DLI可靠性之跨AZ双活

服务保障可靠性的几个关键点

         在现实世界中，故障和BUG无处不在，云服务也同样如此。硬盘可能损坏、网络可能中断，用户和业务提供方都希望能够预防故障的出现，但事与愿违，现在它还是一个无法实现的梦想。

         那就需要我们转变思路，从避免故障出现转向即使出现了故障也不会使服务不可用。其中有以下几个关键的点：功能降级、断路器、舱壁、冗余、冗灾，此次文章想谈的点就是对于一个高可用的服务，必须具备冗余的能力。即对于一个高可用的服务，必须具备冗余的能力，当一个实例故障后，可以由其它实例继续提供服务。这些实例需要被监控，并在实例故障时能够拉起新的实例。这些服务实例必须具备良好的负载均衡能力，并部署在不同的节点上（最好是不同的物理机，以避免同时故障）。

DLI集群级别的可靠性保障

         对于之前的DLI来说，每个队列会绑定到一个AZ（物理可用区），用户的SQL等作业都会提交到这个集群中运行，但是当这个AZ遇到不可抗力因素断电后，那么意味着这个AZ下的所有服务都不可供用户使用，也就是不可靠了。而用户希望的场景是当一个AZ挂掉后，我的作业能够继续提交到另外一个AZ下运行，这是一个比较合理的诉求。而目前DLI提供的就是这种跨AZ双活方案，用户只需要在购买队列页面中选择包周期/按需专属，勾选跨AZ选项即可。

         跨AZ意思就是作业提交会提交到两个不同的AZ中，而双活的意思就是两个AZ下的集群可以同时接收任务，同时存活可用。

         从文案的名字也可以大致看出来，我们使用的可靠性方案是冗余，即是在创建集群资源的时候我会在两个AZ下都建一个相同规格的集群，用户提交SQL作业时我们会负载均衡的将作业分发到这两个集群中，当一个AZ下的集群不可用时，作业会经过failover机制重新提交到另外一个可用AZ下的集群中。且有定时检测机制，每分钟会检测是否有失败的集群，当有一个集群失败后会在另外一个AZ下重新创建一个相同规格的，这样用户又可以拥有两个双活的集群进行作业提交。并且对于用户而言，这整个过程是无感知的，且和之前的操作基本没有变化，但是可靠性确大大增加了。目前已经处于内部使用期，当稳定后会推广到华为云全网的DLI局点供所有的用户使用。

         欢迎体验数据湖探索(DLI)服务：https://www.huaweicloud.cn/product/dli.html

优势和局限性

1.       从保障服务可用性的角度来说，DLI双活方案可以保障用户在大部分情况下的使用可靠性，并且是无需用户额外进行操作的

2.       从作业执行角度来说，由于有双份的资源，用户提交作业的并行度也会得到一个比较大的提升

3.       例如用户原本使用的是1000CU，那么跨AZ可以建两个500CU的集群，这样费用方面也和之前没有什么差别，花同样的钱确体验到了更加先进可靠的服务，何乐而不为呢