先简单介绍下升级背景：
公司要上线支付系统V3.0，主要增加复式账系统。
新老版本不兼容。即一笔支付交易必须完整走老系统记账或者走新系统记账。
数据库的主要影响是在已有的核心表（3kw）增加若干字段。数据库全部使用MySQL InnoDB引擎。
升级过程：
凌晨2点到7点，5个小时的上线过程中，经历了无法完全屏蔽流量、数据库导入主键冲突、上线步骤遗漏、隔离的UAT环境和配置更新复杂、MySQL5.5和5.6不兼容等问题。
下面按时间发生顺序介绍整个上线过程。
D-2日
RD、QA决定上线，RD开始评审上线CheckList，我们称为CheckList A。
大家一致认为直接在核心表增加字段风险较大，因为表非常大，而且生产机器数据库磁盘不是SSD。
MySQL5.5 即使是pt-online-schema-change也非常难用，已经有过教训。不停服务升级无法完成kw级大表的schema变更。
pt的主要问题在于pt太慢了，整个过程会建很多的触发器，相当于SELECT出来再INSERT进去。另外一个问题是，业务数据库访问比较频繁，抢锁比较严重，pt抢不到锁反而会加重负担，也影响整个改表体验。
其实MySQL5.6官方已经提供了Online DDL的解决方案，除个别情况外，原生的Online DDL都是最优的选择。参考链接：http://seanlook.com/2016/05/24/mysql-online-ddl-concept/index.html
但是我们当时的生产环境数据库还是MySQL 5.5，所以还是用不了
建议方案：
重新部署一套数据库（磁盘使用SSD），在新数据库上线建好更改后的schema，然后暂停线上流量，将全库数据用mysqldump出来，再load到新数据库中。
暂停线上流量再导出数据库，是为了保证数据一致性。（目前我们没有读写分离，而且保留只读功能意义不大）
在新库上建好更改后的schema再导入，这样性能瓶颈就是数据库的写入INSERT。而不是数据库的ALTER。实测在kw级MySQL表上效率更高。
对于业务功能验证，希望完全暂停线上流量后，部署一个隔离的UAT环境，使用真实数据，供QA进行线上验证。
D-1日
按既定方案，SYS和RD进行了完整的预演，主要是数据库操作。
由于涉及模块多，上线步骤复杂，SYS对RD的上线CheckList从方便操作的角度进行了优化，生成了CheckList B。
数据库建议方案从实践上看是没问题的，但是由于数据库过大，实际耗时需要1个小时左右。
QA利用预演环境（区别于UAT环境的点只在于不是真实数据）进行了业务功能验证，无误。
晚上9点开始，给用户推送支付功能升级的大字报。D日凌晨2点到5点停服维护。
D日
凌晨，某会议室，RD负责人，QA负责人，SYS。
0点~1点半。SYS 进行了第二遍预演。过程遇到了数据库导入主键冲突问题，但是重试后解决。
凌晨2点，SYS开始按操作步骤摘流量，屏蔽生产环境流量。但是发现按步骤都操作完了，数据库仍然有新的连接进来，即使强制杀了数据库连接，还有新的。完全不符合预期。（后来发现是一些年久失修的离线作业）
为确保数据一致性，祭出大杀器：FLUSH TABLES WITH READ LOCK
见到数据库连接写阻塞的就kill
新的数据库已经准备好，新的schema也更新好了。现在开始做数据库导入，执行了半个小时，挂了。导入主键冲突！可是怎么可能会有主键冲突呢？
排查了一遍，怀疑是预演过程中，有QA的程序一直在跑自动化Case导致的。断掉QA的连接，重新执行数据库导入，导入成功。
等数据库执行完，已经是4点了。
SYS配置了UAT的APP接入域名，QA开始打APP包进行验证。
包打好了，但是安装后直接crash，无法打开。
经排查，是因为QA配置Jenkins任务时参数填写错误导致。重新打包后，APP打开正常。
APP ready了，后台服务上完线了，开始进行业务功能验证。此时是凌晨4点半。
尽管在预演过程中，业务验证非常顺利，但是在生产过程中，业务验证非常不顺利。基本上每个场景都走不通。那么这只有一种解释，环境配置有问题。
RD负责人开始逐个排查问题，由于涉及到网关、业务入口、支付核心、账务等各个模块，即使有LogTrace辅助进行日志排查，仍然非常耗时。
5点半时，卡到一个关键的场景，业务验证不通过。
QA负责人从风险的角度开始打断RD，想要回滚。这时RD负责人压力非常大，觉得验证不顺利和代码没有关系，都是环境配置问题，涉及模块配置太多，很快就能解决。
连续三次打断后，RD负责人不得不停下来交涉，“到早上7点，有任何责任我背”。（后来了解到QA负责人已经通过别的途径把情况上报给了领导，这是别的话题，撇开不表）
这个过程中，牵涉最多的其实是环境和配置。
诸如：由于CheckListA 和CheckListB不等价，有一些上线步骤被遗留；UAT环境如何管理，新部署的MySQL5.6 mysql.ini和MySQL5.5不一致导致代码不兼容。
6点半的时候主流程都已经没有问题了。
7点正式对外切流量。
后续：
公司对这个项目Review了三遍，从各个角度，项目的角度，开发测试过程，上线过程等。
结论：
1、凌晨上线未必是好的选择。
虽然凌晨是业务流量低峰，但也是人大脑活动的低峰，难以保持兴奋。
2、做好充分的停服预告。
整个上线过程，太过仓促，停服时间超过预期，也没有充分评估用户影响。
停服并不说明方案的设计不好，停服并不是什么丢脸的事情。
3、做好止损红线。
各方提前沟通明确方案和时间点，什么时候冲，什么时候停。
将在外君命有所不受。事先没有约定的约束，在方案执行中不能提，只会增加扯皮的谈资，没有意义。（会上可以随意发表意见，一旦会议打成一致意见，会议纪要一发，就不要再提意见了）
网友评论