168大数据

标题: 马蜂窝 IM 系统架构的演化和升级 [打印本页]

作者: 168主编 时间: 2019-9-17 10:22
标题: 马蜂窝 IM 系统架构的演化和升级

今天，越来越多的用户被马蜂窝持续积累的笔记、攻略、嗡嗡等优质的分享内容所吸引，在这里激发了去旅行的热情，同时也拉动了马蜂窝交易的增长。在帮助用户做出旅行决策、完成交易的过程中，IM 系统起到了重要的作用。

IM 系统为用户与商家建立了直接沟通的渠道，帮助用户解答购买旅行产品中的问题，既促成了订单交易，也帮用户打消了疑虑，促成用户旅行愿望的实现。伴随着业务的快速发展，几年间，马蜂窝 IM 系统也经历了几次比较重要的架构演化和转型。

IM 1.0

初期阶段

初期为了支持业务快速上线，且当时版本流量较低，对并发要求不高，IM 系统的技术架构主要以简单和可用为目的，实现的功能也很基础。

IM 1.0 使用 PHP 开发，实现了 IM 基本的用户/客服接入、消息收发、咨询列表管理功能。用户咨询时，会通过平均分配的策略分配给客服，记录用户和客服的关联关系。用户/客服发送消息时，通过调用消息转发模块，将消息投递到对方的 Redis 阻塞队列里。收消息则通过 HTTP 长连接调用消息轮询模块，有消息时即刻返回，没有消息则阻塞一段时间返回，这里阻塞的目的是降低轮询的间隔。消息收发模型如下图所示：

消息轮询模块优化

上图模型中消息轮询模块的长连接请求是通过 php-fpm 挂载在阻塞队列上，当该请求变多时，如果不能及时释放 php-fpm 进程，会对服务器性能消耗较大，负载很高。

为了解决这个问题，我们对消息轮询模块进行了优化，选用基于 OpenResty 框架，利用 Lua 协程的方式来优化 php-fpm 长时间挂载的问题。Lua 协程会通过对 Nginx 转发的请求标记判断是否拦截网络请求，如果拦截，则会将阻塞操作交给 Lua 协程来处理，及时释放 php-fpm，缓解对服务器性能的消耗。优化的处理流程见下图：

IM 2.0

需求定制阶段

伴随着业务的快速增长，IM 系统在短期内面临着大量定制需求的增加，开发了许多新的业务模块。面对大量的用户咨询，客服的服务能力已经招架不住。因此，IM 2.0 将重心放在提升业务功能体验上，比如在处理用户的咨询时，将从前单一的分配方式演变为采用平均、权重、排队等多种方式；为了提升客服的效率，客服的咨询回复也增加了可选配置，例如自动回复、FAQ 等。

以一个典型的用户咨询场景为例，当用户打开 App 或者网页时，会通过连接层建立长连接，之后在咨询入口发起咨询时，会携带着消息线索初始化消息链路，建立一条可复用、可检索的消息线；发送消息时，通过消息服务将消息存储到 DB 中，同时会根据消息线检索当前咨询是否被分配到客服，调用分配服务的目的是为当前咨询完善客服信息；最后将客服信息更新到链路关系中。

这样，一条完整的消息链路就建立完毕，之后用户/客服发出的消息通过转发服务传输给对方，处理流程如下图所示：

IM 3.0

服务拆分阶段

业务量在不断积累，随着模块增加，IM 系统的代码膨胀得很快。由于代码规范没有统一、接口职责不够单一、模块间耦合较多等种原因，改动一个需求很可能会影响到其它模块，使新需求的开发和维护成本都很高。

为了解决这种局面，IM 系统必须要进行架构升级，首要任务就是服务的拆分。目前，经过拆分后的 IM 系统整体分为 4 块大的服务，包括客服服务、用户服务、IM 服务、数据服务，如下图所示：

客服服务：围绕提升客服效率和用户体验提供多种方式，如提供群组管理、成员管理、质检服务等来提升客服团队的运营和管理水平；通过分配服务、转接服务来使用户的接待效率更灵活高效；支持自动回复、FAQ、知识库服务等来提升客服咨询的回复效率等。

