写点什么

Twitter 的故障处理机制:故障测试

  • 2015-12-29
  • 本文字数:1728 字

    阅读完需:约 6 分钟

对于 Twitter 这样的基础设施规模,硬件和网络错误是不可避免的,但无论是哪一种错误都可能对用户体验造成消极的影响,因此对一个系统而言弹性的错误处理能力是非常重要的,那么 Twitter 是怎样做的呢?最近 Twitter 基础设施工程团队的负责人 Mazdak Hashemi 在官方博客上发表了一篇文章,介绍了 Twitter 的故障测试机制

为了测试服务如何响应异常,Twitter 创建了一个能够将受控的故障条件注入到基础设施中的框架,通过该框架 Twitter 能够发现漏洞,从而更好地为全站范围内的事件处理做好准备,保证系统对意外故障具有较好的容错性。

框架

Twitter 的故障测试框架由一个 Python 类库和一个命令行可执行程序组成,通过该框架工程师能够将故障条件直接引入到产品基础设施中,然后能够在测试执行期间监控全站范围的健康指标,并在状态发生变化的时候发送系统通知。

该框架包含三个模块:

  • 故障引入(Mischief)模块,在产品服务和基础设施中引入或者撤回故障测试
  • 监控模块,检查服务的健康指标,查找可能导致全站范围事件的状态
  • 通知模块,与 HipChat 和 JIRA 等系统交互,在故障测试执行期间提供实时的状态更新

到目前为止,框架支持的故障条件包括:

  • 发送命令给 IPMI 控制器和 PDU 的功率损耗
  • Mesos 中服务集群的部分或者全部丢失
  • 推送新转换配置造成的网络丢失

下面是一个介绍工程师如何使用框架测试故障条件的示例,该示例为 abc 机架上的所有 Hadoop DataNode 引入了一个 30 分钟的功率损耗,然后监控健康指标并向聊天室发送状态更新:

复制代码
failure_test:
name: Power loss within rack abc in datacenter abcd
duration_mins: 30
mischief:
- power_loss:
datacenter: abcd
selectors:
- group:
type: role
name: hadoop.datanode
- group:
type: rack
name: abc
notifiers:
- chat:
rooms:
- Failure Testing
monitors:
- observability:
datacenter: abcd
queries: !snippet

将这些配置发送到框架的命令行工具上之后,框架首先会解析这些配置,确认其有效性。接下来框架会进入准备阶段,收集引入故障条件所需的所有信息,例如目标机器的主机名和 IPMI BMC 接口的地址等。准备成功之后,框架会检查需要测试的所有系统是否健康,并尝试引入请求的故障条件。如果条件引入成功,框架就会定期地(每分钟)检查监控,确保测试期间所有系统都运转正常,如果这期间有任何一个监控发送了错误的状态,那么测试就失败,否则测试就成功。但是无论是成功还是失败,框架都会在测试执行完成之后立即取消引入的所有故障条件。

完整的流程图如下:

挑战

Twitter 运行的基础设施具有异构且动态的特性,所以在为一个具体的服务引入故障测试时需要细心的设计和计划,考虑要全面。例如,托管在 Apache Aurora 上动态调度的服务与直接运行在硬件设备上的服务不同。为了找到引发异常的真正原因,必须捕获完整的测试环境,包括机架配置、服务类型以及流量等信息,因为在某些情况下,异常可能是由上游或下游的问题,或者是服务恢复行为引发的。

使用情况与经验教训

在过去的 6 个月,这一框架驱动了 Twitter 所有的故障测试,帮助 Twitter 发现了大量的漏洞,让 Twitter 对 Apache Mesos Apache Aurora 等主要系统的弹性故障处理机制有了非常强烈的信心。

另外,Twitter 还总结了一些经验教训。例如,从机架顶部开关损坏的故障中总结出:当这种情况发生的时候,运行在该机架上的服务要么全部从网络上丢失,要么丢失部分包,对于前一种情况 Twitter 的服务能够很好地处理,但是后一种情况却几乎总是会造成某些内部的影响,这种影响的严重程度取决于机架的配置和 Mesos 从机上运行的服务种类。

未来的工作

Twitter 将继续使用该框架测试基础设施对随机故障的处理能力,找到系统的瓶颈。同时,故障测试程序的范围也会增加,将来扩展 RPC 系统层也将支持这种机制。


感谢杜小芳对本文的审校。

给InfoQ 中文站投稿或者参与内容翻译工作,请邮件至 editors@cn.infoq.com 。也欢迎大家通过新浪微博( @InfoQ @丁晓昀),微信(微信号: InfoQChina )关注我们,并与我们的编辑和其他读者朋友交流(欢迎加入 InfoQ 读者交流群(已满),InfoQ 读者交流群(#2))。

2015-12-29 18:001859
用户头像

发布了 321 篇内容, 共 118.4 次阅读, 收获喜欢 19 次。

关注

评论

发布
暂无评论
发现更多内容

浪潮信息推动AI在线教育实现全面应用

Geek_116789

raft协议中, 候选人角色能参与投票吗

程序员老王

raft

Flink 生态:Pulsar Connector 机制剖析

Apache Flink

flink

架构师训练营第六周-总结

王权富贵

上班摸鱼,可以玩一整天,哈哈哈!!!

诸葛小猿

上班 摸鱼

程序员都应该知道的数据库避坑指南

Phoenix

MySQL 数据库 事务隔离级别

Debug ArrayList源码

Noneplus

Java

图解:最短路径之如何理解“松弛”or“放松”?

淡蓝色

Java 数据结构 算法

你以为你真的理解 Closure 吗

double U

大前端 闭包

IDEA命令行缩短器助你解决此问题:Command line is too long. Shorten command line...

YourBatman

intellij-idea spring IDEA springboot

负载均衡+分布式数据库

鲁米

《架构师训练营》第七周命题作业

《架构师训练营》第七周总结

追光逐影:曝光相对论(1)

北风

摄影 影调 曝光 黑白

Rust多线程之数据共享

编号94530

rust 多线程 数据共享 什么是多线程

LeetCode题解:141. 环形链表,JavaScript,快慢指针,详细注释

Lee Chen

大前端 LeetCode

Week7 作业

Shawn

第7周作业:web性能测压工具

Melo

ARTS打卡第3周

Scotty

Java 基础知识整理

多选参数

Java

LeetCode题解:1051. 高度检查器,JavaScript,桶排序,详细注释

Lee Chen

大前端 LeetCode

第七周作业

田振宇

写一个并发测试工具

罗亮

Android | Glide细枝篇

哈利迪

android 源码

Discuz插件设计

心平气和

php Diszuz 插件设计 插件系统

第7周笔记:性能优化

Melo

不变的是什么?

zhongzhq

依道而行 规律 变化

WordPress插件设计

心平气和

php 插件设计 插件系统 WordPress

CAP原理

鲁米

ARTS Week7

丽子

ARTS 打卡计划

tcpdump 实例-获取网络包的50种方法

Rayjun

TCP/IP tcpdump

Twitter的故障处理机制:故障测试_语言 & 开发_孙镜涛_InfoQ精选文章