石墨文檔Websocket百萬長連接技術實踐

1 引言

在石墨文檔的部分業(yè)務中，例如文檔分享、評論、幻燈片演示和文檔表格跟隨等場景，涉及到多客戶端數(shù)據(jù)同步和服務端批量數(shù)據(jù)推送的需求，一般的 HTTP 協(xié)議無法滿足服務端主動 Push 數(shù)據(jù)的場景，因此選擇采用 WebSocket 方案進行業(yè)務開發(fā)。

隨著石墨文檔業(yè)務發(fā)展，目前日連接峰值已達百萬量級，日益增長的用戶連接數(shù)和不符合目前量級的架構設計導致了內(nèi)存和 CPU 使用量急劇增長，因此我們考慮對網(wǎng)關進行重構。

基于 Spring Boot + MyBatis Plus + Vue & Element 實現(xiàn)的后臺管理系統(tǒng) + 用戶小程序，支持 RBAC 動態(tài)權限、多租戶、數(shù)據(jù)權限、工作流、三方登錄、支付、短信、商城等功能

• 項目地址：https://github.com/YunaiV/ruoyi-vue-pro
• 視頻教程：https://doc.iocoder.cn/video/

2 網(wǎng)關 1.0

網(wǎng)關 1.0 是使用 Node.js 基于 Socket.IO 進行修改開發(fā)的版本，很好的滿足了當時用戶量級下的業(yè)務場景需求。

2.1 架構

網(wǎng)關 1.0 版本架構設計圖：

網(wǎng)關 1.0 客戶端連接流程：

1. 用戶通過 NGINX 連接網(wǎng)關，該操作被業(yè)務服務感知；
2. 業(yè)務服務感知到用戶連接后，會進行相關用戶數(shù)據(jù)查詢，再將消息 Pub 到 Redis；
3. 網(wǎng)關服務通過 Redis Sub 收到消息；
4. 查詢網(wǎng)關集群中的用戶會話數(shù)據(jù)，向客戶端進行消息推送。

2.2 痛點

雖然 1.0 版本的網(wǎng)關在線上運行良好，但是不能很好的支持后續(xù)業(yè)務的擴展，并且有以下幾個問題需要解決：

• 資源消耗：Nginx 僅使用 TLS 解密，請求透傳，產(chǎn)生了大量的資源浪費，同時之前的 Node 網(wǎng)關性能不好，消耗大量的 CPU、內(nèi)存。
• 維護與觀測：未接入石墨的監(jiān)控體系，無法和現(xiàn)有監(jiān)控告警聯(lián)通，維護上存在一定的困難；
• 業(yè)務耦合問題：業(yè)務服務與網(wǎng)關功能被集成到了同一個服務中，無法針對業(yè)務部分性能損耗進行針對性水平擴容，為了解決性能問題，以及后續(xù)的模塊擴展能力，都需要進行服務解耦。

基于 Spring Cloud Alibaba + Gateway + Nacos + RocketMQ + Vue & Element 實現(xiàn)的后臺管理系統(tǒng) + 用戶小程序，支持 RBAC 動態(tài)權限、多租戶、數(shù)據(jù)權限、工作流、三方登錄、支付、短信、商城等功能

• 項目地址：https://github.com/YunaiV/yudao-cloud
• 視頻教程：https://doc.iocoder.cn/video/

3 網(wǎng)關 2.0

網(wǎng)關 2.0 需要解決很多問題：石墨文檔內(nèi)部有很多組件：文檔、表格、幻燈片和表單等等。在 1.0 版本中組件對網(wǎng)關的業(yè)務調(diào)用可以通過：Redis、Kafka 和 HTTP 接口，來源不可查，管控困難。此外，從性能優(yōu)化的角度考慮也需要對原有服務進行解耦合，將 1.0 版本網(wǎng)關拆分為網(wǎng)關功能部分和業(yè)務處理部分，網(wǎng)關功能部分為 WS-Gateway：集成用戶鑒權、TLS 證書驗證和 WebSocket 連接管理等；業(yè)務處理部分為 WS-API：組件服務直接與該服務進行 gRPC 通信。可針對具體的模塊進行針對性擴容；服務重構加上 Nginx 移除，整體硬件消耗顯著降低；服務整合到石墨監(jiān)控體系。

