罗罗编程学习记录
本页内容 展开查看

09.7.1.5 多活与灰度切换

所属:全栈开发面试题库 / 09 高阶架构:高并发与分布式 / 09.7 场景设计题 / 09.7.1 场景设计题

09.7.1.5-001 单机房、主备、双活、多活有什么区别?

一句话结论

单机房所有组件集中一地,机房故障即整体不可用;主备只有备节点/备机房待命,平时不承接流量,切换后才生效;双活两个站点同时承接流量且互为冗余;多活指三个及以上站点同时服务,故障时流量在站点间重新分配;级别越高容灾能力越强,但数据同步、流量调度与一致性复杂度也越高。

概念解释

  • 主备:备站热备/冷备,平时不承载生产流量。
  • 双活:两站同时读写服务。
  • 多活:多站点并行,按单元或地域分流。

原理流程

单机房:故障 → 全站不可用
 主备:故障 → 切换到备站(有切换窗口)
 双活/多活:故障 → 摘离故障站点,其余站点承接流量

代码或图示

对比维度:平时是否承流、切换速度、数据同步成本、建设成本、一致性风险

常见误区

  • 误区:双活就是两台服务器同时跑。站点级双活还要解决数据同步、流量路由与故障切换,不只是部署两份副本。
  • 误区:多活一定比主备好。多活写入冲突与同步延迟复杂,业务规模与容灾要求不足时主备更经济。

追问

  • 问:主备切换有什么代价?答:备站预热、连接重建、数据追平都需要时间,RTO 高于双活摘流。
  • 问:什么场景用主备?答:容灾要求有限、数据一致性优先、预算受限的业务。

09.7.1.5-002 RTO 和 RPO 怎么定义?

一句话结论

RTO(Recovery Time Objective)是故障发生到业务恢复可用的最大允许时长,衡量恢复速度;RPO(Recovery Point Objective)是允许丢失的数据时间窗口,衡量数据丢失上限;多活/主备方案按业务可接受的停机时长与数据丢失量反推架构与同步策略,二者是容灾设计的量化目标。

概念解释

  • RTO:恢复时间目标。
  • RPO:数据丢失窗口。
  • 目标驱动架构:先定指标,再选同步与切换方案。

原理流程

故障发生时刻 T0
  业务恢复时刻 T1 → RTO = T1 - T0
  最近可恢复数据点 T-1 → RPO = T0 - T-1

代码或图示

RTO 关注:检测速度、摘流切换、服务预热
RPO 关注:复制方式、同步延迟、备份间隔

常见误区

  • 误区:RTO 和 RPO 是一回事。一个管停机多久,一个管丢多少数据;双活降低 RTO,强同步降低 RPO,两者分别设计。
  • 误区:指标越严格成本越低。接近零停机、零丢失需要强同步与冗余投入,成本显著上升。

追问

  • 问:同步复制对 RPO 的影响?答:同步确认后才返回,RPO 接近零,但写入延迟受远端站点影响。
  • 问:指标怎么落到方案?答:按 RTO 定切换自动化程度,按 RPO 定复制方式与备份频率。

09.7.1.5-003 流量在站点间怎么调度?

一句话结论

流量调度分层:DNS 解析在地域层面引流,负载均衡/网关在站点与实例间摘流分流;服务内部按单元路由;故障时健康检查触发站点摘流,健康站点承接;调度依据健康状态、容量、就近接入与单元归属;调度规则可灰度调整,切换可回退。

概念解释

  • DNS:地域级流量入口切换。
  • LB/网关:站点内实例与站点间路由。
  • 单元路由:请求按归属单元进入对应站点。

原理流程

用户请求 → DNS/接入层 → 健康站点
  网关按单元/版本分流
  站点故障 → 健康检查摘除 → 流量重分配

代码或图示

调度层级:DNS 地域 → 站点 LB → 服务实例 → 单元路由

常见误区

  • 误区:只靠 DNS 切流量。DNS 生效有缓存延迟,站点内还需要 LB/网关快速摘流配合。
  • 误区:故障摘流只看实例存活。还要结合容量、下游依赖健康与单元归属,避免把流量压到不健康单元。

追问

  • 问:健康检查怎么做?答:端口/接口探活 + 业务状态指标,连续失败才摘流,避免抖动误摘。
  • 问:流量切换怎么避免雪崩?答:分批摘流、按容量逐步转移,观察承接站点水位后再扩大。

09.7.1.5-004 同城双活和异地多活有什么差异?

