本文作者主要跟大家分享熔断的作用以及做法，并且总结了一些自己的最佳实践。
![image.png]( "1605626267328860.png")
当我们工作所在的系统处于分布式系统初期，往往这时候每个服务都只部署了一个节点。
在这样的背景下，如果某个服务 A 需要发布一个新版本，往往会对正在运行的其他依赖服务 A 的程序产生影响。
甚至，一旦服务 A 的启动预热过程耗时过长，问题会更严重，大量请求会阻塞，产生级联影响，导致整个系统卡慢。
![image.png]( "1605626276878978.png")
举个夸张的例子来形容：一幢楼的下水管是从最高楼直通到最低楼的，这个时候如果你家楼下的管道口堵住了，那么所有楼上的污水就会倒灌到你家；如果这导致你家的管道口也堵住了，之后又会倒灌到楼上一层，以此类推。
然而实际生活中一旦你发现了这个问题，必然会想办法先避免影响到自己家，然后跑到楼下让他们赶紧疏通管道。此时，避免影响自己家的办法就可被称之为「熔断」。
熔断是什么
熔断本质上是一个过载保护机制。这一概念来源于电子工程中的断路器，可能你曾经被这个东西的“跳闸”保护过。
![image.png]( "1605626282913212.png")
在互联网系统中的熔断机制是指：当下游服务因访问压力过大而响应变慢或失败，上游服务为了保护自己以及系统整体的可用性，可以暂时切断对下游服务的调用。
做熔断的思路大体上就是：一个中心思想，分四步走。
熔断怎么做
熔断怎么做？首先，你需秉持的一个中心思想是：量力而行。因为软件和人不同，没有奇迹会发生，什么样的性能支撑多少流量是固定的，这是根本。
然后，这四步走分别是：
定义一个识别是否处于“不正常”状态的策略
相信软件开发经验丰富的你也知道，识别一个系统是否正常，无非是两个点：
是不是能调通。
如果能调通，耗时是不是超过预期时长。
但是，由于分布式系统被建立在一个并不是 100% 可靠的网络上，所以上述的情况总有发生，因此我们不能将偶发的瞬时异常等同于系统“不可用”（避免以偏概全）。
由此我们需要引入一个「时间窗口」的概念，这个时间窗口用来“放宽”判定“不可用”的区间，也意味着多给了系统几次证明自己“可用”机会。
但是，如果系统还是在这个时间窗口内达到了你定义“不可用”标准，那么我们就要“断臂求生”了。
这个标准可以有两种方式来指定：
最终会形成这样的一段代码：
全局变量 errorcount = 0; //有个独立的线程每隔10秒（时间窗口）重置为0。
全局变量 isOpenCircuitBreaker = false;
//do some thing...
if(success){
return success;
}
else{
errorcount++;
if(errorcount == 不可用阈值){
isOpenCircuitBreaker = true;
}
}
切断联系
切断联系要尽可能的“果断”，既然已经认定了对方“不可用”，那么索性就默认“失败”，避免做无用功，也顺带能缓解对方的压力。
分布式系统中的程序间调用，一般都会通过一些 RPC 框架进行。
![image.png]( "1605626291618382.png")
那么，这个时候作为客户端一方，在自己进程内通过代理发起调用之前就可以直接返回失败，不走网络。
![image.png]( "1605626294754175.png")
这就是常说的「fail fast」机制。就是在前面提到的代码段之前增加下面的这段代码：
if(isOpenCircuitBreaker == true){
return fail;
}
//do some thing...
