分享一例有意思的灰度设计缺陷浅谈灰度球王会方案的设计

　　球王会灰度很重要，灰度的策略也需要结合实际情况进行灵活的调整，本文跟大家分享了一个前些时间发现的灰度设计bug。

　　跟大家分享一个前些时间发现的灰度设计bug，这个bug蛮有意思，看似完美方案，但因为未考虑到一些技术特性，导致存在缺陷。为更通顺的说明，先进行一些名词介绍。

　　灰度发布：灰度发布是指在黑与白之间，能够平滑过渡的一种方式。AB-test就是一种灰度发布方式，让一部分用户继续用A，一部分用户开始用B，如果用户对B没有什么反对意见，那么逐步扩大范围，把所有用户都迁移到B上面来。灰度发布可以保证整体系统的稳定，在初始灰度的时候就可以发现、调整问题，以保证其影响度。（引用Wiki百科）

　　安全生产环境：（简称SPE）为保障线上稳定性提供灰度流量生产环境。发布从预发到生产环境前，需要经过SPE进行流量验证。

　　同一个应用，需要消费同一个topic消息两次，因不同环境的配置不一致，导致消息存在消费遗漏。

　　需求的主要修改的点是将历史各异的结算模型改成统一结算模型，新老模型相差较大。在notify消息的处理上，原本是想在同一个consumer处理类中改写，但成本较大，且考虑到老模型后续是需要下线的，从代码整洁的角度出现，新写了一个消息处理类，使用另一个group组订阅，最终的结果就是同一个topic消息会被两个group组订阅，并由两个consumer类去消费。

　　原灰度方案如下：设定一个时间作为灰度生效时间，再通过消息中买家的尾号作为切流条件。当一个消息被接收时，会先判断当前时间是否大于灰度时间，若满足大于灰度时间的条件球王会，则判断买家尾号是否在灰度切流范围中，均满足时，走新的结算流程。若两个条件有一个条件不满足，则走老结算流程。

　　上述方案，一般而言，是一个很不错也很完备的方案，但结合本次结算模型迁移的背景，则存在一个缺陷。缺陷的由来即是“双消息”。那么双消息处理是怎么引发问题的呢？原因在于灰度配置文件在安全生产和线上生产间阶梯推进时，需要等待1小时，这一小时会导致部分消息被遗漏。假设当前SPE和线%，此时SPE的配置推进至20%，线%，那么双消息一条走到SPE，另一条走到安全生产时，即会出现问题，因为SPE的老group实现类只关心80%-100%的流量，而线%的流量，中间存在消息遗漏。逻辑如下图：

　　2.买家尾号的灰度策略改为“尾号为K，区间生产时间为V”的KV对，其中V是一个未来时间，且“V值>

　　系统时间+安全生产停留时间”。如下，从50%流量推至100%，100%的流量配置生效时间是一个未来时间。

　　在跟进完上述问题后，我查阅了过去一年部门故障复盘文档，基本所有的故障和资金事件复盘，均有提及灰度手段。而像本案例中，于“不确定行为”进行灰度的控制，是新人们常见的误区。因此，结合自己在交易线的一些经验，谈下我认知中的灰度，并将阐述我理解的MVP版灰度方案，至少需要些什么，灰度设计中需要注意什么。

　　在聊how的问题前，有必要先讲一下WHAT和WHY。先聊一下WHY，假设没有任何管控流程，代码发布后立即全量上线，又恰巧不幸地出现系统、数据或逻辑等方面的问题，那一场灾难也就随之而来，而且业务体量越大，风险&舆情&资损的敞口也就越大，损失越不可挽回。因此，发布流程需要必要的管控和监督，将风险控制在有限范围内，这样的发布流程即是灰度。平滑过渡是灰度重要特征，这个特征也决定了灰度发布的作用至少有两点：

　　1.降低发布带来的风险，让少部分用户先使用新功能新版本，提前小范围内发现bug或性能问题，及时做好修复，降低新功能新版本的影响。

　　常见的灰度规则有用户尾号（买家或卖家），业务单据id（如商品、订单、结算单、运单）、黑白名单、人群圈选（如定向投放）。黑白名单和人群圈选有点类似A/B-test，能比较精准的用于线上功能测试。一般用于两种场景：

　　1.风险极大，而功能测试又无法完全覆盖的场景，可以使用白名单和人群圈选做第一步的灰度策略。

　　而采用用户id或业务id作为灰度条件，是更为通用的方式，这两种方案的流转模式如下：

　　尾号id灰度策略一般会与白名单策略组合使用，更稳妥的达到管控效果，结合我目前的项目实践，有一种较为万能的灰度公式分享给大家。

　　多数场景下，这一套公式流程是比较适用的。也许有同学会有疑问，是否可以采用“卖家id”灰度维度，多数情况下是可以的，但以卖家id为灰度规则，更容易命中到超大商家，可能带来的影响有两个，1.集中的单据被影响，2.相较买家购买，卖家维度更容易命中爆品热度的商品，引发数据库热点。因此，灰度维度的选择，是一件需要深思的事，我认为有几个原则需要遵守。