3.1 整體架構

網(wǎng)關 2.0 版本架構設計圖：

網(wǎng)關 2.0 客戶端連接流程：

1. 客戶端與 WS-Gateway 服務通過握手流程建立 WebSocket 連接；
2. 連接建立成功后，WS-Gateway 服務將會話進行節(jié)點存儲，將連接信息映射關系緩存到 Redis 中，并通過 Kafka 向 WS-API 推送客戶端上線消息；
3. WS-API 通過 Kafka 接收客戶端上線消息及客戶端上行消息；
4. WS-API 服務預處理及組裝消息，包括從 Redis 獲取消息推送的必要數(shù)據(jù)，并進行完成消息推送的過濾邏輯，然后 Pub 消息到 Kafka；
5. WS-Gateway 通過 Sub Kafka 來獲取服務端需要返回的消息，逐個推送消息至客戶端。

3.2 握手流程

網(wǎng)絡狀態(tài)良好的情況下，完成如下圖所示步驟 1 到步驟 6 之后，直接進入 WebSocket 流程；網(wǎng)絡環(huán)境較差的情況下，WebSocket 的通信模式會退化成 HTTP 方式，客戶端通過 POST 方式推送消息到服務端，再通過 GET 長輪詢的方式從讀取服務端返回數(shù)據(jù)。客戶端初次請求服務端連接建立的握手流程：

1. Client 發(fā)送 GET 請求嘗試建立連接；
2. Server 返回相關連接數(shù)據(jù)，sid 為本次連接產(chǎn)生的唯一 Socket ID，后續(xù)交互作為憑證；

{"sid":"xxx","upgrades":["websocket"],"pingInterval":xxx,"pingTimeout":xxx}

1. Client 攜帶步驟 2 中的 sid 參數(shù)再次請求；
2. Server 返回 40，表示請求接收成功；
3. Client 發(fā)送 POST 請求確認后期降級通路情況；
4. Server 返回 ok，此時第一階段握手流程完成；
5. 嘗試發(fā)起 WebSocket 連接，首先進行 2probe 和 3probe 的請求響應，確認通信通道暢通后，即可進行正常的 WebSocket 通信。

3.3 TLS 內(nèi)存消耗優(yōu)化

客戶端與服務端連接建立采用的 wss 協(xié)議，在 1.0 版本中 TLS 證書掛載在 Nginx 上，HTTPS 握手過程由 Nginx 完成，為了降低 Nginx 的機器成本，在 2.0 版本中我們將證書掛載到服務上，通過分析服務內(nèi)存，如下圖所示，TLS 握手過程中消耗的內(nèi)存占了總內(nèi)存消耗的大概 30% 左右。

這個部分的內(nèi)存消耗無法避免，我們有兩個選擇：

• 采用七層負載均衡，在七層負載上進行 TLS 證書掛載，將 TLS 握手過程移交給性能更好的工具完成；
• 優(yōu)化 Go 對 TLS 握手過程性能，在與業(yè)內(nèi)大佬曹春暉（曹大）的交流中了解到，他最近在 Go 官方庫提交的 PR https://github.com/golang/go/issues/43563 ，以及相關的性能測試數(shù)據(jù) https://github.com/golang/go/pull/48229 。

3.4 Socket ID 設計

對每次連接必須產(chǎn)生一個唯一碼，如果出現(xiàn)重復會導致串號，消息混亂推送的問題。選擇 SnowFlake 算法作為唯一碼生成算法。

物理機場景中，對副本所在物理機進行固定編號，即可保證每個副本上的服務產(chǎn)生的 Socket ID 是唯一值。

K8S 場景中，這種方案不可行，于是采用注冊下發(fā)的方式返回編號，WS-Gateway 所有副本啟動后向數(shù)據(jù)庫寫入服務的啟動信息，獲取副本編號，以此作為參數(shù)作為 SnowFlake 算法的副本編號進行 Socket ID 生產(chǎn)，服務重啟會繼承之前已有的副本編號，有新版本下發(fā)時會根據(jù)自增 ID 下發(fā)新的副本編號。于此同時，Ws-Gateway 副本會向數(shù)據(jù)庫寫入心跳信息，以此作為網(wǎng)關服務本身的健康檢查依據(jù)。

3.5 集群會話管理方案：事件廣播

客戶端完成握手流程后，會話數(shù)據(jù)在當前網(wǎng)關節(jié)點內(nèi)存存儲，部分可序列化數(shù)據(jù)存儲到 Redis，存儲結構說明如下：

