到达率99.9%（闲鱼消息在高速上换引擎（集大成）） javascriptsass

简介：记录这一年闲鱼消息的优化之路

背景

======
在2020年年初的时候接手了闲鱼的消息，当时的消息存在各种问题，网上的舆情也是接连不断：“闲鱼消息经常丢失”、“消息用户头像乱了”、“订单状态不对”（相信现在看文章的你还在吐槽闲鱼的消息）。所以闲鱼的稳定性是一个亟待解决的问题，我们调研了集团的一些解决方案，例如钉钉的IMPass。直接迁移的成本和风险都是比较大，包括服务端数据需要双写、新老版本兼容等。
那基于闲鱼现有的消息架构和体系，如何来保证它的稳定性？治理应该从哪里开始？现在闲鱼的稳定性是什么样的？如何衡量稳定性？希望这篇文章，能让大家看到一个不一样的闲鱼消息。

行业方案

========
消息的投递链路大致分为三步：发送者发送，服务端接收然后落库，服务端通知接收端。特别是移动端的网络环境比较复杂，可能你发着消息，网络突然断掉了；可能消息正在发送中，网络突然好了，需要重发。

文章图片

在如此复杂的网络环境下，是如何稳定可靠的进行消息投递的？对发送者来说，它不知道消息是否有送达，要想做到确定送达，就需要加一个响应机制，类似下面的响应逻辑：

发送者发送了一条消息“Hello”，进入等待状态。
接收者收到这条消息“Hello”，然后告诉发送者说我已经收到这条消息了的确认信息。
发送者接收到确认信息后，这个流程就算完成了，否则会重试。

上面流程看似简单，关键是中间有个服务端转发过程，问题就在于谁来回这个确认信息，什么时候回这个确认信息。网上查到比较多的是如下一个必达模型，如下图所示：

文章图片

文章图片

[发送流程]

A向IM-server发送一个消息请求包，即msg:R1
IM-server在成功处理后，回复A一个消息响应包，即msg:A1
如果此时B在线，则IM-server主动向B发送一个消息通知包，即msg:N1（当然，如果B不在线，则消息会存储离线）

[接收流程]

B向IM-server发送一个ack请求包，即ack:R2
IM-server在成功处理后，回复B一个ack响应包，即ack:A2
则IM-server主动向A发送一个ack通知包，即ack:N2

一个可信的消息送达系统就是靠的6条报文来保证的，有这个投递模型来决定消息的必达，中间任何一个环节出错，都可以基于这个request-ack机制来判定是否出错并重试。看下在第4.2章中，也是参考了上面这个模型，客户端发送的逻辑是直接基于http的所以暂时不用做重试，主要是在服务端往客户端推送的时候，会加上重试的逻辑。

闲鱼消息的问题

===========
刚接手闲鱼消息，没有稳定相关的数据，所以第一步还是要对闲鱼消息做一个系统的排查，首先对消息做了全链路埋点。

文章图片

基于消息的整个链路，我们梳理出来了几个关键的指标：发送成功率、消息到达率、客户端落库率。整个数据的统计都是基于埋点来做的。在埋点的过程总，发现了一个很大的问题：闲鱼的消息没有一个全局唯一的ID，导致在全链路埋点的过程中，无法唯一确定这条消息的生命周期。
3.1 消息唯一性问题

文章图片

之前闲鱼的消息是通过3个变量来唯一确定一个消息

SessionID: 当前会话的ID
SeqID：用户当前本地发送的消息序号，服务端是不关心此数据，完全是透传
Version：这个比较重要，是消息在当前会话中的序号，已服务端为准，但是客户端也会生成一个假的version