一句话结论

同城双活两站点距离近、网络延迟低,可较容易做准实时同步,主要防机房/机柜级故障;异地多活站点分布在不同城市,距离远、复制延迟高,能防城市级灾难,但必须解决跨地写入冲突与延迟一致性;异地多活通常配合单元化,让请求在归属单元闭环。

概念解释

  • 同城:低延迟、同城市两个机房。
  • 异地:跨城市、高延迟、防区域灾难。
  • 单元化:请求与数据归属同一单元,减少跨地写入。

原理流程

同城双活:近链路复制,两站互备
 异地多活:按用户单元归属,本地闭环,跨单元只读/异步同步

代码或图示

同城:故障域 = 机房/电力/网络
 异地:故障域 = 城市/区域级灾害

常见误区

  • 误区:异地多活可以任意站点写任意数据。跨地双向写冲突难处理,主流方案是单元归属、本地写入,避免大范围跨写。
  • 误区:同城双活能防城市级灾难。同城站点共享城市电力、地质等风险,区域级灾害需要异地冗余。

追问

  • 问:异地复制延迟怎么影响设计?答:延迟窗口内的写入冲突需冲突解决规则,或通过单元归属规避。
  • 问:同城双活数据怎么同步?答:数据库主从/集群复制,应用层无状态,具体方案按所用中间件能力确认。

09.7.1.5-005 站点间数据怎么同步,冲突怎么处理?

一句话结论

数据同步按复制方向分单向主从(备站只读)与双向多活(各站可写);单向简单、无冲突,双向需要冲突检测与解决规则;常见规避手段是单元归属让同一数据只在一个单元写入;冲突解决按业务优先级、版本号/时间戳合并,无法自动合并的转人工;同步链路延迟必须监控。

概念解释

  • 单向复制:主站写,备站异步追平。
  • 双向复制:多站可写,存在冲突窗口。
  • 冲突规则:版本、优先级、人工裁决。

原理流程

写入本地单元 → 复制到其他站点
  冲突检测:同键多版本变更
  规则合并:版本新者胜/优先级/字段合并
  无法合并 → 人工处理

代码或图示

规避优先:数据按单元分片,同键单写
  次选:双向同步 + 版本号冲突检测

常见误区

  • 误区:双向复制自动解决一切冲突。复制工具不理解业务语义,同一记录两站同时修改仍需业务冲突规则。
  • 误区:同步延迟不用监控。延迟窗口内备站数据旧,切流后可能读到落后数据,延迟必须可见可控。

追问

  • 问:版本号怎么判断新旧?答:单调版本/逻辑时钟优于墙钟时间,避免时钟漂移误判,见 09.5.1.5。
  • 问:复制中断怎么办?答:断点续传、积压监控,恢复后追平;RPO 窗口内数据按备份与日志补偿。

09.7.1.5-006 单元化架构怎么设计?

一句话结论

单元化把数据与请求按维度(用户 ID、地域)分片到独立单元,每个单元包含应用、数据库、缓存等完整闭环;请求固定路由到归属单元,读写都在单元内完成,单元间只做异步同步与灾备;单元故障只影响归属分片,流量可按单元整体切换;单元划分规则决定数据归属与迁移方式。

概念解释

  • 单元闭环:应用 + 存储 + 缓存自成一体。
  • 归属维度:用户/地域分片键。
  • 单元间:异步复制与灾备,不跨单元强写。

原理流程

分片键(用户 ID)→ 计算归属单元
  请求进入对应单元 → 本地闭环读写
  单元故障 → 归属流量切到备用单元

代码或图示

单元 A:用户 1~N 数据与服务
 单元 B:用户 N+1~M
  全局只读数据(配置、字典)独立多副本

常见误区

  • 误区:单元化就是多部署几套应用。存储分片与路由归属必须配套,跨单元访问会破坏闭环并放大延迟。
  • 误区:分片键可以随意选。跨分片关联查询、热点分片都会受分片键影响,需按访问模式设计。

追问

  • 问:全局公共数据怎么处理?答:配置、字典等只读数据多副本分发,不走单元归属写入。
  • 问:单元容量不均怎么办?答:分片可重平衡,预留单元冗余,热点分片单独扩容。

09.7.1.5-007 故障切换怎么防止脑裂?

