亚马逊云平台的迁移过程

        本文转自 Bruce Dou 的博客，作者分别从成熟老系统的常见问题、迁移过程需要考虑的问题以及迁移后带来的收益谈起，详细介绍了亚马逊云平台的的迁移过程及注意事项。

        最近 3 个月变化很多，离开呆了 5 年多的北京，开始英国的工作和生活。到这之后基本在做系统向亚马逊云平台的迁移，踩了不少坑，收获也很多。由于系统的迁移涉及各个常见的架构组件，边边角 角的细节很多。和大部分系统一样，长时间野蛮成长积累了很多问题。这样的老系统迁移到新平台意味着你需要处理所有之前埋下的问题。公司之前聘请了亚马逊推 荐的第三方咨询服务工作在做迁移，但是由于问题太多，拖了很长时间没有完成。

        成熟老系统常见的问题：

        1. 缺乏文档

        这应该是大小公司都存在的问题。文档会极大降低开发效率，并且互联网项目的特点是易变和追求速度，详细文档不是很好的方案。这就要求方案和细节设计上的合理性和不要做 “精巧”方案。结构化设计，不要零散的组成，这样其他人即使没有文档也可以理解。

        2. 项目中临时方案太多

        导致后来看起来很别扭而且不容易理解，半截工程。系统中存在大量“精巧”的设计，导致后来者难以理解。这也告诉我们做设计的时候尽量简单通俗易 懂，项目设计的可沟通性也是很重要的一方面。某位工程师说自己花了 1 周的时间才搞明白 Postfix 的收邮件并自动解析的过程是怎么运行的。

        3. 代码质量参差不齐

        代码质量问题每个大点的团队都没法保证，保持代码库的干净很重要。

        4. 繁杂的业务

        5. 代码的 Bug 和代码对环境的兼容性

        之前的系统使用配置文件做主从读写分离，配置文件由其他系统控制。但是配置文件确保留在代码库中，这意味着假如代码回滚或者 check 分支出错，配置文件会发生改变。不该发生的全会发生，这样的事情确实发生了。导致部分操作写入从库，从库与主库同步失败，典型的脑裂问题。最后只好花了很 长时间重做从库的同步。这样的问题处理并不复杂，复杂的在于如何发现这个问题的原因。业务系统各种奇怪的表现，有时候很难想到问题的根源。

        迁移过程需要考虑的问题：

        1. 完善测试

        性能测试可以采取流量镜像复制，读操作有很多简单可靠的流量复制工具，有时候根本不需要一个高大上的流量复制系统。并且大部分系统都是读多写少，测试不是什么难题。

        功能性测试只能尽量做足，让熟悉系统的用户进行。

        2. 无缝迁移

        整个过程基本实现了平滑无缝迁移，系统的没有停止 1 分钟运行。由于项目的特点，比较少写操作，重点是读，暂停写操作后作将 HaProxy 后端逐步指向新集群，等全部流量导入新集群后修改 DNS 指向新集群。这里还涉及到 DNS TTL 从长变短再变长的修改过程。

        缓存预热很重要，尤其是数据库的预热，这就要求新集群流量导入逐步进行，防止对整站延迟的影响。

        3. 回退方案

        由于暂时停止写操作，即使流量导入到新集群后测试发现问题仍然可以指回旧集群。

        4. 改进还是保持原状

        由于架构组件的选择余地很大，之前的各个组件的配置是否合理需要很长时间 Review。这里就要权衡保持原状还是一次性做好优化。比较好的方案是如果不是 BUG 则保持原状，等系统完成迁移再进行改进。

        5. 性能的持续监控和对比测试

        性能监控工具已经非常成熟了，比如 AppNeta 和 New Relic ， 基本可以把控各个组件的性能。在迁移之前也可以进行镜像流量复制对比测试新旧集群的性能。

        迁移带来的收益

        1. 重新设计的发布自动化

        业务代码、系统配置、云架构配置的分离，任何操作的版本化，可回退。

        2. 弹性扩展，总体成本的降低

        迁移到亚马逊的主要原因就是高低峰流量差异很大。迁移后低峰期可以节约 1 半的机器成本。

        3. 跨区域容灾，无单点故障

        实现了 Multi-AZ，任意单点故障不影响业务运行。Web 前端服务器可以随手关掉，数据库的升级，配置改动也无任何影响，当然这归功于 RDS Multi-AZ 功能。

        4. 运维难度的降低，无需运维

        系统会自动根据负载进行增减机器，所以无需担心压力大把机器打垮，单机器的各种故障也无需人工处理。