以上图为例，当A和B同时发送消息的时候，都会在本地生成如上几个关键信息，当A发送的消息（黄色）首先到达服务端，因为前面没有其他version的消息，所以会将原数据返回给A，客户端A接收到消息的时候，再跟本地的消息做合并，只会保留一条消息。同时服务端也会将此消息发送给B，因为B本地也有一个version=1的消息，所以服务端过来的消息就会被过滤掉，这就出现消息丢失的问题。
当B发送消息到达服务端后，因为已经有version=1的消息，所以服务端会将B的消息version递增，此时消息的version=2。这条消息发送给A，和本地消息可以正常合并。但是当此消息返回给B的时候，和本地的消息合并，会出现2条一样的消息，出现消息重复，这也是为什么闲鱼之前总是出现消息丢失和消息重复最主要的原因。
3.2 消息推送逻辑问题
之前闲鱼的消息的推送逻辑也存在很大的问题，发送端使用http请求，发送消息内容，基本不会出问题，问题是出现在服务端给另外一端推送的时候。如下图所示，

文章图片

服务端在给客户端推送的时候，会先判断此时客户端是否在线，如果在线才会推送，如果不在线就会推离线消息。这个做法就非常的简单粗暴。长连接的状态如果不稳定，导致客户端真实状态和服务端的存储状态不一致，就导致消息不会推送到端上。
3.3 客户端逻辑问题
除了以上跟服务端有关系外，还有一类问题是客户端本身设计的问题，可以归结为以下几种情况：

多线程问题

反馈消息列表页面会出现布局错乱，本地数据还没有完全初始化好，就开始渲染界面

未读数和小红点的计数不准确

本地的显示数据和数据库存储的不一致。

消息合并问题

本地在合并消息的时候，是分段合并的，不能保证消息的连续性和唯一性。
诸如以上的几种情况，我们首先是对客户端的代码做了梳理与重构，架构如下图所示：

文章图片

我们的解法 - 引擎升级

================
进行治理的第一步就是，解决闲鱼消息的唯一性的问题。我们也调研了钉钉的方案，钉钉是服务端全局维护消息的唯一ID，考虑到闲鱼消息的历史包袱，我们这边采用UUID作为消息的唯一ID，这样就可以在消息链路埋点以及去重上得到很大的改善。
4.1 消息唯一性
在新版本的APP上面，客户端会生成一个uuid，对于老版本无法生成的情况，服务端也会补充上相关信息。

文章图片

消息的ID类似a1a3ffa118834033ac7a8b8353b7c6d9，客户端在接收到消息后，会先根据MessageID来去重，然后基于Timestamp排序就可以了，虽然客户端的时间可能不一样，但是重复的概率还是比较小。

- (void)combileMessages:(NSArray*)messages { ...// 1. 根据消息MessageId进行去重 NSMutableDictionary *messageMaps = [self containerMessageMap]; for (PMessage *message in msgs) { [messageMaps setObject:message forKey:message.messageId]; }// 2. 消息合并后排序 NSMutableArray *tempMsgs = [NSMutableArray array]; [tempMsgs addObjectsFromArray:messageMaps.allValues]; [tempMsgs sortUsingComparator:^NSComparisonResult(PMessage * _Nonnull obj1, PMessage * _Nonnull obj2) { // 根据消息的timestamp进行排序 return obj1.timestamp > obj2.timestamp; }]; ... }

4.2 重发重连

文章图片

基于#2中的重发重连模型，闲鱼完善了服务端的重发的逻辑，客户端完善了重连的逻辑。

客户端会定时检测ACCS长连接是否联通
服务端会检测设备是否在线，如果在线会推送消息，并会有超时等待
客户端接收到消息之后，会返回一个Ack

已经有小伙伴发表了一篇文章：《向消息延迟说bybye：闲鱼消息及时到达方案（详细）》，讲解了下关于网络不稳定给闲鱼消息带来的问题，在这里就不多赘述了。
4.3 数据同步
重发重连是解决的基础网络层的问题，接下来就要看下业务层的问题，很多复杂情况是通过在业务层增加兼容代码来解决的，闲鱼消息的数据同步就是一个很典型的场景。在完善数据同步的逻辑之前，我们也调研过钉钉的一整套数据同步方案，他们主要是由服务端来保证的，背后有一个稳定的长连接保证，大致流程如下：