　　这一点很好理解，比如你想统计有多少人坐过杭州地铁，然后你跑到杭州地铁站去做问卷调查，除了得到100%的结果，你一定会得到更多的白眼。同样，在灰度维度选择上，也需要保持样本的随机性。如用户id、商品id，一般就可以较好的满足日常灰度的需要。而像业务的人群id，在筛选时就得严格关注一下样本的随机性。

　　举一个例子，是去年进行某支付退款业务的中台升级时球王会，在完成所有验证后，灰度策略里包含了一条，即逐步放开退款单的金额 ，从“控制退款单1元-->

　　退款单10元-->

　　30元-->

　　100元-->

　　300元-->

　　全量放开”。这就是一种典型的风控层面的灰度策略，由严至宽。

　　灰度是一个逐渐由白至黑的过程，在这个过程中，“灰度可观察”和“灰度流程管理”，都需要做好。

　　灰度过程必须可观察，这样才能及时发现问题，真正发挥灰度的价值。我总结了四个点，是灰度可观察的最小条件集，包括完备的流量日志、核对告警、反馈渠道及时触达和性能关注。以下逐一阐述。

　　完备的日志对于灰度过程中的问题发现是非常有必要的，将详细的处理逻辑，尤其是报错和异常的日志，是灰度可监控的必要条件。一方面，技术同学可以通过观察日志的错误日志，进行流量健康度的观察，另一方面，也可以结合 sunfire的统计监控能力，对灰度过程的报错做阈值告警。

　　灰度项目中，核对也是常用的观测策略球王会，无论是新业务的逐步上新或是新老业务的逐渐切换。如一个重资金相关的新业务上线，在逐步的灰度过程中，使用核对是验证非法单据的出现。这也是我日常业务跟进中经常使用的策略，比如RP3迁移灰度时，对打上新逻辑标的订单做校验。完备的日志是从系统处理的角度进行观察，而监控核对是从数据的角度进行另一个维度的观察，相辅相成不可缺少。

　　这种策略一般用于白名单灰度的情况，且选中的白名单是与集团服务同学平时沟通较多且友好的商家，在百分比切流前，进行白名单个别商家的试点，关注异常情况。白名单内测后，切流阶段，如果有不可规避的风险，需要技术同学时刻关注客服反馈，必要时需要给客服统一的话术。

　　灰度不仅应用于功能，也可用于性能观察。灰度过程的流量是逐步增大的，新老功能的差异带来的性能影响，也是逐步放大的。比如一次改动中，新老流量模型中，对于某个信息字段的获取走的不同信息渠道，那么新老模型的性能差异就需要关注。此时不仅是业务的日志监控，应用系统的监控也需要安排上，尤其是灰度范围扩大的一段时间里，尤其需要关注接口性能，包括依赖rt变高，自身rt变高，数据库热点等问题。

　　好的灰度流程，需要具备优雅、可靠的特征。我认为“有序的推进”和“可及时回退”是灰度流程中必要的考虑。

　　从0到1的灰度过程，是一个边观察边推进的过程，通过日志、核对、自动化等手段做到有效观察后，在积累一定量级的单据后，再进行逐步的放开。需要关注的是如果配置非法状态下，是否保证老逻辑是否仍能正常消费。举例说明，下方伪代码是根据用户的尾号进行判断，在灰度配置平台里进行尾号的数字配置，那么，这一段代码看似正常，但实际隐藏着较大的风险：

　　上述代码在执行时，会报错，导致新老逻辑都不会走到。当然，在实际业务需求中，很少发生这么低级的错误，但我的意思是，依赖于配置的灰度推进，需要确保灰度逻辑进行必要的验证，灰度的推进也需要极其的谨慎。一般而言灰度代码只是一个if+else，但其背后影响却极大。

　　灰度流程推进的前提，一定有效的流量观察之后，而不是形而上的依据灰度时长，请确保这一点。分享一个真实的故障案例：

　　故障原因：因修复一个会员登录bug，更新了一个冷门字段的获取逻辑，某B系业务使用此字段做权限控制，导致业务受到影响。

　　灰度过程：此案例中的发布应用，在发布过程中进行了灰度停留，但灰度时间是晚上，而被影响的B系业务特性决定了晚间时分是流量低谷期，导致灰度过程中的问题未被及时关注，灰度流程未发挥应有的效用。

　　灰度改进：涉及会员和商家操作的系统，灰度发布时间包含商家操作高峰期（上午8点--10点）。

　　当上线功能的表现不符合预期时，需要考虑控制灰度回退。一般在灰度的配置文件中，需要引入逻辑开关，值为true或false，命中true后，才会进入更细粒度的灰度命中。所以当结果观察不符合预期后，可以快速推进配置为false，必要时，走紧急审批。确保没有新流量走到灰度流程中。