定义一个识别是否处于“可用”状态的策略，并尝试探测
切断联系后，功能的完整性必然会受影响，所以还是需要尽快恢复回来，以提供完整的服务能力。这事肯定不能人为去干预，及时性必然会受到影响。
那么如何能够自动的识别依赖系统是否“可用”呢？这也需要你来定义一个策略。
一般来说这个策略与识别“不可用”的策略类似，只是这里是一个反向指标：
同样包含「时间窗口」、「阈值」以及「百分比」。稍微不同的地方在于，大多数情况下，一个系统“不可用”的状态往往会持续一段时间，不会那么快就恢复过来。
所以我们不需要像第一步中识别“不可用”那样，无时无刻的记录请求状况，而只需要在每隔一段时间之后去进行探测即可。
所以，这里多了一个「间隔时间」的概念。这个间隔幅度可以是固定的，比如 30 秒。也可以是动态增加的，通过线性增长或者指数增长等方式。
这个用代码表述大致是这样：
全局变量 successCount = 0;
//有个独立的线程每隔10秒（时间窗口）重置为0。
//并且将下面的isHalfOpen设为false。
全局变量 isHalfOpen = true;
//有个独立的线程每隔30秒（间隔时间）重置为true。
//do some thing...
if(success){
if(isHalfOpen){
successCount ++;
if(successCount = 可用阈值){
isOpenCircuitBreaker = false;
}
}
return success;
}
else{
errorcount++;
if(errorcount == 不可用阈值){
isOpenCircuitBreaker = true;
}
}
另外，尝试探测本质上是一个“试错”，要控制下“试错成本”。所以我们不可能拿 100% 的流量去验证，一般会有以下两种方式：
重新恢复正常
一旦通过了衡量是否“可用”的验证，整个系统就恢复到了“正常”状态，此时需要重新开启识别“不可用”的策略。
就这样，系统会形成一个循环，如下图：
![image.png]( "1605627164202495.png")
这就是一个完整的熔断机制的面貌。了解了这些核心思想，用什么框架去实施就变得不是那么重要了，因为大部分都是换汤不换药。
上面聊到的这些可以说是主干部分，还有一些最佳实践可以让你在实施熔断的时候拿捏的更到位。
做熔断的最佳实践
什么场景最适合做熔断
一个事物在不同的场景里会发挥出不同的效果。以下是我能想到最适合熔断发挥更大优势的几个场景：
所依赖的系统本身是一个共享系统，当前客户端只是其中的一个客户端。这是因为，如果其他客户端进行胡乱调用也会影响到你的调用。
所有依赖的系统被部署在一个共享环境中（资源未做隔离），并不独占使用。比如，和某个高负荷的数据库在同一台服务器上。
所依赖的系统是一个经常会迭代更新的服务。这点也意味着，越“敏捷”的系统越需要“熔断”。
当前所在的系统流量大小是不确定的。比如，一个电商网站的流量波动会很大，你能抗住突增的流量不代表所依赖的后端系统也能抗住。这点也反映出了我们在软件设计中带着“面向怀疑”的心态的重要性。
做熔断时还要注意的一些地方
与所有事物一样，熔断也不是一个完美的事物，我们特别需要注意两个问题。
首先，如果所依赖的系统是多副本或者做了分区的，那么要注意其中个别节点的异常并不等于所有节点都存在异常，需要区别对待。
其次，熔断往往应作为最后的选择，我们应优先使用一些「降级」或者「限流」方案。
因为“部分胜于无”，虽然无法提供完整的服务，但尽可能的降低影响是要持续去努力的。
比如，抛弃非核心业务、给出友好提示等等，这部分内容我们会在后续的文章中展开。
总结
本文主要聊了熔断的作用以及做法，并且总结了一些我自己的最佳实践。
从上面的这些代码示例中也可以看到，熔断代码所在的位置要么在实际方法之前，要么在实际方法之后。
它非常适合 AOP 编程思想的发挥，所以我们平常用到的熔断框架都会基于 AOP 去做。
熔断只是一个保护壳，在周围出现异常的时候保全自身。但是从长远来看平时定期做好压力测试才能更好的防范于未然，降低触发熔断的次数。
如果清楚的知道每个系统有几斤几两，在这个基础上再把「限流」和「降级」做好，这基本就将“高压”下触发熔断的概率降到最低了。
