经济观察报|微信系统不崩的秘密_

腾讯10年维护微信系统不崩的故事，是一个从手忙脚乱到心平气和的成长故事，是一个技术系统从无到有的故事，也是一个国民级用户产品的技术秘密。
作者：任晓宁
壹||微信诞生早期，上面的时刻时有发生。 2015年，微信红包赞助春晚，除夕当天红包量级从10万级提升到10亿级，负责运维的肖攀，买了个QQ公仔，插上两根香，每当觉得心里不稳妥，就去公仔前拜一拜，祈求千万不要出事。
贰||长期以来，腾讯在互联网公司中都以产品力著称，产品的背后，是技术平台的助力。微信诞生10年，背后的系统也有所不同。
叁||当系统遭遇了远超预估的访问量，就要降级，比如朋友圈视频平时一个视频大概2兆，但高峰时刻可以先砍一刀，把2兆砍成1兆，让更多的人有视频可以看。
肆||2018年之后，微信很少再有关键时刻。这一年，微信红包的用户量基本上接近于微信的用户量，之后的增长基本上已经平稳。
伍||微信成立10年，腾讯技术团队也跟着走了10年，他们经历高压，经历崩溃，经历焦虑，到现在视为寻常，一路走来，他们见证微信用户从0涨到12亿用户，与有荣焉。
微信为什么没崩过？
12亿中国人都在使用微信，却很少有人思考过这个问题。其实，微信也曾徘徊在濒临崩溃的边缘，腾讯基础架构部运营管理支撑中心总监邹方明现在还记得2014年除夕，人们刚学会用微信发拜年视频，流量直接爆掉，系统濒临崩盘，公司上下所有人的压力都集中到他一个人身上，等他做出决定。他说，那是他最痛苦的时刻。
直到现在，在微信使用量最大的时刻，比如除夕，或是元旦、七夕、中秋，或是情人节，腾讯团队也会提前几个月筹备资源。前几年的高峰期，负责腾讯红包系统运维的肖攀甚至会拜一下QQ公仔，就像拜佛一样，求系统不崩。
现在，他们已经积累了一整套保证系统不崩的方法论。
腾讯10年维护微信系统不崩的故事，是一个从手忙脚乱到心平气和的成长故事，是一个技术系统从无到有的故事，也是一个国民级用户产品的技术秘密。腾讯技术团队向经济观察报讲述了这些故事，他们构建的系统，使用的技术，在运行中积累的经验教训，对于其他公司，或可提供些许借鉴。
濒临崩盘的时刻
一刀切关闭系统、还是继续寻找漏洞？是邹方明必须立刻做出的判断。
他是腾讯的老人， 2006年进入腾讯，负责技术，一手搭建了QQ和微信的聊天图片、视频系统。但在2014年除夕微信流量爆发而濒临崩盘的时刻，他依旧承受不住这种压力。 “系统全方位崩盘，流量也爆了，前端的系统就好像洪水一样的，后端的系统更脆弱，连着倒了三四个系统和平台，不光我们的平台倒了，底层存储的其他部门其他系统也倒了。 ”
体现在用户侧的感受是，用户在朋友圈把视频发出去了，但身边朋友一个都没看到。
用户投诉源源不断而来，邹方明需要立刻做出判断。他可以花更多时间去查一下到底是什么原因导致，彻底解决问题，或是干脆一刀割下去，先暂时限制视频功能。 “哪个方案能够最快恢复服务，我事后在脑海里模拟了无数遍，也想不出哪一个更快。 ”
邹方明站在机房前，对着那台显示崩盘的电脑，身边的运维看着他，手指放在键盘上等待指令，老板在办公室一言不发，产品团队需要一个回复，公司外数以亿计的用户，所有人都在等待着他的指令。
虽然只有十几分钟，但每一秒都是煎熬。
邹方明最终决定一刀切。至少切断后，再次恢复，能给到用户继续使用的可能性。否则，不知道要排查多久才能真正找出问题。直到现在，他也不能说自己的选择是最正确的，但那是最快解决问题的选择。
微信诞生早期，上面的时刻时有发生。 2015年，微信红包赞助春晚，除夕当天红包量级从10万级提升到10亿级，负责运维的肖攀，买了个QQ公仔，插上两根香，每当觉得心里不稳妥，就去公仔前拜一拜，祈求千万不要出事。
微信后期，一套成熟的稳定系统已经形成，依旧有不可预料的事情发生。 2020年2月，腾讯会议在一个月时间增长1000倍，腾讯云副总裁、腾讯基础架构部总经理肖志立也遇到了难题，他的难题不是技术原因，而是物力资源跟不上。
当时，因为疫情，运营商的BGP带宽满足不了、外网IP地址满足不了，并且，由于设备供应商无法复工，设备也供应不了。