用户服务：分析用户行为，为用户做兴趣推荐及用户画像，以及统计用户对马蜂窝商家客服的满意度。
IM 服务：支持单聊和群聊模式，提供实时消息通知、离线消息推送、历史消息漫游、联系人列表、文件上传与存储、消息内容风控检测等。

数据服务：通过采集用户咨询的来源入口、是否咨询下单、是否有客服接待、用户咨询以及客服回复的时间信息等，定义数据指标，通过数据分析进行离线数据运算，最终对外提供数据统计信息。主要的指标信息有 30 秒、1 分钟回复率、咨询人数、无应答次数、平均应答时间、咨询销售额、咨询转化率、推荐转化率、分时接待压力、值班情况、服务评分等。

用户状态流转

现有的 IM 系统中，用户咨询时一个完整的用户状态流转如下图所示：

用户点击咨询按钮触发事件，此时用户状态进入初始态。发送消息时，系统更改用户状态为待分配，通过调用分配服务分配了对应的客服后，用户状态更改为已分配、未解决。当客服解决了用户或者客服回复后用户长时间未说话，触发系统自动解决的操作，此时用户状态更改为已解决，一个咨询流程结束。

IM 服务的重构

在服务拆分的过程中，我们需要考虑特定服务的通用性、可用性和降级策略，同时需要尽可能地降低服务间的依赖，避免由于单一服务不可用导致整体服务瘫痪的风险。在这期间，公司其它业务线对 IM 服务的使用需求也越来越多，使用频次和量级也开始加大。初期阶段的 IM 服务当连接量大时，只能通过修改代码实现水平扩容；新业务接入时，还需要在业务服务器上配置 Openresty 环境及 Lua 协程代码，业务接入非常不便，IM 服务的通用性也很差。

考虑到以上问题，我们对 IM 服务进行了全面重构，目标是将 IM 服务抽取成独立的模块，不依赖其它业务，对外提供统一的集成和调用方式。考虑到 IM 服务对并发处理高和损耗低的要求，选择了 Go 语言来开发此模块，新的 IM 服务设计如下图：

其中，比较重要的 Proxy 层和 Exchange 层提供了以下服务：

1. 路由规则，例如 ip-hash、轮询、最小连接数等，通过规则将客户端散列到不同的 ChannelManager 实例上。

2. 对客户端接入的管理，接入后的连接信息会同步到 DispatchTable 模块，方便 Dispatcher 进行检索。

3.ChannelManager 与客户端间的通信协议，包括客户端请求建立连接、断线重连、主动断开、心跳、通知、收发消息、消息的 QoS 等。

4. 对外提供单发、群发消息的 REST 接口。这里需要根据场景来决定是否使用，例如用户咨询客服的场景就需要通过这个接口下发消息，主要原因在以下 3 点：

发消息时会有创建消息线、分配管家等逻辑，这些逻辑目前是 PHP 实现，IM 服务需要知道 PHP 的执行结果，一种方式是使用 Go 重新实现，另外一种方式是通过 REST 接口调用 PHP 返回，这样会带来 IM 服务和 PHP 业务过多的网络交互，影响性能。
转发消息时，ChannelManager 多个实例间需要互相通信，例如 ChannelManager1 上的用户 A 给 ChannelManager2 上的客服 B 发消息，如果实例间无通信机制，消息无法转发。当要再扩展 ChannelManager 实例时，新增实例需要和其它已存在实例分别建立通信，增加了系统扩展的复杂度。
如果客户端不支持 WebSocket 协议，作为降级方案的 HTTP 长连接轮循只能用来收消息，发消息需要通过短连接来处理。其它场景不需要消息转发，只用来给 ChannelManager 传输消息的场景，可通过 WebSocket 直接发送。

