tags, create time
| tags | create time | ||||||
|---|---|---|---|---|---|---|---|
|
2026-05-05 |
容错模式
概述
微服务最大的挑战是 网络不可靠。分布式系统的每个远程调用都可能超时、被拒绝、或部分成功。必须提前设计降级和恢复策略。
graph TB
A["🛡️ 超时控制"] --> B["⏱ 重试机制"]
B --> C["⚡ 熔断器"]
C --> D["🔀 限流"]
D --> E["🧱 舱壁隔离"]
E --> F["💤 降级策略"]
[!warning] 核心认知 不要假设任何网络调用会成功。每个远程调用的代码都应该考虑失败路径。
1. 超时控制
这是所有容错机制的前提——没有超时的系统迟早会被拖垮。
// Go context 超时时序图
ctx, cancel := context.WithTimeout(context.Background(), 3*time.Second)
defer cancel()
resp, err := client.DoRequest(ctx, req)
if err == context.DeadlineExceeded {
// 上游超时 → 走降级逻辑或快速返回错误
}
| 层级 | 推荐超时值 | 说明 |
|---|---|---|
| HTTP 客户端 → 业务服务 | 3~5s | 留有余量给下游 |
| gRPC → 内部服务 | 1~2s | 内网延迟低 |
| DB 查询 | 500ms~1s | 长查询应在 SQL 层限制 |
[!tip] 超时传递原则 如果整体 SLA 要求 P99 < 200ms，子调用的超时时间必须逐层递减。例如：网关 200ms → 订单服务 150ms → 库存服务 80ms。
2. 重试机制
[!warning] 关键原则 只对 幂等操作 重试！POST 创建操作直接重试会导致重复数据。GET、PUT（同参数）适合重试。
指数退避 + Jitter
第 1 次重试：等待 1s + random(0~100ms)
第 2 次重试：等待 2s + random(0~100ms)
第 3 次重试：等待 4s + random(0~100ms)
...
func retryWithBackoff(ctx context.Context, maxRetries int, fn func() error) error {
for attempt := uint(0); attempt <= uint(maxRetries); attempt++ {
if err := fn(); err != nil {
if attempt == uint(maxRetries) {
return err
}
// jitter: 随机偏移，避免所有客户端同时重试造成二次冲击
jitter := time.Duration(rand.Int63n(int64(time.Millisecond * 100)))
wait := time.Duration(math.Pow(2, float64(attempt)))*time.Second + jitter
select {
case <-ctx.Done():
return ctx.Err()
case <-time.After(wait):
}
} else {
return nil
}
}
return nil
}
Jitter 为什么重要？
- 如果没有随机偏移，当某个下游服务挂掉时，所有客户端会在同一时刻同时重试
- 这会造成 retry storm（重试风暴），对恢复中的服务施加二次冲击
- 加上 jitter 后，请求均匀分散到时间窗口内
可重试 vs 不可重试的错误类型
| 可以重试 | 不应重试 |
|---|---|
| 连接超时 | 4xx Client Error（除 429） |
| 连接重置 | 404 Not Found |
| 502/503/504 Gateway Error | 业务错误（如余额不足） |
| 并发冲突（乐观锁失败） | 403 Forbidden |
3. 熔断器 (Circuit Breaker)
当下游服务频繁失败时，快速失败避免线程堆积雪崩。
flowchart TD
CB{{🔘 CIRCUIT BREAKER}}
subgraph CL ["CLOSED — 正常"]
C["请求放行<br/>⏱ 实时统计成功率<br/>⚠️ 连续失败 → 熔断"]
end
subgraph OP ["OPEN — 熔断"]
O["🚫 请求短路<br/>💥 直接返回降级响应<br/>🛡 不调下游，防雪崩"]
end
subgraph HO ["HALF-OPEN — 探测"]
H["🔍 放行少量探测请求<br/>✅ 成功 → 恢复全量流量<br/>❌ 失败 → 重新熔断"]
end
CB --> CL
CL -.->|失败 > N| OP
OP -.->|等待超时| HO
HO -->|探测成功| CL
HO -->|探测失败| OP
style CL fill:#e6f9e6,stroke:#4caf50,stroke-width:3px,color:#000
style OP fill:#ffebee,stroke:#ef5350,stroke-width:3px,color:#000
style HO fill:#fff8e1,stroke:#ffa726,stroke-width:3px,color:#000
状态转换条件
| 状态 | 触发条件 | 行为 | 退出条件 |
|---|---|---|---|
| Closed | 初始状态 / 从 Half-Open 恢复 | 正常放行请求 | 连续失败数 > threshold → 打开 |
| Open | 失败率超过阈值 | 立即短路返回错误 | 等待 recoveryTimeout → 进入半开 |
