前言系统高可用是非常经典的问题，无论在面试，还是实际工作中，都经常会遇到。
这篇文章跟大家一起聊聊，保证系统高可用的10条军规，希望对你会有所帮助。
1 冗余部署场景：某电商大促期间，数据库主节点突然宕机，导致全站交易瘫痪。
问题：单节点部署的系统，一旦关键组件（如数据库、消息队列）故障，业务直接归零。
解决方案：通过主从复制、集群化部署实现冗余。例如MySQL主从同步，Redis Sentinel哨兵机制。
MySQL主从配置如下：
-- 主库配置CHANGE MASTER TO MASTER_HOST='master_host',MASTER_USER='replica_user',MASTER_PASSWORD='password',MASTER_LOG_FILE='mysql-bin.000001',MASTER_LOG_POS=154;-- 从库启动复制START SLAVE;效果：主库宕机时，从库自动切换为可读写状态，业务无感知。
2 服务熔断场景：支付服务响应延迟，导致订单服务线程池耗尽，引发连锁故障。
问题：服务依赖链中某个环节异常，会像多米诺骨牌一样拖垮整个系统。
解决方案：引入熔断器模式，例如Hystrix或Resilience4j。
Resilience4j熔断配置如下：
CircuitBreakerConfig config = CircuitBreakerConfig.custom() .failureRateThreshold(50) // 失败率超过50%触发熔断 .waitDurationInOpenState(Duration.ofMillis(1000)) .build();CircuitBreaker circuitBreaker = CircuitBreaker.of("paymentService", config);// 调用支付服务Supplier<String> supplier = () -> paymentService.call();Supplier<String> decoratedSupplier = CircuitBreaker .decorateSupplier(circuitBreaker, supplier);效果：当支付服务失败率飙升时，自动熔断并返回降级结果（如“系统繁忙，稍后重试”）。
3 流量削峰场景：秒杀活动开始瞬间，10万QPS直接击穿数据库连接池。
问题：突发流量超过系统处理能力，导致资源耗尽。
解决方案：引入消息队列（如Kafka、RocketMQ）做异步缓冲。
用户下单的系统流程图如下：
RocketMQ生产者的示例代码：
DefaultMQProducer producer = new DefaultMQProducer("seckill_producer");producer.setNamesrvAddr("127.0.0.1:9876");producer.start();Message msg = new Message("seckill_topic", "订单数据".getBytes());producer.send(msg);效果：将瞬时10万QPS的请求平滑处理为数据库可承受的2000 TPS。
4 动态扩容场景：日常流量100台服务器足够，但大促时需要快速扩容到500台。
问题：固定资源无法应对业务波动，手动扩容效率低下。
解决方案：基于Kubernetes的HPA（Horizontal Pod Autoscaler）。
K8s HPA 的配置如下：
apiVersion: autoscaling/v2kind:HorizontalPodAutoscalermetadata:name:order-service-hpaspec:scaleTargetRef: apiVersion:apps/v1 kind:Deployment name:order-serviceminReplicas:2maxReplicas:10metrics:-type:Resource resource: name:cpu target: type:Utilization averageUtilization:60效果：CPU利用率超过60%时自动扩容，低于30%时自动缩容。
5 灰度发布场景：新版本代码存在内存泄漏，全量发布导致线上服务崩溃。
问题：一次性全量发布风险极高，可能引发全局故障。
解决方案：基于流量比例的灰度发布策略。
Istio流量染色配置如下：
apiVersion: networking.istio.io/v1alpha3kind:VirtualServicemetadata:name:bookinfospec:hosts:-bookinfo.comhttp:-route: -destination: host:reviews subset:v1 weight:90# 90%流量走老版本 -destination: host:reviews subset:v2 weight:10# 10%流量走新版本效果：新版本异常时，仅影响10%的用户，快速回滚无压力。
6 降级开关场景：推荐服务超时导致商品详情页加载时间从200ms飙升到5秒。
问题：非核心功能异常影响核心链路用户体验。
解决方案：配置中心增加降级开关，如果遇到紧急情况，能 动态降级非关键服务。
Apollo配置中心的示例代码如下：
@ApolloConfigprivate Config config;public ProductDetail getDetail(String productId) { if(config.getBooleanProperty("recommend.switch", true)) { // 调用推荐服务 } // 返回基础商品信息}效果：关闭推荐服务后，详情页响应时间恢复至200ms以内。
7 全链路压测场景：某金融系统在真实流量下暴露出数据库死锁问题。
问题：测试环境无法模拟真实流量特征，线上隐患难以发现。
解决方案：基于流量录制的全链路压测。
实施步骤：
线上流量录制（如Jmeter+TCPCopy）影子库隔离（压测数据写入隔离存储）压测数据脱敏执行压测并监控系统瓶颈效果：提前发现数据库连接池不足、缓存穿透等问题。
8 数据分片场景：用户表达到10亿行，查询性能断崖式下降。
问题：单库单表成为性能瓶颈。
解决方案：基于ShardingSphere的分库分表。
分库分表的配置如下：
sharding: tables: user: actualDataNodes:ds_${0..1}.user_${0..15} tableStrategy: standard: shardingColumn:user_id preciseAlgorithmClassName:HashModShardingAlgorithm preciseAlgorithmType:HASH_MOD shardingCount:16效果：10亿数据分散到16个物理表，查询性能提升20倍。
9 混沌工程场景：某次机房网络抖动导致服务不可用3小时。
问题：系统健壮性不足，故障恢复能力弱。
解决方案：使用ChaosBlade模拟故障。
示例命令：
# 模拟网络延迟blade create network delay --time 3000 --interface eth0# 模拟数据库节点宕机blade create docker kill --container-id mysql-node-1效果：提前发现缓存穿透导致DB负载过高的问题，优化缓存击穿防护策略。
10 立体化监控场景：磁盘IOPS突增导致订单超时，但运维人员2小时后才发现。
问题：监控维度单一，无法快速定位根因。
解决方案：构建Metrics-Log-Trace三位一体监控体系。
技术栈组合：
Metrics：Prometheus + Grafana（资源指标）Log：ELK（日志分析）Trace：SkyWalking（调用链追踪）定位问题流程如下 ：
CPU利用率 > 80% → 关联日志检索 → 定位到GC频繁 → 追踪调用链 → 发现某个DAO层SQL未走索引效果：故障定位时间从小时级缩短到分钟级。
总结系统高可用建设就像打造一艘远洋巨轮。
冗余部署是双发动机，熔断降级是救生艇，监控体系是雷达系统。
但真正的关键在于：
故障预防比故障处理更重要（如混沌工程）自动化是应对复杂性的唯一出路（如K8s弹性扩缩）数据驱动的优化才是王道（全链路压测+立体监控）没有100%可用的系统，但通过这10个实战技巧，我们可以让系统的可用性从99%提升到99.99%。
这0.99%的提升，可能意味着每年减少8小时的故障时间——而这，正是架构师价值的体现。
