【现网事故】记一次并发冲突、请求放大导致的生产问题

　　事故现象

生产环境，转账相关请求失败量暴增。

直接原因

现网多个重试请求同时到达 svr，导致内存数据库大量返回时间戳冲突。业务方收到时间戳冲突，自动进行业务重试，服务内部也存在重试，导致流量放大。

【资料图】

转账

首先我们一起了解一下转账。转账请求在支付场景中的应用频率非常高，它是现代金融系统中的一个核心功能。在日常生活中，个人和企业都需要进行各种不同类型的转账:

个人间转账：朋友、家人之间进行的转账，如还款、借款、生日礼物赠送等。工资支付：企业向员工支付工资、奖金等。税费缴纳：向政府缴纳所得税、增值税等税费、政府退回多征收的税费等。跨境汇款：向国外的个人或企业进行的转账，如国际贸易、留学生汇款等。投资与理财：向股票、基金、保险等金融产品进行的投资转账。退款与赔付：商家或金融机构向客户退还购物款项、保险理赔等。...

随着移动支付、网上银行等数字金融服务的普及，转账请求在支付场景中的应用频率越来越高。人们可以随时随地进行转账，这背后离不开金融科技的发展带来的更加便捷、安全、高效的转账过程。

业务背景介绍背景一：转账流程转账流程

转账常见流程：

sequenceDiagramparticipant 转出方participant 银行participant 转入方转出方->>银行: 发起转账请求银行->>银行: 验证转出方信息银行->>银行: 验证转入方信息银行->>银行: 检查转账金额Note over 银行: ...银行->>银行: 执行转账Note over 银行: 判断转账是否成功银行-->>转出方: 通知转账结果银行-->>转入方: 通知转账结果转账异常处理

当支付渠道系统内部出现异常，比如给转入方转钱时遇到被调系统返回超时时：

系统自动重试：在大多数情况下，支付渠道系统会在短时间内自动重试转账操作，以确保交易成功。通常，系统会在一定时间内尝试多次，直到转账成功或达到重试次数上限。

转账暂停：如果系统在多次重试后仍然无法完成转账，支付渠道可能会暂停该笔转账。在这种情况下，会通知转出方关于转账暂停的原因，并可能建议转出方稍后再次尝试转账。

** 资金退回：** 如果系统在尝试一定次数后仍无法完成转账，支付渠道可能会将资金退回到转出方的账户。转出方可以选择在支付渠道系统恢复正常后重新发起转账。

客户通知：在上述情况下，银行会通过短信、电话或电子邮件等方式通知转出方关于转账失败的原因。客户可以根据银行的建议采取相应措施。

...

总之，渠道会尽力确保交易的顺利进行。

转账异常处理流程图sequenceDiagram participant from as 转出方 participant to as 转入方 participant MQ rect rgb(255, 228, 196) Note over from,to: 扣款成功，充值成功 end from->>to: 扣款成功 to->>from: 充值成功 Note over from: 流程结束 rect rgb(255, 228, 196) Note over from,to: 扣款成功，充值失败，重试成功 end from->>to: 扣款成功 to->>from: 充值失败 from->>MQ: 推送消息 MQ->>to: 发起重试 to->>from: 重试成功 Note over from: 流程结束 rect rgb(255, 228, 196) Note over from,to: 扣款成功，充值失败，重试失败，退款 end from->>to: 扣款成功 to->>from: 充值失败 from->>MQ: 推送消息 MQ->>to: 发起重试 to->>from: 重试失败 from->>from: 退款 Note over from: 流程结束背景二：账户系统合并

因为公司账户系统存在多套，同一个服务商在不同的业务都存在商业合作时，账户归属不同的系统。降本增效大背景下，相关业务完成了业务账户的融合，将同一个商户在两个系统上的商户信息进行整合，融合到同一个账户，方便客户更好的维护，也方便客户账户资金共享，保证业务不中断。

改造后上层调用方会传递迁移前后两套uin的参数来进行调用，账户系统通过查询 uin 的映射关系和关系中的迁移状态判断实际操作的账户。

即两个不同入口的请求都需要先查询一次迁移关系，如果账户已经迁移，则使用迁移后的账户进行操作，这个逻辑同时适用于转出方 和 转入方， 所以流程图上加上了查询关系的逻辑 蓝色部分。