一句话结论

多站/多节点切换要避免双方都认为自己是主并对外写入:通过多数派仲裁或租约保证同一时刻只有一个活跃写入方;切换前先隔离旧主(摘流、 fencing 世代版本);自动切换带确认机制, fencing 旧节点拒绝旧请求;脑裂防护与选主、租约机制一致,见 09.5 章节。

概念解释

  • 仲裁:多数派/选举决定合法主。
  • 隔离:旧主摘流并拒绝写入。
  • fencing:世代版本递增,旧世代请求被拒。

原理流程

故障检测 → 仲裁选出新主/活跃站点
  旧主隔离(摘流 + fencing 旧版本)
  新主对外服务,旧世代写入被拒

代码或图示

防脑裂要点:唯一合法写入方、旧主不可达、fencing 版本校验

常见误区

  • 误区:两个站点互相探测不到就都切换为主。没有多数派仲裁时网络分区会造成双主,必须以仲裁结果为准。
  • 误区:切换只改流量不隔离旧主。旧主若仍能写入存储,会与新主产生双写冲突。

追问

  • 问:fencing 怎么落地?答:存储/接口接受世代版本,旧世代写入拒绝;版本由仲裁服务发放。
  • 问:自动切换还是人工确认?答:关键业务可分级:常规故障自动摘流,数据层切换按预案人工确认。

09.7.1.5-008 完整故障切换流程是什么?

一句话结论

流程:健康检测发现故障 → 告警与定级 → 摘离故障站点/实例流量 → 校验数据追平状态 → 备用/其他站点承接 → 观察指标恢复 → 事后回切或重建;每步有预案、超时与回退动作;切换期间只读保护或降级策略预先定义,避免盲目切流放大故障。

概念解释

  • 检测定级:判断故障范围与严重程度。
  • 摘流:先停止往故障端送流量。
  • 承接观察:新站点水位、错误率、延迟。

原理流程

检测 → 告警 → 摘流 → 数据校验 → 切承接
  → 监控恢复 → 回切/重建 → 复盘

代码或图示

切换检查清单:健康状态、复制延迟、连接预热、容量水位、依赖可用

常见误区

  • 误区:发现故障立刻全量切走。未校验数据追平与承接容量就全切,可能把旧故障复制到新站或压垮承接端。
  • 误区:切换后不观察。承接站点错误率、延迟、下游依赖需要持续观察确认业务真正恢复。

追问

  • 问:回切条件是什么?答:故障端修复、数据追平、预热完成后,按灰度流程逐步回切,不一次性倒回。
  • 问:切换期间写入怎么办?答:预案定义只读、排队或降级,避免写入落在未确认的一端。

09.7.1.5-009 灰度发布按哪些维度分流?

一句话结论

灰度维度包括:用户比例(百分比)、用户 ID 白名单、地域/运营商、设备版本、内部员工先行;规则可组合;分流标识在请求链路中透传,网关/服务据此路由到对应版本;灰度范围从小到大大步扩大,每档观察指标;分流规则稳定,同一用户在灰度期间固定落到同一版本。

概念解释

  • 比例灰度:按流量百分比。
  • 定向灰度:白名单、地域、版本。
  • 标识透传:版本标签贯穿全链路。

原理流程

请求携带用户/设备标识
  灰度规则计算 → 命中灰度 → 新版本
  未命中 → 稳定版本
  标签透传到下游服务

代码或图示

规则示例:内部员工 → 新版本;5% 用户 → 灰度;其余 → 稳定

常见误区

  • 误区:灰度只在入口分流,下游不感知。下游服务仍走稳定版本会造成版本混搭,灰度标签需要全链路透传。
  • 误区:同一用户每次请求随机分配版本。应按标识哈希固定命中,避免体验在两个版本间反复横跳。

追问

  • 问:百分比怎么算均匀?答:按用户 ID 哈希取模,避免按请求顺序导致新老版本集中。
  • 问:灰度和多活切流是什么关系?答:灰度按版本分流,多活按站点分流,两者规则可叠加。

09.7.1.5-010 灰度路由规则怎么实现和生效?