鍵	說明
wsclients:${uid}	存儲用戶和 WebSocket 連接的關系，采用有序集合方式存儲
wsclients:${guid}	存儲文件和 WebSocket 連接的關系，采用有序結合方式存儲
ws${socket.id}	存儲當前 WebSocket 連接下的全部用戶和文件關系數(shù)據(jù)，采用 Redis Hash 方式進行存儲，對應 key 為 user 和 guid

由客戶端觸發(fā)或組件服務觸發(fā)的消息推送，通過 Redis 存儲的數(shù)據(jù)結構，在 WS-API 服務查詢到返回消息體的目標客戶端的 Socket ID，再有 WS-Gateway 服務進行集群消費，如果 Socket ID 不在當前節(jié)點，則需要進行節(jié)點與會話關系的查詢，找到客端戶 Socket ID 實際對應的 WS-Gateway 節(jié)點，通常有以下兩種方案：

	優(yōu)點	缺點
事件廣播	實現(xiàn)簡單	消息廣播數(shù)量會隨著節(jié)點數(shù)量上升
注冊中心	會話與節(jié)點映射關系清晰	注冊中心強依賴，額外運維成本

在確定使用事件廣播方式進行網(wǎng)關節(jié)點間的消息傳遞后，進一步選擇使用哪種具體的消息中間件，列舉了三種待選的方案：

特性	Redis	Kafka	RocKetMQ
開發(fā)語言	C	Scala	Java
單機吞吐量	10w+	10w+	10w+
可用性	主從架構	分布式架構	分布式架構
特點	功能簡單	吞吐量、可用性極高	功能豐富、定制化強，吞吐量、可用性高
功能特性	數(shù)據(jù) 10K 以內(nèi)性能優(yōu)異，功能簡單，適用于簡單業(yè)務場景	支持核心的 MQ 功能，不支持消息查詢或消息回溯等功能	支持核心的 MQ 功能，擴展性強

于是對 Redis 和其他 MQ 中間件進行 100w 次的入隊和出隊操作，在測試過程中發(fā)現(xiàn)在數(shù)據(jù)小于 10K 時 Redis 性能表現(xiàn)十分優(yōu)秀，進一步結合實際情況：廣播內(nèi)容的數(shù)據(jù)量大小在 1K 左右，業(yè)務場景簡單固定，并且要兼容歷史業(yè)務邏輯，最后選擇了 Redis 進行消息廣播。

后續(xù)還可以將 WS-API 與 WS-Gateway 兩兩互聯(lián)，使用 gRPC stream 雙向流通信節(jié)省內(nèi)網(wǎng)流量。

3.6 心跳機制

會話在節(jié)點內(nèi)存與 Redis 中存儲后，客戶端需要通過心跳上報持續(xù)更新會話時間戳，客戶端按照服務端下發(fā)的周期進行心跳上報，上報時間戳首先在內(nèi)存進行更新，然后再通過另外的周期進行 Redis 同步，避免大量客戶端同時進行心跳上報對 Redis 產(chǎn)生壓力。

1. 客戶端建立 WebSocket 連接成功后，服務端下發(fā)心跳上報參數(shù)；
2. 客戶端依據(jù)以上參數(shù)進行心跳包傳輸，服務端收到心跳后會更新會話時間戳；
3. 客戶端其他上行數(shù)據(jù)都會觸發(fā)對應會話時間戳更新；
4. 服務端定時清理超時會話，執(zhí)行主動關閉流程；
5. 通過 Redis 更新的時間戳數(shù)據(jù)進行 WebSocket 連接、用戶和文件之間的關系進行清理。會話數(shù)據(jù)內(nèi)存以及 Redis 緩存清理邏輯：

for{
select{
case<-t.C:
????????varnow=time.Now().Unix()
varclients=make([]*Connection,0)
dispatcher.clients.Range(func(_,vinterface{})bool{
client:=v.(*Connection)
lastTs:=atomic.LoadInt64(&client.LastMessageTS)
ifnow-lastTs>int64(expireTime){
clients=append(clients,client)
}else{
dispatcher.clearRedisMapping(client.Id,client.Uid,lastTs,clearTimeout)
}
returntrue
})
for_,cli:=rangeclients{
cli.WsClose()
}
}
}

在已有的兩級緩存刷新機制上，進一步通過動態(tài)心跳上報頻率的方式降低心跳上報產(chǎn)生的服務端性能壓力，默認場景中客戶端對服務端進行間隔 1s 的心跳上報，假設目前單機承載了 50w 的連接數(shù)，當前的 QPS 為：QPS1 = 500000/1