　　灰度回退仅能阻止问题的扩大，但已出现问题的单据需要做好妥善处理，一般而言，有两种方案。

　　这里仅讲一下服务端常用的灰度工具，一般都是轻量配置的平台，将配置内容脱离于代码之外，可以清晰快捷的推进，在灰度推进时，仅需做配置更新即可，不用发布代码。配置可以简单成一个String，也可以是一个json，举例如下。

　　许多同学对于灰度的认知还不多，认为分批发布也是一种灰度策略。其实严格意义上讲，应用的分批发布更多的是出于对系统稳定性的考虑，而不是灰度验证的考虑。从“可回退”的角度看，分批发布过程中，即使发现了问题球王会，发现了脏数据，那数据也都是随机的，数据无法通过特征来找出数据，也就无法对脏数据进行订正或回滚，所以不是严格意义上的灰度策略。

　　灰度意味着线上存在两套处理规则或流程，一条业务单据在两套流程中处理的结果一般也是不一样的，因此确保单据在灰度过程中的一致性非常有必要，否则很可能引发线上问题，这里先举一个真实发生的例子

　　案例名：某电商业务增加一种退款打款渠道，灰度策略不合理导致双渠道出账的情况。

　　案例描述：RPC调用退款同意时球王会，第一次命中尾号灰度，走进组合渠道中，但组合渠道里出现调用异常，但此时渠道会进行自身的重试。在重试期间，用户二次点击，此时灰度策略有变化，导致走到了另一个组合渠道，进行了打款并成功。

　　案例分析：发生的原因在于打款事项的幂等被破坏。两个渠道无法感知对方的打款行为。

　　案例解决：在申请退款时，即打上标，将灰度行为完全依赖于标识，后续所有的处理依标进行，避免不同调用引起的灰度不一致的行为。后续退款相关的灰度行为，都前移至了申请退款阶段，此时命中灰度规则后，即会给它打上一个灰度标，后续的行为完全按标行走。

　　上述案例，是一个非常经典的问题，即灰度过程中数据一致性未能做好保证，导致出现两种打款策略组，破坏了幂等。那么怎么样保证灰度一致性原则呢？我认为有以下三个原则需要遵循：

　　如上述案例，如果将灰度的判定放在“同意退款”，那就非常容易出现前后两次调用时，走到不同处理流程的尴尬情况，反之，我们可以巧妙的将灰度判定前移至“申请退款”，并打上相应的标，后续“同意退款”则按标进行即可，保证灰度命中处理只被一次消息。“同意退款”是想灰度的功能，但“申请退款”才是真正的灰度对象。所以想灰度的功能跟实现灰度的对象，并不一定要一致。

　　许多带安全生产环境的应用，从预发到线上前，需要在安全生产环境观察1小时以上，包括应用代码发布或配置发布。这中间的时差，极其容易引发灰度的混乱，比如开头说的那一个case，由于notify无差别的往安全生产和线上生产环境发消息，应用在两个环境中的配置不一致，导致消息被过滤的问题。

　　这种问题，就像使用原则一的方法进行预先打标处理，也是无法规避的，比较好的处理方法是，制造一个时延周期，确保线上生产和安全生产的一致性。比如推送一个未来的生效时间，且确保生效时间晚于全量发布完成后的时间，这样即可确保两个环境的一致性。

　　如果灰度流程涉及多个应用，那么灰度逻辑需要确保一致。简而言之，一个形如“A-->

　　B-->

　　C”的链路中，要么保证B系统无视A系统的灰度条件，要么确保灰度逻辑仅在A系统中进行判断。

　　前文提到的灰度策略，我均是从一个服务端的视角考虑，其实在前端或web端也有一些常用的灰度技巧，这里简单聊一下。

　　前端资源放在CDN上，每次发布新版本，资源即增量的传到CDN并指定唯一版本号。在处理请求时，依据前端策略来分流不同用户使用不同版本的CDN，展示不同的样式。此时，相应的后端接口，需要依据参数来控制灰度策略，区分前端不同的请求。一般在类似于账单业务升级时，会用到这种策略。因为前后端都需要灰度，所以需要由前端控制灰度策略，后端进行参数兼容，保证账单的多样性。

　　客户端分流的策略与CDN资源一样，由客户端来控制灰度分流，根据客户端传来的参数和版本号，结合当前的放量策略来决定服务情况。客户端分流的策略也会更多，如用户设备系统、app版本号、app安装渠道、用户ID、设备ID。

　　灰度很重要，灰度的策略也需要结合实际情况进行灵活的调整。本文中提到的策略、观点均是本人一得之见。引玉之砖，欢迎大家讨论。