| Half-Open | 探测期 | 放少量请求测试 | 探测成功 → Closed；探测失败 → Open |
实战示例
// gobreaker 示例
cb := state.NewCB(state.Settings{
Name: "UserService",
MaxElems: 10, // 窗口大小
WaitRetry: 5 * time.Second, // Open → Half-Open 等待时间
ReadyToTrip: func(counts state.Counters) bool {
return counts.Failures > 5 // 连续 5 次失败熔断
},
})
result := cb.Execute(doRequest)
if result.Err != nil {
// 熔断打开，立即短路返回错误，不调用下游
return fallbackResponse()
}
4. 限流 (Rate Limiting)
保护下游服务不被过量请求压垮。
常见算法
flowchart LR
subgraph "令牌桶"
T1["匀速添加令牌"]
T2["请求消耗令牌"]
T3["不够则拒绝"]
end
subgraph "滑动窗口"
S1["按时间片切分"]
S2["统计每片请求数"]
S3["超过阈值则拒绝"]
end
| 算法 | 特点 | 适用场景 |
|---|---|---|
| 固定窗口 | 简单实现，存在边界突发问题 | 低频场景 |
| 滑动窗口 | 精确控制，内存占用高 | 需要精细限流的场景 |
| 令牌桶 | 允许一定突发，平均速率受限 | API 网关通用方案 |
| 漏桶 | 强制匀速输出，不允突发 | 防止下游被打满 |
限流层级
graph TB
Client["客户端"] --> GW["L1: 网关级限流<br/>防刷 / DDOS"]
GW --> Biz["L2: 业务级限流<br/>按用户/接口配额"]
Biz --> Downstream["L3: 下游服务限流<br/>保护实例不被打满"]
style GW fill:#ffebee
style Biz fill:#fff3e0
style Downstream fill:#e8f5e9
5. 舱壁隔离 (Bulkhead)
为不同下游服务分配独立的线程池/连接池，防止一个服务的故障蔓延到其他服务。
graph TB
Caller["调用方"]
subgraph Bulkhead["舱壁隔离"]
Pool1[订单池<br/>maxActive=10]
Pool2[用户池<br/>maxActive=5]
Pool3[支付池<br/>maxActive=8]
end
Caller --> Pool1
Caller --> Pool2
Caller --> Pool3
Pool1 --> OrderSvc[[Order Service]]
Pool2 --> UserSvc[[User Service]]
Pool3 --> PaySvc[[Payment Service]]
note[订单服务爆满不会影响用户服务的调用]
Pool1 -.-> note
// poolgroup 示例：为不同服务隔离连接池
orderPool := pool.New(10, 100) // 活跃10个，上限100个
userPool := pool.New(5, 50)
payPool := pool.New(8, 80)
// 订单服务占满连接不会影响用户服务的调用
6. 降级策略
当系统部分不可用时，通过降级保证核心功能可用。
flowchart TD
Req["用户请求"]
Req --> Normal{"正常链路是否可用?"}
Normal -- 是 --> Full["完整功能 ✅"]
Normal -- 否 --> Degrade{"降级级别?"}
Degrade -- "非核心模块" --> Skip["跳过该功能 ⚡"]
Degrade -- "核心模块不可用" --> Cache["返回缓存兜底 📦"]
Cache -- "无缓存" --> Default["返回默认值/提示页"]
Skip --> Partial["部分可用 ✅"]
Default --> Minimal["最低可用 ✅"]
常见降级场景
| 场景 | 降级方案 | 影响 |
|---|---|---|
| 推荐服务挂了 | 展示热门榜单 / 空 | 用户体验略降 |
| 评论服务挂了 | 隐藏评论区 | 不影响购买流程 |
| 搜索服务超时 | 返回最近浏览记录 | 降低用户感知 |
| 库存服务不可用 | 显示"暂时无法确认库存" | 引导用户稍后再试 |
7. 健康检查
sequenceDiagram
participant LB as 负载均衡器/K8s
participant S1 as 服务实例 A
participant S2 as 服务实例 B
LB->>S1: GET /healthz -> 200 OK
LB->>S2: GET /healthz -> 503 ERROR
Note over LB: 标记 S2 不健康，剔除出池
LB->>S2: GET /healthz -> 200 OK
Note over LB: 逐步恢复，重新加入池
- 存活探针 (Liveness)：判断"进程是否还活着"，挂了则重启
- 就绪探针 (Readiness)：判断"是否能接收流量"，未就绪则剔除负载均衡池
- Readiness 比 Liveness 更重要——一个进程活着但数据库连接耗尽时，应该停止接收流量而不是重启
关联笔记
- 02-服务治理/API网关/README — 网关层的限流和熔断插件
- 02-服务治理/服务发现/README — 健康检查是服务发现的基础
- 04-可观测性/Metrics监控/README — 熔断器的指标暴露和告警联动