法就是——扩容。然而非常不幸，GitLab的设计没有遵守Heroku推崇的“The Twelve-Factor App”的第四条：“把后端服务当作附加资源”（即对应用程序而言，不管是数据库、消息队列还是缓存等，都应该是附加资源，通过一个url或是其他存储在配置中的服务定位来获取数据；部署应可以按需加载或卸载资源），具体体现是：

• Git仓库数据存储于服务器本地的文件系统之上。GitLab所依赖的三个重要组件：libgit2、git、grit也都是直接操作在文件系统上GitLab。
• 因此，GitLab社区版是基于“单机”模式设计，当存储容量和单机负载出现瓶颈时，难以扩容。

面对挑战
 
　　2015年初，阿里巴巴集团GitLab的单机负载开始呈现居高不下的情况，当时的应对方案是同步所有仓库信息到多台机器，将请求合理分配到几台机器上面从而降低单机的负载。
       然而这个方法治标不治本：系统运行过程中的数据同步消耗资源和时间，不可能无限制扩充机器。这种方案暂时缓解了单机负载的问题，但对于单机存储上限的问题束手无策。

　　2015年中，团队正式启动了第一次改造尝试，当时的思路是去掉对本地文件系统的依赖，使用网络共享存储。
 
　　然而由于本地缓存等问题的限制，网络共享存储的方案在性能上出现较明显问题，且大都为基于C/C++的底层改动，改造成本出现不收敛情况。而当时集团GitLab服务器在高峰期CPU屡屡突破95%甚至更高的警戒值，而高负载也导致了错误请求占比居高不下，无论是对上游应用的稳定性还是对用户体验都提出了严峻挑战。
 
　　2016年8月起新一轮改造开始。
 
改造方案
 
　　既然共享存储的方案暂时行不通（后续如果网络存储的读写性能有质的提升，未尝不是好的方式），首先明确了唯有分布式或者切片才能解决问题的基本思路。
 
　　我们注意到GitLab一个仓库的特征性名称是”namespace_path/repo_path”，而且几乎每个请求的URL中都包含这个部分(或者包含ID信息)，那么我们可以通过这个名称作分片的依旧，将不同名称的仓库路由到不同的机器上面，同时将对于该仓库的相关请求也路由到对应机器上，这样服务就可以做到水平扩展。
 
　　下面通过一幅图介绍一下目前集团GitLab在单个机房内的架构：
 
　　
　　各个组件的主要[b]功能如下：[/b]
 
　　1、Sharding-Proxy-Api用于记录仓库与目标机器之间的对应关系，可以看作切片的大脑；
　　2、Proxy负责对请求做统一处理，通过Sharding-Proxy-Api获取信息，从而将请求路由到正确的目标机器；
　　3、Git Cluster由多组节点构成，每组节点内有三台机器，分别为master、mirror和backup。其中master主要负责处理写（POST/PUT/DELETE）请求，mirror主要负责读（GET）请求，backup作为该节点内的热备机器。
 
说明

• master在处理完写请求后，会同步更新此次变更到mirror和backup机器，以确保读请求的正确性和热备机器的数据准确。之所以没有采用双master的模式，是不想造成在脏数据情况下，由于双向同步而造成的相互覆盖。

保证方案可用
　　1、如何确保切片信息准确
　　Sharding-Proxy-Api基于martini架构开发，实时接收来自GitLab的通知以动态更新仓库信息，确保在namespace或project增删改，以及namespace_path变更、仓库transfer等情况下数据的准确性。
　　这样的场景下，等于每次请求多了一次甚至多次与Sharding-Proxy-Api的交互，最初我们曾担心会影响性能。事实上，由于逻辑较为简单以及golang在高并发下的出色表现，目前Sharding-Proxy-Api的RT大约在5ms以内。
　　2、如何做到切片合理性
　　海量数据的情况下，完全可以根据namespace_path的首字母等作为切片依据进行哈希，然而由于某些名称的特殊性，导致存在热点库的情况（即某些namespace存储量巨大或者相应请求量巨大），为此我们为存储量和请求量分配相应的权重，根据加权后的结果进行了分片。目前来看，三个节点在负载和存储资源占用等方面都比较均衡。
　　3、如何处理需要跨切片的请求
　　GitLab除了对单namespace及project的操作外，还有很多跨namespace及project的操作，比如transfer project，fork project以及跨project的merge request等，而我们无法保证这些操作所需的namespace或project信息都存储在同一台机器上。
　　为此，我们修改了这些场景下的GitLab代码，当请求落到一台机器同时需要另一台机器上的某个namespace或project信息时，采用ssh或者http请求的方式来获取这些信息。
　　最终的目标是采用rpc调用的方式来满足这些场景，目前已经在逐步开展。
 