肖志立给联想打电话，询问能不能给库房供1万台机器，对方说不好意思，员工都回家了，疫情期间没有办法回来。
直到最后，新机器也没有送到。最终，还是只能死磕技术，通过软件的优化，把之前一个单元支持100路的技术，提升到支持200路，才解决了物理资源不足的难题。
一个从无到有的系统
12亿用户感知到的，是每天都在使用的微信这个产品。他们感知不到的地方，微信背后仅技术平台就包括图片平台、音视频传输平台、红包系统、小视频平台等等，这些平台接入腾讯内部超过90%的业务。
平台组合在一起，形成庞大的系统，基本能解决已知与未知的问题。这些平台的形成，不是一蹴而就的，而是经历了漫长的过程。
图片系统历史最悠久，早在2006年的QQ时代就开始使用。当年， QQ用户突破1000万，上线了QQ空间相册，产品很受欢迎，但对于技术团队来说，一个首先面对的问题就是：撑不住了。存储方案也好，流量方案也好，索引方案也好，都支撑不了用户诉求。 “整个底层存储都已经疯掉了， ”邹方明来到这个部门时，恰好经历了这样的时代。一些公司在近几年赞助春晚或遇到突发事件时，突然发现的问题，腾讯在十几年前也遇到过。现在微信、QQ系统的稳定，是当年吃亏后积累的经验教训。
用户对图片的诉求，延伸出了腾讯第一代存储系统，衍生了TFS ，之后有了相册系统，不过，当时，他们还没有想到做技术平台。
不久，新矛盾爆发。 QQ农场火爆后，每个用户都有很多头像，但原有的相册系统支撑不了图像高IO（输入输出）。这种情况下，邹方明把相册系统做了简单的分支，就叫头像系统。
头像系统和相册系统，都是图片，应该分开还是融合？内部当时有些焦灼，经过很长的PK ，他们觉得，还是应该融合到一起。融合之后，腾讯有了第一个技术平台，图片平台。
相对于之前各自分离的系统，平台的优势在于成本。腾讯其他团队也在做图片服务，他们发现，花了这么多年研发精力，还不如接入到图片平台中，把研发团队的生产力解放出来。
腾讯的其他平台随后逐渐诞生。
2016年，视频平台诞生。 2019年，音视频传输平台形成。期间还有红包系统、文件系统、网盘系统，用户最核心的几个场景平台，都由基础架构部搭建完成。
长期以来，腾讯在互联网公司中都以产品力著称，产品的背后，是技术平台的助力。
去年火爆的视频号就是一个典型案例，一年时间，视频号推出了一系列功能，产品人员提出功能需求后，技术人员第二天或者是第三天就能拿出方案，这离不开平台的服务和支撑。 “产品有想法时，研发人员能够很快速做出一个模型，尽快做迭代和尝试。 ”邹方明解释， “能够在60分的基础上去做加法，产品技术团队可以把视角放在用户喜欢玩的玩法上面，放在终端体验的细节上面去，从而从整个研发的长周期中挣脱出来。 ”
微信诞生10年，背后的系统也有所不同。 2016年之前，系统处于性能不足阶段，当时出现问题，无论是漏洞或是代码问题，事件爆发的根本原因是，系统能力不足导致的故障。
2016年之后，系统升级，此后再有热点，或是再有突然事件，对于技术来说，就只是量级提高了，都在系统可以支撑的范围内。
在云时代，系统的支撑能力又有了增加。 QQ于2020年完全上云，整体都在云端。微信花了3年时间上云，今年会全部上云。上云的好处是，如果有突发情况要从其他的业务腾挪资源，速度快很多。 “否则我们就得先把设备从A业务上下来，再添加到B业务去，再做测试验证，这样时间就长很多。 ”
微信10年，系统的基础建设主要朝着两个主要的目标在做。 “一个是系统的健康性，比如你的熔断能力，自我恢复能力，每年我们都在找方法。另一个方向就是系统单位成本的承载能力。从字面上去解释，因为我们的资源团队、产品团队，都会给出一个固定的成本，这固定的10000台设备，能够支撑100万次请求，还是500万次请求，是每年都在持续优化和迭代的过程。我们会发现，只要你的承载能力强了，就可以把每个危急时刻变成不危急。 ”邹方明说。
产品不崩的方法论
不过，即使有了系统，也不能完全保证不崩。尤其对于一款12亿人使用的社交产品，任何时刻都有不可控性。