從服務端性能優(yōu)化的角度考慮，實現(xiàn)心跳正常情況下的動態(tài)間隔，每 x 次正常心跳上報，心跳間隔增加 a，增加上限為 y，動態(tài) QPS 最小值為：QPS2=500000/y

極限情況下，心跳產(chǎn)生的 QPS 降低 y 倍。在單次心跳超時后服務端立刻將 a 值變?yōu)?1s 進行重試。采用以上策略，在保證連接質(zhì)量的同時，降低心跳對服務端產(chǎn)生的性能損耗。

3.7 自定義 Headers

使用 Kafka 自定義 Headers 的目的是避免網(wǎng)關層出現(xiàn)對消息體解碼而帶來的性能損耗，客戶端 WebSocket 連接建立成功后，會進行一系列的業(yè)務操作，我們選擇將 WS-Gateway 和 WS-API 之間的操作指令和必要的參數(shù)放到 Kafka 的 Headers 中，例如通過 X-XX-Operator 為廣播，再讀取 X-XX-Guid 文件編號，對該文件內(nèi)的所有用戶進行消息推送。

字段	說明	描述
X-ID	WebSocket ID	連接 ID
X-Uid	用戶 ID	用戶 ID
X-Guid	文件 ID	文件 ID
X-Inner	網(wǎng)關內(nèi)部操作指令	用戶加入、用戶退出
X-Event	網(wǎng)關事件	Connect/Message/Disconnect
X-Locale	語言類型設置	語言類型設置
X-Operator	api 層操作指令	單播、廣播、網(wǎng)關內(nèi)部操作
X-Auth-Type	用戶鑒權類型	SDKV2、主站、微信、移動端、桌面
X-Client-Version	客戶端版本	客戶端版本
X-Server-Version	網(wǎng)關版本	服務端版本
X-Push-Client-ID	客戶端 ID	客戶端 ID
X-Trace-ID	鏈路 ID	鏈路 ID

在 Kafka Headers 中寫入了 trace id 和 時間戳，可以追中某條消息的完整消費鏈路以及各階段的時間消耗。

3.8 消息接收與發(fā)送

typePacketstruct{
...
}

typeConnectstruct{
*websocket.Con
sendchanPacket
}

funcNewConnect(connnet.Conn)*Connect{
c:=&Connect{
send:make(chanPacket,N),
}
goc.reader()
goc.writer()
returnc
}

客戶端與服務端的消息交互第一版的寫法類似以上寫法，對 Demo 進行壓測，發(fā)現(xiàn)每個 WebSocket 連接都會占用 3 個 goroutine，每個 goroutine 都需要內(nèi)存棧，單機承載連十分有限，主要受制于大量的內(nèi)存占用，而且大部分時間 c.writer() 是閑置狀態(tài)，于是考慮，是否只啟用 2 個 goroutine 來完成交互。

typePacketstruct{
...
}

typeConnectstruct{
*websocket.Conn
muxsync.RWMutex
}

funcNewConnect(connnet.Conn)*Connect{
c:=&Connect{
send:make(chanPacket,N),
}
goc.reader()
returnc
}

func(c*Connect)Write(data[]byte)(errerror){
c.mux.Lock()
deferc.mux.Unlock()
...
returnnil
}

保留 c.reader() 的 goroutine，如果使用輪詢方式從緩沖區(qū)讀取數(shù)據(jù)，可能會產(chǎn)生讀取延遲或者鎖的問題，c.writer() 操作調(diào)整為主動調(diào)用，不采用啟動 goroutine 持續(xù)監(jiān)聽，降低內(nèi)存消耗。

調(diào)研了 gev 和 gnet 等基于事件驅動的輕量級高性能網(wǎng)絡庫，實測發(fā)現(xiàn)在大量連接場景下可能產(chǎn)生的消息延遲的問題，所以沒有在生產(chǎn)環(huán)境下使用。

