1. 链路为什么越写越长

我几年前接手过一个老项目，最离谱的一次链路是这样的：

网关 → A → B → C → D → E → F

六跳。每一跳都 80~120ms，最后 RT 是 600ms 起步。用户点个按钮，像是点到异地机房。

那时候我特别不理解：为啥一个查订单的接口，要查到 F 服务？后来才搞明白——大家做需求的时候都觉得“反正我这个接口需要那个数据，就直接调一下它嘛”，于是越积越厚，链路越拖越长。

问题的本质其实就一句话：大家都觉得自己的那一次调用没事，但所有调用叠在一起就出事了。

链路长，就像高速公路上加了好多收费站，这点过路费不是大问题，但排队排成长龙，一辆接一辆慢吞吞，就会把整条高速拖死。

2. 什么叫服务雪崩

简单说，就是一个服务挂了，导致十几个、几十个一起挂，然后网关直接 502 一片。

之前遇到过一次最典型的，当时我们的库存服务突然 RT 飙升，平时 20ms，那次变成了 2s；订单服务每个请求都要查库存，上游就跟着变慢；再往上用户下单就卡住；最后所有下单相关的业务全挂。

当时是晚上 10 点，业务方直接跑过来问：“怎么下个单能要这么久？”

我也只能苦笑：“不是我们想慢，是下游在那里深呼吸。”

3. 雪崩的根本原因

我后来把问题总结成三个字：等、堵、炸。

• 等：超时设置太长，大家在那等结果，线程不释放，RT 越来越大
• 堵：大量调用挤在一起，下游撑不住
• 炸：线程池满了、连接池满了、队列爆了

有时候你看日志会发现：线程池 200 个线程，一个都没空，因为大家都在等待下游的 2s 超时。

这就是最可怕的：不是因为处理慢，而是因为一直在等，导致大家都没法工作。

很多团队（包括我们当年）都会犯同一个错：

默认超时值不改，库里多少就是多少。

然后就等着凌晨线上爆炸。

4. 超时时间到底怎么设

这件事我反复讲，讲到有点烦了，但真的太多人不重视。

我自己踩过一个坑：有一次一个接口因为访问第三方支付，超时时间设置成了 10 秒（对，就是我设的）。平时没感觉，但双十一那天因为对方偶尔卡一下，整个链路都跟着卡。

后来我总结了几条很简单但非常救命的原则：

超时设定原则

• 超时必须小于自身 SLA 你自己要求接口 200ms 返回，你给下游设个 2s，是不是有点离谱？
• 链路上每一跳都要递减 网关→A 最长 300ms A→B 200ms B→C 100ms
• 所有超时必须按指标（99 分位）来算 不看平均值，平均值在高并发下毫无意义
• 不要迷信下游 “我们这个服务很稳的，不会超时的” 这种话只适合写在墓志铭上。

5. 熔断器怎么工作的？Hystrix、Resilience4j 这些到底在干啥

很多人只知道“失败多了会熔断，但具体怎么判定的？”