提升性能
 
　　1、SSH协议的替换
　　目前阿里巴巴集团GitLab提供ssh协议和http协议两种方式，供用户对代码库进行fetch和push操作。其中，原生的ssh协议是基于操作系统的sshd服务实现，在GitLab高并发ssh请求的场景下，出现了诸如这样的bug：

• logind randomly loses its dbus connectionLeak of scope units slowing down "systemctl list-unit-files" and delaying login

       由此产生的问题是：

•        SSH协议登陆服务器变慢，用户通过ssh协议fetch和push代码时速度变慢。

　　为此，我们采用golang重写了基于ssh协议的代码数据传输功能，分别部署在proxy机器以及各组节点的GitLab服务器上，由此带来的好处有：

•        机器负载明显降低，消除上述bug。
•        在ssh服务发生问题的情况下，仍旧可以通过ssh登陆（使用原生）服务器，以及重启sshd服务不会对服务器本身造成影响。

　　下图是proxy机器采用新sshd服务后的cpu使用情况：
　　
　　2、个别请求的优化和重写
 
　　对于一些请求量较大的请求，例如鉴权、通过ssh key获取用户信息等接口，我们目前是通过文本转md5，加索引等方式进行性能优化，后期我们希望通过golang或java进行重写。
 
确保数据安全
 
　　1、一主多备
　　如上面提到的，目前阿里集团GitLab的每组分片节点包含有三台机器，也就是相对应的仓库数据一备三，即使某一台甚至两台机器发生磁盘不可恢复的故障，我们仍旧有办法找回数据。
　　2、跨机房备份
　　刚刚过去的三月份，我们完成了阿里巴巴集团GitLab的跨机房切换演习，模拟机房故障时的应对策略。演习过程顺利，在故障发生1min内接到报警，人工干预（DNS切换）后5min内完成机房间流量切换。
　　多机房容灾的架构如下图所示：
　　
　　保证准实时的仓库数据同步是机房切换的基础，我们的思路按照实际需求，由容灾机房机器主动发起数据同步流程，基本步骤是：

• 1、利用GitLab的system hook，在所有变更仓库信息的情景下发出消息（包含事件类型及时间包含数据等）；
• 2、同机房内部署有hook接收服务，在接收到hook请求后对数据进行格式化处理，并向阿里云MNS（Message Notify Service）的相关主题发送消息。
• 容灾机房内，部署有消息消费服务，会订阅相关的MNS主题以实时获取online机房发送到主题内的消息，获取消息后调用部署在容灾机房GitLab节点机上的rpc服务，主动发起并实现数据同步的逻辑hook接收、消息消费以及GitLab节点机上的rpc服务，均由golang实现。其中rpc服务基于grpc-go，采用protobuf来序列化数据。

　　通过一段时间的运行和演习，已经确定了方案切实可行，在数据校验相关监控的配合下，容灾机房可以准实时同步到online机房的数据，且确保99.9%至99.99%的数据一致性。
 
如何提升系统的可用性
 
　　1、日志巡检
　　面对集团GitLab每天产生的大量日志，我们使用阿里自研的监控工具进行日志监控，对系统产生的5xx请求进行采集和报警，然后定期去排查其中比较集中的错误。经过一段时间的排查和处理，5xx错误日志大致可以分为：
1）分布式改造带来的跨分片操作的bug
2）GitLab本身的bug
3）高并发情况下带来的系统偶发性故障

• 4）数据库相关的错误等

　　由于用户量大，场景多，阿里巴巴GitLab的使用场景基本覆盖GitLab的所有功能，因此也可以暴露出一些GitLab自有的bug，如Fix bug when system hook for create deploy key（从此，咱也是给GitLab供献过代码的人了）。
 
