小機，再見!

淘寶是首先推行“去IOE”戰(zhàn)略的業(yè)務(wù)部門之一。“去IOE”之所以能從淘寶開始，是因為淘寶擁有阿里最大的Oracle數(shù)據(jù)庫，成本和技術(shù)壓力最大。淘寶技術(shù)專家余鋒曾說：盡管Oracle數(shù)據(jù)庫性能穩(wěn)定，但是對于淘寶來講，Oracle數(shù)據(jù)庫本身已經(jīng)不能滿足業(yè)務(wù)需求。淘寶的數(shù)據(jù)庫專家從IT前端逐漸過渡到后端，弱化Oracle數(shù)據(jù)庫，把“Oracle數(shù)據(jù)庫+IBM小型機+EMC存儲設(shè)備”切換到“MySQL數(shù)據(jù)庫+PC Server的模式”。到2013年7月10日，淘寶重中之重的廣告系統(tǒng)的Oracle數(shù)據(jù)庫全部下線。

2013年5月17日，阿里集團最后一臺IBM小機在支付寶下線時也使阿里“去IOE”運動越發(fā)受到關(guān)注。

在“去IOE”的進程中，支付寶首席架構(gòu)師程立有自己的苦衷。支付寶有阿里最后一臺IBM小機，這臺小機管理著支付寶用戶的所有資金。如果這臺小機出現(xiàn)故障，用戶將會無法支付，甚至連自己賬戶里有多少錢都看不到了，后果將不堪設(shè)想，因此對這臺小機的任何改動都要確保萬無一失。去除支付寶IBM小機的第二個難點在于，去除小機的前提是實現(xiàn)技術(shù)架構(gòu)分布化，為支付寶IT遷移到云平臺打下基礎(chǔ)。但將技術(shù)架構(gòu)從集中變成分布后，很難保證強一致性，比如客戶A給客戶B轉(zhuǎn)了一筆錢，不能出現(xiàn)A的錢扣了，但B的錢沒增加的情況。如何在一個分布的系統(tǒng)中保證交易處理的一致性是一個要攻克的技術(shù)難題。

“在王堅博士梳理整個阿里技術(shù)架構(gòu)的時候，支付寶曾經(jīng)是他‘去IOE’最大的一個‘障礙’”程立向《商業(yè)價值》記者說道。“我們必須要保證每天處理的大量資金，一分錢都不能錯，一筆都不能差。”出于謹慎，程立和團隊在去掉支付寶系統(tǒng)中其它所有的IBM小型機后，還保留著這臺小機管理最重要的賬戶資金。”

時間回溯到2012的“雙十一”大促的凌晨，很多消費者不斷點擊支付按鈕，卻常�？吹街Ц秾毜呐抨犿撁妗Ｏ�費者以為支付寶系統(tǒng)崩潰了，實際上，當時是因為支付寶僅存的這臺小機的承載能力有限，在高峰交易期，系統(tǒng)只能對來不及處理的請求進行排隊，這種排隊帶來的延遲產(chǎn)生了巨大的用戶體驗障礙。

“雙十一”的痛苦經(jīng)歷，讓程立最后下定決心去掉這最后一臺小機，最終，支付寶技術(shù)團隊設(shè)計出了基于互聯(lián)網(wǎng)技術(shù)的分布式交易處理方案，通過一次完美的項目執(zhí)行去除了支付寶、同時也是阿里的最后一臺IBM小機。

2013年的雙十一是程立經(jīng)歷過的最輕松一次“大促”，再也不擔心有任何技術(shù)節(jié)點會制約業(yè)務(wù)的發(fā)展了。

一臺超級計算機

在阿里進行“去IOE”同時，另外一項重要的技術(shù)研發(fā)也在同時上演。2008年10月24日，飛天研發(fā)啟動。“飛天”是什么?飛天是阿里的大規(guī)模分布式系統(tǒng)，幾乎等同于整個阿里云的整個技術(shù)體系。