3.9 核心對象緩存

確定數(shù)據(jù)接收與發(fā)送邏輯后，網(wǎng)關部分的核心對象為 Connection 對象，圍繞 Connection 進行了 run、read、write、close 等函數(shù)的開發(fā)。使用 sync.pool 來緩存該對象，減輕 GC 壓力，創(chuàng)建連接時，通過對象資源池獲取 Connection 對象，生命周期結束之后，重置 Connection 對象后 Put 回資源池。在實際編碼中，建議封裝 GetConn()、PutConn() 函數(shù)，收斂數(shù)據(jù)初始化、對象重置等操作。

varConnectionPool=sync.Pool{
New:func()interface{}{
return&Connection{}
},
}

funcGetConn()*Connection{
cli:=ConnectionPool.Get().(*Connection)
returncli
}

funcPutConn(cli*Connection){
cli.Reset()
ConnectionPool.Put(cli)//放回連接池
}

3.10 數(shù)據(jù)傳輸過程優(yōu)化

消息流轉過程中，需要考慮消息體的傳輸效率優(yōu)化，采用 MessagePack 對消息體進行序列化，壓縮消息體大小。調(diào)整 MTU 值避免出現(xiàn)分包情況，定義 a 為探測包大小，通過如下指令，對目標服務 ip 進行 MTU 極限值探測。

ping-s{a}{ip}

a = 1400 時，實際傳輸包大小為：1428。其中 28 由 8（ICMP 回顯請求和回顯應答報文格式）和 20（IP 首部）構成。

如果 a 設置過大會導致應答超時，在實際環(huán)境包大小超過該值時會出現(xiàn)分包的情況。

在調(diào)試合適的 MTU 值的同時通過 MessagePack 對消息體進行序列號，進一步壓縮數(shù)據(jù)包的大小，并減小 CPU 的消耗。

3.11 基礎設施支持

使用 EGO 框架（ https://github.com/gotomicro/ego ）進行服務開發(fā)：業(yè)務日志打印，異步日志輸出，動態(tài)日志級別調(diào)整等功能，方便線上問題排查提升日志打印效率；微服務監(jiān)控體系，CPU、P99、內(nèi)存、goroutine 等監(jiān)控。

客戶端 Redis 監(jiān)控：

客戶端 Kafka 監(jiān)控：

自定義監(jiān)控大盤：

4 性能壓測

4.1 壓測準備

• 選擇一臺配置為 4 核 8G 的虛擬機，作為服務機，目標承載 48w 連接;
• 選擇八臺配置為 4 核 8G 的虛擬機，作為客戶機，每臺客戶機開放 6w 個端口。

4.2 場景一

用戶上線，50w 在線用戶。

服務	CPU	Memory	數(shù)量	CPU%	Mem%
WS-Gateway	16 核	32G	1 臺	22.38%	70.59%

單個 WS-Gateway 每秒建立連接數(shù)峰值為：1.6w 個/s，每個用戶占用內(nèi)存：47K。

4.3 場景二

測試時間 15 分鐘，在線用戶 50w，每 5s 推送一條所有用戶，用戶有回執(zhí)。推送內(nèi)容為：

42["message",{"type":"xx","data":{"type":"xx","clients":[{"id":xx,"name":"xx","email":"xx@xx.xx","avatar":"ZgG5kEjCkT6mZla6.png","created_at":1623811084000,"name_pinyin":"","team_id":13,"team_role":"member","merged_into":0,"team_time":1623811084000,"mobile":"+xxxx","mobile_account":"","status":1,"has_password":true,"team":null,"membership":null,"is_seat":true,"team_role_enum":3,"register_time":1623811084000,"alias":"","type":"anoymous"}],"userCount":1,"from":"ws"}}]

測試經(jīng)過 5 分鐘后，服務異常重啟，重啟原因是內(nèi)存使用量到超過限制。

分析內(nèi)存超過限制的原因：

新增的廣播代碼用掉了 9.32% 的內(nèi)存。

接收用戶回執(zhí)消息的部分消耗了 10.38% 的內(nèi)存。

進行測試規(guī)則調(diào)整，測試時間 15 分鐘，在線用戶 48w，每 5s 推送一條所有用戶，用戶有回執(zhí)。推送內(nèi)容為：

42["message",{"type":"xx","data":{"type":"xx","clients":[{"id":xx,"name":"xx","email":"xx@xx.xx","avatar":"ZgG5kEjCkT6mZla6.png","created_at":1623811084000,"name_pinyin":"","team_id":13,"team_role":"member","merged_into":0,"team_time":1623811084000,"mobile":"+xxxx","mobile_account":"","status":1,"has_password":true,"team":null,"membership":null,"is_seat":true,"team_role_enum":3,"register_time":1623811084000,"alias":"","type":"anoymous"}],"userCount":1,"from":"ws"}}]