　　2、服务器监控
　　无论系统多少健壮，完备的监控是确保系统平稳运行的基础，既可以防患于未然，也可以在问题出现时及早发现，并尽可能减小对用户的影响。
 
目前阿里巴巴集团GitLab的监控主要有：

• 1）机器cpu，内存、负载等基本指标的监控
• 2）ssh、ping等网络检测信息（用于判断是否宕机，后将详述）
• 3）服务器各个端口的健康检查（80，90xx，70xx等等）
• 4）异步消息队列长度的监控
• 5）数据库连接的检查
• 6）错误请求的监控
• 7）Sharding-Proxy-Api与GitLab的数据一致性校验

　　很自豪的一点是，我们经常可以根据报警信息，先于用户发现问题。
 
　　3、单机故障的自动切换
　　虽然监控足够完备，但谁也不能保证服务器永远不宕机，因此我们在同一组节点中保有一台backup机器以应对服务器故障。会有专门的client定期通过API轮询监控平台提供的机器监控信息，当确认机器宕机时（ssh和ping同时不通，且持续时间超过2min）自动触发机器角色的互换，包括master与backup互换，mirror与backup互换等。通过演习，我们已经具备了单机故障时5min内全自动实现机器切换的能力。
 
　　4、机房故障时的切换
　　即前述的跨机房切换。
 
单元化部署
 
　　单元化架构是从并行计算领域发展而来。在分布式服务设计领域，一个单元（Cell）就是满足某个分区所有业务操作的自包含的安装。而一个分区（Shard），则是整体数据集的一个子集，如果你用尾号来划分用户，那同样尾号的那部分用户就可以认为是一个分区。单元化就是将一个服务设计改造让其符合单元特征的过程。
 
　　为了实现单元化的目标，我们在最初设计时就往这方面考虑。比如跨机房备份中，消息消费应用需要调用Sharding-Proxy-Api获取rpc服务的地址时，尽可能做到数据在单机房内闭环。这样在满足单元化要求的同时，也可以在机房故障时，尽量不影响已进入队列的消息在消费时出现数据断流。
 
　　现在阿里巴巴GitLab在架构上已经基本具备了单元化部署的能力，这样的情况下，无论是后续与阿里云合作对外提供服务，还是当收购海外公司需要单独搭建新服务时，都不会遇到问题。
 
未来的改进
 
　　偶发的cache大量释放
 
　　由于GitLab有大量的IO操作，使得系统占用cache的数值巨大，也正是因为cache，系统的性能得到保证。然而成也cache败也cache，为了确保系统不会发生OOM，我们设定了vm.min_free_kbytes，当cache占用过多且需要继续申请大片内存时，会触发cache的释放，势必会影响释放瞬间请求处理能力（通过日志分析得到，此瞬间的处理能力仅为cache存在时的1/2左右），直接后果是该瞬间的请求堵塞，甚至出现部分502。
　　为此我们咨询了系统部的同学，根据他们的建议修改了部分内核参数（目前仍没有根治），后续会尝试升级内核的方式，也希望遇到过类似问题或对这方面问题有研究的同学，把你的秘籍传给我们。
 
　　自动化运维
 
　　目前集团GitLab的发布主要靠手，在分布式架构下，机器势必越来越多，全自动化的发布、扩容机制，是我们需要完善的地方。
 
　　rpc方案的最终落地
 
　　如前所述，只有最终实现了全局的rpc替换，才能将web服务所消耗的资源与Git本身消耗的资源进行分离，阿里巴巴集团GitLab的分布式改造才能算最终结束。
 
结语
 
　　监控及日志数据对比显示，过去一年中阿里巴巴集团GitLab请求量增长4倍，项目数增长130%，用户数增长56%，在这样的增速下，系统调用的正确率却从99.5%提升到了99.99%以上，这些数字印证了我们方案的可行性和可用性。
 
　　接下来的时间里，小伙伴们会为继续代码服务的创新而努力，“高扩展、分布式、响应式、大文件、按需下载、流控、安全、数据化、单元化”，有些我们做到了，有些是接下来努力的方向。
 
　　很自豪，今天的我们终于可以有底气地承诺：现在阿里巴巴集团GitLab的架构，已经足够支撑百万规模的用户体量，在满足集团业务发展的前提下，会逐步通过阿里云code为更多云上开发者提供服务，共同打造云上的协同研发生态！