一句话结论

灰度规则配置在网关或服务注册发现层:根据请求标识匹配规则,路由到对应版本实例;实例带版本标签注册;规则变更实时生效并可回退;灰度路由与常规负载均衡配合,先按版本筛选再按健康实例均衡;规则命中优先级明确(白名单 > 定向 > 比例)。

概念解释

  • 版本标签:实例注册时标注版本。
  • 规则匹配:标识 → 目标版本。
  • 动态生效:配置中心更新路由规则。

原理流程

实例注册带 version 标签
  网关/负载均衡:规则选版本 → 该版本健康实例
  规则更新 → 配置推送 → 路由生效

代码或图示

匹配优先级:白名单 > 地域/设备定向 > 比例哈希 > 默认稳定版

常见误区

  • 误区:灰度规则写死在代码里。规则应可配置、可快速回退,发布期频繁调整不能依赖改代码重启。
  • 误区:标签只在入口带。下游调用、消息消费也要传递版本/灰度标识,避免链路版本错乱。

追问

  • 问:配置错误怎么防护?答:规则发布前校验,保留上一版规则,异常时一键回退。
  • 问:灰度实例健康怎么摘?答:版本实例同样纳入健康检查,不健康不承接灰度流量。

09.7.1.5-011 灰度期间怎么验证和回滚?

一句话结论

灰度期间对比灰度与稳定组的关键指标:错误率、延迟、业务成功率、核心转化;指标异常或反馈问题立即回滚流量到稳定版本;新版本数据兼容可回退;验证分档扩大(内部 → 小比例 → 全量),每档达到观察窗口再进下一档;回滚动作比正向发布更重要,必须可快速执行。

概念解释

  • 对比观测:灰度组 vs 稳定组指标。
  • 分档推进:逐步扩大灰度比例。
  • 回滚:流量切回稳定版本,数据兼容兜底。

原理流程

小比例灰度 → 观察指标/反馈
  正常 → 扩大比例
  异常 → 回滚流量到稳定版
  全量后保留回退窗口

代码或图示

核心指标:错误率、P99 延迟、业务成功率、异常日志、业务转化

常见误区

  • 误区:灰度发布后只看页面能不能打开。错误率、延迟、业务链路成功率都要对比,单看可用性会漏掉业务损伤。
  • 误区:回滚只退代码版本。数据库结构或数据变更不兼容时,回滚应用会读不了旧数据,发布前必须考虑兼容。

追问

  • 问:观察窗口多长?答:按业务高峰与请求量定,覆盖典型业务时段,不拍固定分钟数。
  • 问:灰度发现数据问题怎么办?答:立即回滚流量,评估已产生的不兼容数据是否需要修正或补偿。

09.7.1.5-012 蓝绿、金丝雀、滚动发布有什么区别?

一句话结论

蓝绿部署两套环境并行,流量整体在两套间切换,回滚快但资源翻倍;金丝雀(灰度)先让小比例流量到新版本,逐步扩大,风险渐进但需路由能力;滚动发布逐步替换旧实例,资源省但新旧版本长期并存,要求兼容;按风险承受、资源与兼容能力选择。

概念解释

  • 蓝绿:两套完整环境,整体切流。
  • 金丝雀:小比例渐进分流。
  • 滚动:批次替换实例。

原理流程

蓝绿:绿环境就绪 → 流量全切绿 → 异常切回蓝
 金丝雀:1% → 5% → 全量,逐档观察
 滚动:一批实例升级 → 健康后下一批

代码或图示

取舍:回滚速度 / 资源成本 / 新旧并存兼容要求

常见误区

  • 误区:滚动发布不需要版本兼容。滚动期间新旧实例同时服务,接口与数据必须向前兼容,否则请求落到旧实例会出错。
  • 误区:蓝绿一定最安全。整体切换没有渐进观察期,且资源成本高;关键变更仍需先灰度验证。

追问

  • 问:三种方式能组合吗?答:可以,先金丝雀小比例验证,再滚动或蓝绿完成全量替换。
  • 问:滚动批次怎么定?答:按实例规模分批,每批健康检查通过再继续,避免一次性替换全部。

09.7.1.5-013 灰度发布怎么做接口与数据兼容?