服務	CPU	Memory	數(shù)量	CPU%	Mem%
WS-Gateway	16 核	32G	1 臺	44%	91.75%

連接數(shù)建立峰值：1w 個/s，接收數(shù)據(jù)峰值：9.6w 條/s，發(fā)送數(shù)據(jù)峰值 9.6w 條/s。

4.4 場景三

測試時間 15 分鐘，在線用戶 50w，每 5s 推送一條所有用戶，用戶無需回執(zhí)。推送內(nèi)容為：

["message",{"type":"xx","data":{"type":"xx","clients":[{"id":xx,"name":"xx","email":"xx@xx.xx","avatar":"ZgG5kEjCkT6mZla6.png","created_at":1623811084000,"name_pinyin":"","team_id":13,"team_role":"member","merged_into":0,"team_time":1623811084000,"mobile":"+xxxx","mobile_account":"","status":1,"has_password":true,"team":null,"membership":null,"is_seat":true,"team_role_enum":3,"register_time":1623811084000,"alias":"","type":"anoymous"}],"userCount":1,"from":"ws"}}]

服務	CPU	Memory	CPU%	Mem%
WS-Gateway	16 核	32G	1 臺	30%	93%

連接數(shù)建立峰值：1.1w 個/s，發(fā)送數(shù)據(jù)峰值 10w 條/s，出內(nèi)存占用過高之外，其他沒有異常情況。

內(nèi)存消耗極高，分析火焰圖，大部分消耗在定時 5s 進行廣播的操作上。

4.5 場景四

測試時間 15 分鐘，在線用戶 50w，每 5s 推送一條所有用戶，用戶有回執(zhí)。每秒 4w 用戶上下線。推送內(nèi)容為：

42["message",{"type":"xx","data":{"type":"xx","clients":[{"id":xx,"name":"xx","email":"xx@xx.xx","avatar":"ZgG5kEjCkT6mZla6.png","created_at":1623811084000,"name_pinyin":"","team_id":13,"team_role":"member","merged_into":0,"team_time":1623811084000,"mobile":"+xxxx","mobile_account":"","status":1,"has_password":true,"team":null,"membership":null,"is_seat":true,"team_role_enum":3,"register_time":1623811084000,"alias":"","type":"anoymous"}],"userCount":1,"from":"ws"}}]

服務	CPU	Memory	數(shù)量	CPU%	Mem%
WS-Gateway	16 核	32G	1 臺	46.96%	65.6%

連接數(shù)建立峰值：18570 個/s，接收數(shù)據(jù)峰值：329949 條/s，發(fā)送數(shù)據(jù)峰值 393542 條/s，未出現(xiàn)異常情況。

4.6 壓測總結

在 16C 32G 內(nèi)存的硬件條件下，單機 50w 連接數(shù)，進行以上包括用戶上下線、消息回執(zhí)等四個場景的壓測，內(nèi)存和 CPU 消耗都符合預期，并且在較長時間的壓測下，服務也很穩(wěn)定。滿足目前量級下的資源節(jié)約要求，可在此基礎上繼續(xù)完善功能開發(fā)。

5 總結

面臨日益增加的用戶量，網(wǎng)關服務的重構是勢在必行，本次重構主要是：

• 對網(wǎng)關服務與業(yè)務服務的解耦，移除對 Nginx 的依賴，讓整體架構更加清晰。

• 從用戶建立連接到底層業(yè)務推送消息的整體流程分析，對其中這些流程進行了具體的優(yōu)化。以下各個方面讓 2.0 版本的網(wǎng)關有了更少的資源消耗，更低的單位用戶內(nèi)存損耗、更加完善的監(jiān)控報警體系，讓網(wǎng)關服務本身更加可靠：

  • 可降級的握手流程；
  • Socket ID 生產(chǎn)；
  • 客戶端心跳處理過程的優(yōu)化；
  • 自定義 Headers 避免了消息解碼，強化了鏈路追蹤與監(jiān)控；
  • 消息的接收與發(fā)送代碼結構設計上的優(yōu)化；
  • 對象資源池的使用，使用緩存降低 GC 頻率；
  • 消息體的序列化壓縮；
  • 接入服務觀測基礎設施，保證服務穩(wěn)定性。

• 在保證網(wǎng)關服務性能過關的同時，更進一步的是收斂底層組件服務對網(wǎng)關業(yè)務調(diào)用的方式，從以前的 HTTP、Redis、Kafka 等方式，統(tǒng)一為 gRPC 調(diào)用，保證了來源可查可控，為后續(xù)業(yè)務接入打下了更好的基礎。