前言
系统高可用是非常经典的问题，无论在面试，还是实际工作中，都经常会遇到。
这篇文章跟大家一起聊聊，保证系统高可用的10个小技巧，希望对你会有所帮助。
1 冗余部署
场景：某电商大促期间，数据库主节点突然宕机，导致全站交易瘫痪。
问题：单节点部署的系统，一旦关键组件（如数据库、消息队列）故障，业务直接归零。
解决方案：通过主从复制、集群化部署实现冗余。例如MySQL主从同步，Redis Sentinel哨兵机制。
MySQL主从配置如下：
-- 主库配置
CHANGE MASTER TO
MASTER_HOST='master_host',
MASTER_USER='replica_user',
MASTER_PASSWORD='password',
MASTER_LOG_FILE='mysql-bin.000001',
MASTER_LOG_POS=154;-- 从库启动复制
START SLAVE;
效果：主库宕机时，从库自动切换为可读写状态，业务无感知。
2 服务熔断
场景：支付服务响应延迟，导致订单服务线程池耗尽，引发连锁故障。
问题：服务依赖链中某个环节异常，会像多米诺骨牌一样拖垮整个系统。
解决方案：引入熔断器模式，例如Hystrix或Resilience4j。
Resilience4j熔断配置如下：
CircuitBreakerConfig config = CircuitBreakerConfig.custom().failureRateThreshold(50) // 失败率超过50%触发熔断.waitDurationInOpenState(Duration.ofMillis(1000)).build();
CircuitBreaker circuitBreaker = CircuitBreaker.of("paymentService", config);// 调用支付服务
Supplier<String> supplier = () -> paymentService.call();
Supplier<String> decoratedSupplier = CircuitBreaker.decorateSupplier(circuitBreaker, supplier);
效果：当支付服务失败率飙升时，自动熔断并返回降级结果（如“系统繁忙，稍后重试”）。
3 流量削峰
场景：秒杀活动开始瞬间，10万QPS直接击穿数据库连接池。
问题：突发流量超过系统处理能力，导致资源耗尽。
解决方案：引入消息队列（如Kafka、RocketMQ）做异步缓冲。
用户下单的系统流程图如下：
RocketMQ生产者的示例代码：
DefaultMQProducer producer = new DefaultMQProducer("seckill_producer");
producer.setNamesrvAddr("127.0.0.1:9876");
producer.start();
Message msg = new Message("seckill_topic", "订单数据".getBytes());
producer.send(msg);
效果：将瞬时10万QPS的请求平滑处理为数据库可承受的2000 TPS。
4 动态扩容
场景：日常流量100台服务器足够，但大促时需要快速扩容到500台。
问题：固定资源无法应对业务波动，手动扩容效率低下。
解决方案：基于Kubernetes的HPA（Horizontal Pod Autoscaler）。
K8s HPA 的配置如下：
apiVersion: autoscaling/v2
kind: HorizontalPodAutoscaler
metadata:name: order-service-hpa
spec:scaleTargetRef:apiVersion: apps/v1kind: Deploymentname: order-serviceminReplicas: 2maxReplicas: 10metrics:- type: Resourceresource:name: cputarget:type: UtilizationaverageUtilization: 60
效果：CPU利用率超过60%时自动扩容，低于30%时自动缩容。
5 灰度发布
场景：新版本代码存在内存泄漏，全量发布导致线上服务崩溃。
问题：一次性全量发布风险极高，可能引发全局故障。
解决方案：基于流量比例的灰度发布策略。
Istio流量染色配置如下：
apiVersion: networking.istio.io/v1alpha3
kind: VirtualService
metadata:name: bookinfo
spec:hosts:- bookinfo.comhttp:- route:- destination:host: reviewssubset: v1weight: 90 # 90%流量走老版本- destination:host: reviewssubset: v2weight: 10 # 10%流量走新版本
效果：新版本异常时，仅影响10%的用户，快速回滚无压力。
6 降级开关
场景：推荐服务超时导致商品详情页加载时间从200ms飙升到5秒。
问题：非核心功能异常影响核心链路用户体验。
解决方案：配置中心增加降级开关，如果遇到紧急情况，能 动态降级非关键服务。
Apollo配置中心的示例代码如下：
@ApolloConfig
private Config config;public ProductDetail getDetail(String productId) {if(config.getBooleanProperty("recommend.switch", true)) {// 调用推荐服务}// 返回基础商品信息
}
效果：关闭推荐服务后，详情页响应时间恢复至200ms以内。
7 全链路压测
场景：某金融系统在真实流量下暴露出数据库死锁问题。
问题：测试环境无法模拟真实流量特征，线上隐患难以发现。
解决方案：基于流量录制的全链路压测。
实施步骤：
- 线上流量录制（如Jmeter+TCPCopy）
- 影子库隔离（压测数据写入隔离存储）
- 压测数据脱敏
- 执行压测并监控系统瓶颈
效果：提前发现数据库连接池不足、缓存穿透等问题。
8 数据分片
场景：用户表达到10亿行，查询性能断崖式下降。
问题：单库单表成为性能瓶颈。
解决方案：基于ShardingSphere的分库分表。
分库分表的配置如下：
sharding:tables:user:actualDataNodes: ds_${0..1}.user_${0..15}tableStrategy:standard:shardingColumn: user_idpreciseAlgorithmClassName: HashModShardingAlgorithmpreciseAlgorithmType: HASH_MODshardingCount: 16
效果：10亿数据分散到16个物理表，查询性能提升20倍。
9 混沌工程
场景：某次机房网络抖动导致服务不可用3小时。
问题：系统健壮性不足，故障恢复能力弱。
解决方案：使用ChaosBlade模拟故障。
示例命令：
# 模拟网络延迟
blade create network delay --time 3000 --interface eth0# 模拟数据库节点宕机
blade create docker kill --container-id mysql-node-1
效果：提前发现缓存穿透导致DB负载过高的问题，优化缓存击穿防护策略。
10 立体化监控
场景：磁盘IOPS突增导致订单超时，但运维人员2小时后才发现。
问题：监控维度单一，无法快速定位根因。
解决方案：构建Metrics-Log-Trace三位一体监控体系。
技术栈组合：
- Metrics：Prometheus + Grafana（资源指标）
- Log：ELK（日志分析）
- Trace：SkyWalking（调用链追踪）
定位问题流程如下 ：
CPU利用率 > 80% → 关联日志检索 → 定位到GC频繁 →
追踪调用链 → 发现某个DAO层SQL未走索引
效果：故障定位时间从小时级缩短到分钟级。
总结
系统高可用建设就像打造一艘远洋巨轮。
冗余部署是双发动机，熔断降级是救生艇，监控体系是雷达系统。
但真正的关键在于：
- 故障预防比故障处理更重要（如混沌工程）
- 自动化是应对复杂性的唯一出路（如K8s弹性扩缩）
- 数据驱动的优化才是王道（全链路压测+立体监控）
没有100%可用的系统，但通过这10个实战技巧，我们可以让系统的可用性从99%提升到99.99%。
这0.99%的提升，可能意味着每年减少8小时的故障时间——而这，正是架构师价值的体现。
最后说一句(求关注，别白嫖我)
如果这篇文章对您有所帮助，或者有所启发的话，帮忙关注一下我的同名公众号：苏三说技术，我的所有文章都会在公众号上首发，您的支持是我坚持写作最大的动力。
求一键三连：点赞、转发、在看。
关注公众号：【苏三说技术】，在公众号中回复：进大厂，可以免费获取我最近整理的10万字的面试宝典，好多小伙伴靠这个宝典拿到了多家大厂的offer。