一句话结论

接口兼容:新版本不破坏旧客户端/旧实例调用,字段只增不删、语义不变,变更走新增字段或新版本接口;数据兼容:表结构变更可回退,新旧版本都能读写同一数据;消费消息的新旧版本可识别格式;不做不可逆的 schema 变更直到旧版本全部下线。

概念解释

  • 向后兼容:旧调用方能被新服务处理。
  • 数据回退:旧版本能读新版本留下的数据。
  • 消息兼容:格式变更新旧均可解析。

原理流程

接口:新增字段/新接口,旧字段保留
 表结构:先扩展兼容列,双写/迁移后再清理
 消息:格式变更带版本,旧消费者可忽略未知字段

代码或图示

不兼容变更前置条件:旧版本实例与客户端全部下线后再执行清理

常见误区

  • 误区:新版本直接改字段名/删字段。滚动与灰度期间旧实例仍在运行,会导致解析失败。
  • 误区:表结构一步到位改完。不可逆变更(删列、改类型)应在旧版本退役后分阶段执行。

追问

  • 问:双写期怎么校验?答:新旧写入对比对账,确认一致后再切单一写入。
  • 问:客户端版本 fragment 怎么办?答:接口按客户端版本兼容,强依赖新接口的功能在旧版本降级。

09.7.1.5-014 多活下数据库写入冲突怎么规避?

一句话结论

首选单元归属:同一数据只在归属单元写入,其他站点只读,从根源避免双向写冲突;必须跨写时用版本号/乐观锁检测冲突,按规则合并;数据库复制保持单向主从或集群多数派;不允许两个站点同时无约束写同一行;冲突与复制延迟纳入监控。

概念解释

  • 归属写入:单写方规避冲突。
  • 版本检测:乐观锁识别并发变更。
  • 复制拓扑:单向复制为主。

原理流程

写入 → 归属单元数据库
  复制到其他站点(只读)
  跨写请求 → 路由回归属单元或拒绝

代码或图示

冲突防护:分片键归属 + 版本号 + 单向复制拓扑

常见误区

  • 误区:多活就是各站都能写所有表。自由双向写是冲突重灾区,工程上普遍用单元归属收敛写入。
  • 误区:数据库集群复制工具自动处理业务冲突。复制只同步变更,同键并发写的业务语义仍需应用层防护。

追问

  • 问:归属单元不可用时怎么写?答:切到备用单元承接该分片,期间旧单元隔离,恢复后追平回切。
  • 问:全局唯一数据怎么写?答:通过指定中心或仲裁节点写入,多副本只读分发。

09.7.1.5-015 会话、缓存在多活之间怎么处理?

一句话结论

会话状态优先无状态化,凭证集中存储(共享会话/Token),站点本地只保留缓存副本;缓存数据可重建,故障时回源重载;单元归属的缓存随单元闭环,公共缓存多副本分发;跨站点会话不依赖本地内存,否则切流后登录态丢失;缓存一致性按业务容忍度设计。

概念解释

  • 无状态应用:会话不在实例内存。
  • 集中会话:共享存储校验凭证。
  • 缓存可重建:故障回源恢复。

原理流程

登录态 → 共享会话/无状态 Token
  请求任意站点 → 校验集中会话
  缓存 → 单元本地 + 回源重建

代码或图示

避免:实例内存存会话,站点切换后状态丢失

常见误区

  • 误区:多活后用户会话留在本地内存。切到其他站点需要重新登录,体验与故障恢复目标矛盾。
  • 误区:缓存必须跨站强一致。缓存可接受短暂不一致,以数据源重建为准;关键会话数据走集中存储。

追问

  • 问:分布式会话怎么共享?答:会话凭证集中存储或无状态签名 Token,各站点校验,具体方案按技术栈选型。
  • 问:缓存跨单元失效怎么处理?答:本地缓存按 TTL 与失效消息更新,故障时回源重建。

09.7.1.5-016 多活容量怎么预估和预留?