我当年第一次用 Hystrix 时也只知道简单配置，直到某天线上被淹没，才研究得特别细。

核心逻辑其实就三个：

1. 统计窗口（一般 10 秒）
2. 阈值（失败请求达到一定比例就断）
3. 半开探活（过一会儿放一部分流量试试是不是恢复了）

我第一次真正体会熔断的威力，是线上 C 服务突然 RT 飙到 5s，所有服务都在等它。

后来我们给 B→C 加了 Resilience4j，一旦失败率达到 50%，马上熔断，直接走降级逻辑。

结果非常明显：链路不再被拖垮，页面从 504 变成兜底数据，至少不至于挂死。

6. 隔离舱壁

讲人话就是：我不能因为你一个服务在拖延，把我的线程池全拖死。

Hystrix、Resilience4j 都有线程池隔离，重点就是——

每个下游调用自己的线程池，不许抢资源。

我们之前没有隔离时，库存服务 RT 2s 导致调用它的线程数占满了整个应用的线程池，其他接口完全没办法服务用户。

加了“舱壁”之后，库存服务爱慢不慢，慢死了也只是把自己的池子占满，不影响订单、商品详情那些正常流量。

这就是舱壁机制的本质。

7. 限流到底是令牌桶好还是漏桶好

我自己的体感是：

令牌桶更适合业务系统

因为能允许突发流量，比如突然来了 200 QPS，你不至于直接拒绝。

漏桶更适合对外接口

因为输出稳定，RT 可控。

当年我写过一个支付回调接口，用的是令牌桶，结果双十一凌晨，突发流量把桶打空了，直接拒绝了一堆回调。后来换成漏桶，流量下来了，但更稳。

对于内部系统，我一般建议使用令牌桶。因为微服务链路，不能太死板，总是要吃一点突发。

8. 降级策略

降级这事，大家都懂，但实际写出来的往往非常“羞羞的”。

比如我见过一个最离谱的降级：

代码语言：java

AI代码解释

catch (Exception e) {
    return null;
}

然后就造成了 NPE 满天飞。

我自己的做法：

• 兜底返回（友好提示）
• 缓存返回（比如 5 分钟内的旧数据）
• 随机降级（比如 30% 的请求走兜底）

降级是让服务“趴着也能活”，不是让它“躺平”。

9. 链路追踪

以前没有 tracing 的时侯，排查问题就像摸黑找猫。加了 SkyWalking/Zipkin 后，真是一下清醒了。

有一次我们查一个慢接口，开发说“不可能是我这边，逻辑很简单的”。

链路追踪一打开：

A → B 100ms，B → C 1.4s

然后大家都沉默了。

追踪里看得最清楚的就是：

• 哪个节点慢
• 哪段网络延迟高
• 是否有重试导致的抖动
• 线程池是否排队

这东西平时没感觉，但线上爆炸的时候，是救命稻草。

10. 微服务架构里的 SLA 怎么定比较合理？

说实话，我以前以为 SLA 是业务方的事情，后来才明白：

没有清晰 SLA 的架构，是无法扩容、无法限流、无法保护的。

我的经验是：

• 核心链路 SLA 200ms（比如下单、支付）
• 查询类 SLA 500ms
• 非核心异步可超过 1s

为什么要定 SLA？因为：

• 限流要用 SLA
• 超时要用 SLA
• 要用 SLA

没有 SLA 的系统，就像没有体检报告的身体，看着好像还行，但随时可能倒下。

11. 如何避免级联失败

级联失败这个东西，戏剧性很强，轻则 504 一片，重则直接报警电话响一晚上。

我自己的经验：

• 所有下游调用都要单独线程池
• 每一跳都要有超时
• 每一跳都要有熔断
• 避免链路超过 3~4 跳
• 强依赖必须预热（特别是缓存）

我当年踩得最痛的坑是：

我们有个服务启动后，缓存要预热 2 分钟。结果部署后还没预热好，就有请求进来，导致大量查询，DB 压力飙升，整个集群挂了。

那次之后我深刻意识到：

启动预热也是链路稳定性的一部分。

12. 一个真实案例

这是一个我印象特别深的线上事故。

某年 618 晚上 20:00，秒杀开始，我们系统平时 QPS 600，峰值能冲到 3000 左右，也不算很夸张。

结果就那一天库存服务突然 RT 变成了 800ms，我们完全没料到。原因是某个同事改了库存的查询逻辑，加了个“统计未支付订单数量”的 join，而且没走索引。

这 800ms 就像砸在水面上的石头：

• 网关 RT 从 150ms 飙到 1500ms
• A 服务线程池从 150 用满到 300
• C 服务连接池爆掉，拒绝连接
• 后面所有请求直接被 504

整条链路像一串多米诺骨牌，全倒了。

当时我看着监控，整整愣了十秒。

最后解决是这样：

1. 在 A→库存 加了熔断
2. 线程池隔离拉开
3. 缓存兜底库存（允许 5 秒的旧数据）
4. 第三分钟，库存服务恢复正常
5. 全链路才慢慢拉回来