直到现在，腾讯技术团队也不敢打包票说系统完全可控。 “推演也是算不过来的，总会算错的。比如说零点全国发红包的人到底有多少？公司发红包的量到底有多少？这个东西说实话不是那么好估了，这个时候我们就会想，有没有保底的大招，来使得这个访问量控制在系统可接受的范围之内，这是非常重要的保底措施。 ”肖志立说。
崩盘之前，技术部门会提前预演，策划好“剧本” ， “剧本”是一种柔性控制，也可以统称为降级。微信用户有时在高峰期会觉得微信消息有延迟，或是朋友圈视频分辨率降低，就是一种降级。
当系统遭遇了远超预估的访问量，就要降级，比如朋友圈视频平时一个视频大概2兆，但高峰时刻可以先砍一刀，把2兆砍成1兆，让更多的人有视频可以看。
在不可预判的业务场景，他们基本上都会以这种方法去应对。 “高突发的时候，用户不会用得那么爽，但能让90%用户觉得满意，不至于说突然量超过预期了，然后就立刻不行了” 。
肖志立告诉采访人员，腾讯一直有一个海量之道的技术方法。在突发比较高时，始终有一个漏斗模型， “第一层先去顶住绝大部分的请求，把符合要求的再往下层漏，再往下层交易最重的系统。这样能保证承担的请求是真正需要的请求，而不是把前面所有的请求都打到后面去。 ”
这个技术方法论被视为腾讯的保底大招，多年来屡试不爽。
如今只道是寻常
2021年春节，腾讯基础架构部在一片祥和中度过。除夕5点半，肖志立把当时留守的几十个兄弟拉到办公室对面的一个餐厅聚餐，吃到6点半，回来守着机器一起度过了除夕夜。
全程没有任何惊险时刻，无惊无喜。
肖志立依旧全程盯着。他每年春节前后都在，春节是最考验微信的时刻，在他们技术内部看来，平时吹什么牛，都不如扛过春晚的流量来的实在。 “每次我也在想，我也不去敲代码，也不去做指令，为什么我要在？我能够感觉到就是崩盘了之后，大家都指着我去做‘要人命’的决定，出了故障我才有价值，没出故障我就像一个闲人。 ”邹方明已经记不清自己守过了多少个春晚，只是觉得很感慨。
在基础架构师的职业生涯里，非常重要的一点，就是在关键时刻做出关键决策。
2018年之后，微信很少再有关键时刻。这一年，微信红包的用户量基本上接近于微信的用户量，之后的增长基本上已经平稳。
肖攀最近两年也没有再拜过QQ公仔了， “都比较有信心。 ”
现在的系统，已经不再需要大的变动。并且多年春节经验后，团队值班的手段和策略都是已经完备和成熟的，还可以提前预判事件。比如今年，他们预测云年夜饭会提前导致一个小高峰，果然，当晚7点的流量是往年5倍，因为已经提前预测，今年也平稳度过。
对于现在的腾讯技术团队，不再有惊心动魄的故事发生。
架构师的经验教训
微信成立10年，腾讯技术团队也跟着走了10年，他们经历高压，经历崩溃，经历焦虑，到现在视为寻常，一路走来，他们见证微信用户从0涨到12亿用户，与有荣焉。 “做技术支撑的团队，一定要有一个好的心态，就是你不在聚光灯下，但是我们心里面知道今天在台上的产品那么成功，跟我们是有很大关系的，自己的内心要足够强大，要相信这一点。 ”
他们也摸索出了足够多和业务部门沟通的方法。邹方明经常给团队灌输的理念是，除非你有确凿的依据能证明你是对的，不然你就先听业务部门的。
目前，微信背后的技术系统已经接近完善， “没有特别明显的缺陷和短板。 ”肖志立对此很自信。
不过，技术团队依旧存在焦虑感。其实，腾讯这支技术团队一直很稳定，腾讯内部架构几经大动，技术部门始终没变。他们经历了文字互联网时代、图片互联网时代，到了视频互联网时代，再到现在的实时音视频互联网时代，技术一直在演进，内容越来越丰富，实时性越来越强。这对于背后系统承载能力的要求，对于稳定性、延时的要求，也要比原来高很多，技术永无止境，他们也永远等待攻克下一个难关。
【经济观察报|微信系统不崩的秘密】邹方明还在持续学习中。他经常参加线下活动，在一些论坛或峰会上，奔到现场面对面和业界大牛交流取经， “我们不能够关着门做，你必须要到外面找一些可学习的点，业界的大牛很多，他们会有很多比较好的创意和方法论。 ”“你永远不知道什么时候冒出一个新的东西。 ”肖志立很感慨， “作为支撑团队，我们得有这种魄力和能力，能够在弹药不够的情况下支持业务团队打胜仗。 ”