文章图片

闲鱼的服务端暂时还没有这种能力，原因详见4.5的服务端存储模型。所以闲鱼这边只能从客户端来控制数据同步的逻辑，数据同步的方式包括：拉取会话、拉取消息、推送消息等。因为涉及到的场景比较复杂，之前有个场景就是推送会触发增量同步，如果推送过多的话，会同时触发多次网络请求，为了解决这个问题，我们也做了相关的推拉队列隔离。

文章图片

客户端控制的策略就是如果在拉取的话，会先将push过来的消息加到缓存队列里面，等拉取的结果回来，会再跟本地缓存的逻辑做合并，这样就可以避免多次网络请求的问题。之前同事已经写了一篇关于推拉流控制的逻辑，《如何有效缩短闲鱼消息处理时长》，这里也不过多赘述了。
4.4 客户端模型
客户端在数据组织形式上，主要分2中：会话和消息，会话又分为虚拟节点、会话节点和文件夹节点。

文章图片

在客户端会构建上图一样的树，这棵树主要保存的是会话显示的相关信息，比如未读数、红点以及最新消息摘要，子节点更新，会顺带更新到父节点，构建树的过程也是已读和未读数更新的过程。其中比较复杂的场景是闲鱼情报社，这个其实是一个文件夹节点，它包含了很多个子的会话，这就决定了他的消息排序、红点计数以及消息摘要的更新逻辑会更复杂，服务端告知客户端子会话的列表，然后客户端再去拼接这些数据模型。
4.5 服务端存储模型

文章图片

在4.3中大概讲了客户端的请求逻辑，历史消息会分为增量和全量域同步。这个域其实是服务端的一层概念，本质上就是用户消息的一层缓存，消息过来之后会暂存在缓存中，加速消息读取。但是这个设计也存在一个缺陷，就是域环是有长度的，最多保存256条，当用户的消息数多于256条，只能从数据库中读取。
关于服务端的存储方式，我们也调研过钉钉的方案，是写扩散，优点就是可以很好地对每位用户的消息做定制化，比如钉的逻辑，缺点就是存储量很很大。闲鱼的这套解决方案，应该是介于读扩散和写扩散之间的一种解决方案。这个设计方式不仅使客户端逻辑复杂，服务端的数据读取速度也会比较慢，后续这块也可以做优化。

我们的解法 - 质量监控

================
在做客户端和服务端的全链路改造的同时，我们也对消息线上的行为做了监控和排查的逻辑。
5.1 全链路排查

文章图片

全链路排查是基于用户的实时行为日志，客户端的埋点通过集团实时处理引擎Flink，将数据清洗到SLS里面，用户的行为包括了消息引擎对消息的处理、用户的点击/访问页面的行为、以及用户的网络请求。服务端测会有一些长连接推送以及重试的日志，也会清洗到SLS，这样就组成了从服务端到客户端全链路的排查的方案，详情请参考《消息质量平台系列文章|全链路排查篇》。
5.2 对账系统
当然为了验证消息的准确性，我们还做了对账系统。

文章图片

在用户离开会话的时候，我们会统计当前会话一定数量的消息，生成一个md5的校验码，上报到服务端。服务端拿到这个校验码之后再判定是否消息是正确的，经过抽样数据验证，消息的准确性基本都在99.99%。
6 核心数据指标我们在统计消息的关键指标的时候，遇到点问题，之前我们是用用户埋点来统计的，发现会有3%~5%的数据差；所以后来我们采用抽样实时上报的数据来计算数据指标。
消息到达率=客户端实际收到的消息量/客户端应该收到的消息量
客户端实际收到的消息的定义为消息落库才算是
该指标不区分离线在线，取用户当日最后一次更新设备时间，理论上当天且在此时间之前下发的消息都应该收到。