一句话结论

每个单元/站点按承接流量预留冗余:平时承担归属流量,故障时能按预案承接其他单元的一部分;容量规划考虑站点故障场景下的分流比例,而非只按平时峰值;应用、数据库、缓存、下游依赖分别评估冗余;定期压测单站承接能力,预留扩容空间;容量水位纳入切流决策依据。

概念解释(估算式)

单站平时流量 = 归属份额
  故障承接 = 缺失单元流量按预案分配
  单站容量 ≥ 平时流量 × 冗余系数 + 可承接溢出

原理流程

预估总流量 → 按单元分片
  压测单站极限水位
  预留冗余承接能力
  切流时按各站剩余容量分配

代码或图示

冗余覆盖:应用实例、数据库连接、缓存内存、带宽、下游配额

常见误区

  • 误区:各站点刚好跑满平时流量。故障摘流后没有余量承接溢出,会导致二次雪崩。
  • 误区:只评估应用容量。数据库连接、缓存、下游接口配额同样有上限,容量规划要覆盖全链路。

追问

  • 问:冗余留多少?答:按容灾等级与压测水位定,关键业务预留可承接一个故障单元的能力。
  • 问:容量不均怎么发现?答:监控各单元水位与分片分布,定期重平衡。

09.7.1.5-017 多活和发布怎么做故障演练?

一句话结论

定期演练:注入实例/站点故障、网络延迟、复制中断,验证检测、摘流、承接、回切流程;灰度演练小比例流量异常回滚;演练记录 RTO/RPO 实测值与暴露问题;预案随架构变更更新;演练在受控环境或低风险时段进行,有中止与回退条件。

概念解释

  • 故障注入:模拟实例、站点、网络、依赖故障。
  • 流程验证:检测 → 切换 → 恢复全链路。
  • 指标实测:真实 RTO/RPO、承接水位。

原理流程

演练预案 → 受控注入故障
  观察检测与自动/手动切换
  记录耗时与数据状态
  恢复 → 复盘改进预案

代码或图示

演练场景:单实例宕机、站点摘流、复制延迟、灰度回滚、缓存故障

常见误区

  • 误区:只在架构文档里写多活能力。不演练,故障时切换流程、容量余量、数据追平均未经验证。
  • 误区:演练不设中止条件。故障失控时必须能快速回退到稳定状态,避免演练变成真实事故。

追问

  • 问:演练频率怎么定?答:按业务重要性与架构变更节奏定期进行,变更后补充针对性演练。
  • 问:演练后复盘什么?答:检测耗时、切换步骤卡点、承接水位、数据一致性、预案缺口并整改。

09.7.1.5-018 多活与灰度落地 checklist 包含哪些点?

一句话结论

核对:RTO/RPO 目标明确、部署形态与数据复制拓扑确定、流量调度分层可摘流、单元归属闭环与分片规则、脑裂仲裁与 fencing、切换流程有数据校验与回退、灰度维度与标签全链路透传、兼容接口与可回退数据变更、会话无状态化、容量按故障场景预留、故障演练与回滚预案齐备。

概念解释

  • 容灾:形态、复制、调度、仲裁、切换。
  • 发布:灰度规则、观测、兼容、回滚。
  • 保障:容量、演练、监控、预案。

原理流程

定容灾目标 → 架构与复制 → 单元分片
  → 流量调度与仲裁 → 切换预案
  → 灰度规则与兼容 → 容量预留 → 演练验证

代码或图示

上线前检查:
  [ ] 同一数据有唯一合法写入方,脑裂有仲裁防护
  [ ] 站点摘流经过健康与容量校验,可分批回退
  [ ] 灰度标签全链路透传,规则可配置可回滚
  [ ] 接口/表结构向前兼容,旧版本未退役不做不可逆变更
  [ ] 会话不依赖实例内存,缓存可回源重建
  [ ] 各站预留故障承接容量,切换与回滚经过演练

常见误区

  • 误区: checklist 只覆盖正常双活运行。站点故障、网络分区、复制中断、灰度异常回滚、旧版本并存都要纳入验证。
  • 误区:配置参数与复制行为凭经验写。中间件版本能力、复制延迟、切换超时以官方文档与实测为准,未确认项标注待确认与验证点。

追问

  • 问:怎么验证多活真能切?答:演练中摘离一个站点,观察归属流量是否按预案切换、数据是否追平、承接站水位是否可控。
  • 问:上线后盯什么?答:站点健康与复制延迟、各单元容量水位、灰度组对比指标、切换触发记录与演练覆盖率。