改造后的 IM 服务调用流程

初始化消息线及分配客服过程由 PHP 业务完成。需要消息转发时，PHP 业务调用 Dispatcher 服务的发消息接口，Dispatcher 服务通过共享的 Dispatcher Table 数据，检索出接收者所在的 ChannelManager 实例，将消息通过 RPC 的方式发送到实例上，ChannelManager 通过 WebSocket 将消息推送给客户端。IM 服务调用流程如下图所示：

当连接数超过当前 ChannelManager 集群承载的上限时，只需扩展 ChannelManager 实例，由 ETCD 动态的通知到监听侧，从而做到平滑扩容。目前浏览器版本的 JS-SDK 已经开发完毕，其它业务线通过接入文档，就能方便的集成 IM 服务。

在 Exchange 层的设计中，有 3 个问题需要考虑：

1. 多端消息同步

现在客户端有 PC 浏览器、Windows 客户端、H5、iOS/Android，如果一个用户登录了多端，当有消息过来时，需要查找出这个用户的所有连接，当用户的某个端断线后，需要定位到这一个连接。

上面提到过，连接信息都是存储在 DispatcherTable 模块中，因此 DispatcherTable 模块要能根据用户信息快速检索出连接信息。DispatcherTable 模块的设计用到了 Redis 的 Hash 存储，当客户端与 ChannelManager 建立连接后，需要同步的元数据有 uid(用户信息)、uniquefield(唯一值，一个连接对应的唯一值)、wsid(连接标示符)、clientip(客户端 ip)、serverip(服务端 ip)、channel(渠道)，对应的结构大致如下:

这样通过 key(uid) 能找到一个用户多个端的连接，通过 key+field 能定位到一条连接。连接信息的默认过期时间为 2 小时，目的是避免因客户端连接异常中断导致服务端没有捕获到，从而在 DispatcherTable 中存储了一些过期数据。

2. 用户在线状态同步

比如一个用户先后和 4 个客服咨询过，那么这个用户会出现在 4 个客服的咨询列表里。当用户上线时，要保证 4 个客服看到用户都是在线状态。

要做到这一点有两种方案，一种是客服通过轮询获取用户的状态，但这样当用户在线状态没有变化时，会发起很多无效的请求；另外一种是用户上线时，给客服推送上线通知，这样会造成消息扩散，每一个咨询过的客服都需要扩散通知。我们最终采取的是第二种方式，在推送的过程中，只给在线的客服推送用户状态。

3. 消息的不丢失，不重复

为了避免消息丢失，对于采用长连接轮询方式的我们会在发起请求时，带上客户端已读消息的 ID，由服务端计算出差值消息然后返回；使用 WebSocket 方式的，服务端会在推送给客户端消息后，等待客户端的 ACK，如果客户端没有 ACK，服务端会尝试多次推送。

这时就需要客户端根据消息 ID 做消息重复的处理，避免客户端可能已收到消息，但是由于其它原因导致 ACK 确认失败，触发重试，导致消息重复。

IM 服务的消息流

上文提到过 IM 服务需要支持多终端，同时在角色上又分为用户端和商家端，为了能让通知、消息在输出时根据域名、终端、角色动态输出差异化的内容，引入了 DDD （领域驱动设计）的建模方法来对消息进行处理，处理过程如下图所示：

总结

和展望

伴随着马蜂窝「内容+交易」模式的不断深化，IM 系统架构也经历着演化和升级的不同阶段，从初期粗旷无序的模式走向统一管理，逐渐规范、形成规模。

我们取得了一些进步，当然，还有更长的路要走。未来，结合公司业务的发展脚步和团队的技术能力，我们将不断进行 IM 系统的优化。目前我们正在计划将消息轮询模块中的服务端代码用 Go 替换，使其不再依赖 PHP 及 OpenResty 环境，实现更好地解耦；另外，我们将基于 TensorFlow 实现向智慧客服的探索，通过训练数据模型、分析数据，进一步提升人工客服的解决效率，提升用户体验，更好地为业务赋能。

本文作者：马蜂窝电商平台 IM 研发团队。

欢迎光临 168大数据 (http://www.bi168.cn/)