微服务架构 | 超时管理

LSA 级别与全年停机时间速查表

计算公式：60 * 60 * 24 * 365 * (1-LSA) = 31,536,000‬ * (1-LSA)

系统级别	LSA级别	全年停机时间
0+	99.999%	5分钟
0	99.99%	52分钟
1	99.9%	8.8小时
2	99%	3.65 天

LSA 级别实战

0+ 级系统是目前业界的普遍努力方向，已有实现了 99.995% 的案例
0 级系统是 涉及核心资金交易的基础服务，需要不间断运行，长时间不可用可能影响名誉、品牌、战略等
1 级系统是 不涉及资金的核心基础服务，需要不间断运行，长时间不可用会影响用户使用产品的核心功能或用户体验
2 级系统是 其他服务、内部服务，长时间不可用只会影响服务自身，或不会对用户产生影响

TP 性能

常见的 TP 性能有 TP99、TP999、TP9999
TP 性能是指，一段时间内，满足 99%、99.9%、99.99% 忘了请求的最小时间。
即：某次统计，服务的 TP99 = 100ms，则意味着 此服务 99% 的网络请求可以在 100 ms 的时间内完成响应。
通常计算方式为，统计单位时间内的所有请求，按其相应时间进行排序，计算处于 x 位置的请求，返回其相应时间，如下图

TP 时间在统计时：

• 忽略异常毛刺，毛刺大概率是偶发现象，比如网络抖动等，不能用来说明问题
• 通常从压测数据来，一般使用分钟级压测数据进行统计
• 通常使用调用方视角，而非服务方视角进行统计

超时时间设计原则

• 基于服务所属系统级别设置
• 基于系统对应的 TP 性能设置
• 符合全链路超时漏斗

常见超时时间设置公式

系统级别	超时计算
99.99%	TP9999 * 1.2 + 50ms
99.9%	TP999 * 1.2 + 50ms
99%	TP99 * 1.2 + 50ms

• 1.2 可以认为是一个 波动系数，通常相对稳定的系统可以稍小，反之可以稍大
• 50ms 是为 GC 准备的时间，通常一次 GC 需要 20-50ms
• 这两个数值常基于对生产环境、准生产环境的监控或压测，若 充分压测，可以认为对应的 TP 性能就是考虑了波动的数值，因此 可以忽略波动系数
• 这两个数值也可以基于架构师团队的预测和调整

超时漏斗

超时漏斗如上图所示：服务 A 调用服务 B，超时时间 A > 超时时间 B

超时漏斗意义/不满足时的问题
首先可以将一个服务的超时时间可以理解为：服务处理单个请求时，承诺的占用系统资源的最大时间
对于一个请求，若如上图所示调用关系，上游服务应该持有系统资源更长时间，才能完整的收到下游服务的反馈
不满足超时漏斗可能导致两个问题

• 资源占用上升：
  • 满足漏斗：请求到达服务 B，B 会开辟响应的资源，直到下游返回，服务处理完成，或达到超时时间释放
  • 违反漏斗：服务 B 一定等到超时时间再释放（实际处理时间从 ≤ 变为 =超时时间），增加资源占用
• 降级不可靠：
  • 满足漏斗：得到基础服务的返回或降级，并继续处理
  • 违反漏斗：没得到基础服务的返回或降级，最后按服务 B 的降级返回