如果操作过程中，账户状态发生了变化，则内部进行重试。

sequenceDiagram participant from as 转出方 participant Migrated as 迁移关系 participant to as 转入方 participant MQparticipant MQConsumer Note over from,to: 查询转入方、转出方迁移关系rect DodgerBlue from->> Migrated: 查询迁移关系 Migrated->>from: 返回迁移关系from ->> from:判断转出方实际抵扣账户endrect DodgerBlue to->>Migrated: 查询迁移关系 Migrated->>to: 返回迁移关系to ->> to:判断转出方实际抵扣账户end Note over from,to: 扣款成功，充值成功 from->>to: 使用迁移后的转出方扣款 to->>from: 使用迁移后的转入方充值 Note over from: .......实际全流程：sequenceDiagramparticipant user as 用户 participant fromA as 转出账户A participant fromB as 转出账户A" participant toA as 充值账户B participant toB as 充值账户B" participant Migrated as 迁移关系 participant MQrect Bisqueuser ->> fromA: 发起转账请求endNote over fromA: 查询转出方迁移关系 alt 未迁移fromA->>fromA: 扣原账户else 已经迁移fromB->>fromB: 扣迁移账户else 迁移中Note over fromB: 流程结束endrect Bisque fromB->>toA: 充值endNote over toA: 查询转入方迁移关系 alt 未迁移toA->>toA: 充原账户else 已经迁移toB->>toB: 充迁移账户else 迁移中toB->> MQ: 推送 MQ 重试Note over toB: 流程结束endNote over toA: 查询转入方迁移关系 alt 充值成功 Note over toB: 流程结束 else 充值失败 toB ->> MQ: 推送MQ 重试Note over fromB: 流程结束endNote over MQConsumer: 重试逻辑MQConsumer ->> MQ: 查询数据MQ -->> MQConsumer: 存在重试数据rect BisqueMQConsumer ->>user : 发起重试enduser ->> toA: 重试充值alt 重试成功Note over toB: 重写充值流水，流程结束else 重试失败user ->> fromB: 对转出方进行退款，写退款流水Note over fromB: 流程结束end背景三：扣内存数据库逻辑

为了支持高并发的需求，账户系统使用的是一个自研的缓存数据库，数据库内部有诸多逻辑，其中操作账户时，会先 get 数据，再 set 数据， get 的时候会拿到当前数据的的时间戳 和更新序列号，set 的时候，数据库会校验这个时间戳的合法性。

所以在请求出现并发时会出现这样的情况：

sequenceDiagram participant 客户端1 participant 客户端2 participant 数据库 客户端1->>数据库: get(键) 数据库->>客户端1: 上次更新时间戳t1, 值v1 客户端2->>数据库: get(键) 数据库->>客户端2: 上次更新时间戳t1, 值v1 客户端1->>客户端1: 修改值v1 客户端2->>客户端2: 修改值v1 客户端1->>数据库: set(键, 新值v1, 上次更新时间戳t1, 序列号1) 数据库->>数据库: 检查上次更新时间戳t1 数据库->>客户端1: 结果（成功）rect Coral 客户端2->>数据库: set(键, 新值v2, 上次更新时间戳t1, 序列号1) 数据库->>数据库: 检查上次更新时间戳和序列号Note over 数据库: 数据已经被更新为时间戳t2 数据库->>客户端2: 结果（错误：时间戳冲突）end背景四：调用方重试逻辑

调用方除非遇到订单重复、余额不足等明确错误，不然会推送 MQ 进行重试。

问题定位

相信大家看完上面的背景和前面的现象描述已经知道了问题的原因：业务的重试和系统内部的重试逻辑出现了重叠，导致了绝对并发（内存数据库的get\set逻辑极快），但是因为涉及到多个系统，每次请求的 uuid 又完全一致，导致了定位链路过长，定位难度增大。最后在测试环境复现了很多次才复现出来。

总结

针对这个问题给我总结了以下几点：

测试环境和生产环境的差异：测试环境很难完全模拟生产环境的各种情况，特别是在并发、性能和压力测试方面。因此，我们需要更加关注这些方面的测试，并尽量使测试环境接近生产环境。

完善的测试用例：在设计测试用例时，需要考虑各种异常情况和边缘条件，包括系统之间的相互调用、失败重试等情况。这样可以提高测试的覆盖率，降低类似问题的发生概率。

强化并发和压力测试：在软件测试过程中，应该重点关注并发和压力测试，模拟大量用户同时访问和操作，以便发现潜在的性能瓶颈和冲突问题。（常态化性能测试是一个非常好的切入点。后续会专门写一篇博客介绍如何进行常态化性能压测。）

监控和日志分析：在生产环境中，应该加强对系统的监控和日志分析，以便及时发现并定位问题。同时，测试人员可以通过分析生产环境的监控和日志数据，了解系统在实际运行中的表现，从而改进测试策略。

以下是一些避免类似问题的发生的改进措施：

测试同学需要与开发团队紧密合作，了解系统架构和相互调用的关系，以便更好地设计测试用例。在系统设计和开发阶段，可以引入容错和熔断机制，以应对失败重试和请求放大等问题。测试工程师需要关注这些机制的实现，并在测试中验证其有效性。在测试计划中明确测试范围，包括并发测试、压力测试和性能测试，确保测试环境尽量接近生产环境，有条件的可以使用真实的数据和场景进行测试（现网引流）。对于失败重试等可能会放大流量的逻辑，进行专项测试，模拟各种异常和故障情况（后续会专门写一篇博客介绍如何进行混沌注入），验证系统的稳定性和健壮性。

关键词：