技術(shù)網(wǎng)站博客園對飛天——這種分布式技術(shù)有一段生動的描述：當你只有六七條魚的時候， 一個小型魚缸就夠了;可是過一段時間新生了30多條小魚，這個小缸顯然不夠大了。如果買一個大缸，把所有水草啊、布景、加熱棒、溫度計都從小缸里拿出來，重新布置到大缸。這個工程要花費很多時間，尤其水草，糾結(jié)在一起很難分開。分布式系統(tǒng)可以幫你在這個小缸旁邊接了一個同樣的小缸，兩個缸聯(lián)通。魚可以自動分散到兩個缸。幫你越過復(fù)雜的系統(tǒng)擴建過程，省掉了很多時間和設(shè)備成本。

阿里舊的“IOE”架構(gòu)，本質(zhì)上代表著基于傳統(tǒng)高端設(shè)備、大型數(shù)據(jù)庫等軟硬件的集中式架構(gòu)。陳舊集中的技術(shù)無法應(yīng)對阿里爆炸式業(yè)務(wù)增長，如果在IT系統(tǒng)中有一點出現(xiàn)問題，整個架構(gòu)都面臨危險。飛天這種分布式系統(tǒng)集中大量的通用服務(wù)器在一個系統(tǒng)中，比單個的大型集中式系統(tǒng)運行速度更快。而且，把計算能力分散到眾多機器上，單個節(jié)點的故障只會影響一臺機器，其它機器可以照常工作。

2013年3月，阿里技術(shù)保障部給公司高層突然發(fā)信一封：“云梯1要撞墻了!”云梯1是阿里內(nèi)部另一個基于Hadoop的分布式集群系統(tǒng)。保障部的員工發(fā)現(xiàn)按照現(xiàn)有數(shù)據(jù)增量和未來業(yè)務(wù)增長的情況，阿里的存儲和計算能力將在3個月內(nèi)達到瓶頸，數(shù)據(jù)業(yè)務(wù)面臨停滯，必須將飛天系統(tǒng)快速擴建起來。

飛天的快速擴建要克服很多難題，國內(nèi)有大規(guī)模分布式系統(tǒng)經(jīng)驗的人不多，阿里的技術(shù)團隊里只有少數(shù)做過或用過分布式系統(tǒng)，所以整個研發(fā)的過程是一個探索學(xué)習的過程，只有遇到實際的問題，團隊才會對工程上的難題有所領(lǐng)悟。

其次，在系統(tǒng)設(shè)計的時候，工程師會設(shè)定相應(yīng)的工作場景、硬件環(huán)境的完備性。但在實際生產(chǎn)環(huán)境下，各種硬件環(huán)境、參數(shù)配置，往往會打破設(shè)計時的假設(shè)，因此總是會碰到各種問題。在解決這些問題過程中積累的經(jīng)驗，顯然不是教科書上可以學(xué)到的理論。這個超大計算機也有自己的軟肋，她要比單個服務(wù)器的可用性和可靠性要高很多，才能保證服務(wù)“永遠”不中斷，數(shù)據(jù)“永遠”不丟失。

經(jīng)過4個月的不懈努力，飛天資深技術(shù)總監(jiān)唐洪和他的團隊將5000臺飛天集群部署成功。阿里成為國內(nèi)首個單集群達到5000臺規(guī)模的公司，在此之前，全球也只有Google、Facebook等頂級公司可以按照5000臺機器來劃分集群規(guī)模。

飛天能做什么?用唐洪的話來說：“它有100PB級別的硬盤，可以存放幾百億的網(wǎng)頁;可以給幾十萬的用戶，每人提供幾百G的存儲;再或者是擁有了一臺萬核以上的超級計算機，普通計算機一個月需要完成的渲染作業(yè)在這個計算機上只需要幾分鐘就可以完成。”