坑爹，线上同步近 3w 个用户导致链路阻塞引入发的线上问题，你经历过吗？

分享一个印象深刻的线上问题，希望能够给 xdm 带来一点思考

一个稀松平常的工作日，正准备下班的时候，不巧，突发线上紧急问题，心中一万个不情愿，可还是要硬着头皮去定位问题

简单的表象为微服务之间 gRPC通信的通道默认是用了默认值，并没有按照实际业务去设置通道接受和发送的字节大小

用过 golang grpc 通信的 xdm 就知道，grpc 通道默认的发送和接收的消息大小为 4M，由于传送的数据包大于了 4M，导致通道阻塞，一直报错 rpc 错误，

 rpc error: code = ResourceExhausted desc = grpc: received message larger than max (6394324 vs. 4194304)

于是便有了一个定位并想办法解决或者规避问题的慢慢长夜

简述基本介绍通信流程

整个业务架构比较复杂，我们简单的提出出问题的服务链路来进行阐述

服务 A - 专门和第三方对接

有一个服务 A 是专门找第三方同步源读取第三方系统的用户组织结构，并转换成咱们平台自己的数据结构，将数据发送给服务 B

服务 B - 专门处理用户相关数据

服务 B 专门处理关于用户组织结构数据的，处理完毕之后落盘，并将数据给到服务 C

服务 C - 主要做数据转发

服务 C 主要是做数据的通道，会将数据转发给到节点中的应用 D，因为应用 D 和服务 A 和服务 B 没有办法直接通信

应用 D，处理处理实际的流量即管控

应用 D 接收或者去找服务 C 拉取数据后做相应的业务，做基本的流量管控和用户认证等

其中上述两者之间都是通过 gRPC 的方式通信

问题 1 - rpc 通道发送和接收消息设置过小

万万没想到的是，在做第三方组织结构同步的时候，居然是服务 A 从第三方同步源中获取所有的用户组织结构（包括所有的组，所有的用户），不管总量多少，一口气全部弄过来，然后再一口气全部推给服务 B

可这一次线上问题，正是因为这么 low 的做法和处理方式，导致超出了 gRPC 的默认消息大小 4M，显现就是服务 A 将数据发送给到服务 B 的时候，发送没有问题，但是服务 B 接收的时候出了问题，日志中疯狂打印上述的 rpc 错误

 rpc error: code = ResourceExhausted desc = grpc: received message larger than max (6394324 vs. 4194304)

当然，这个时候不允许我们停下来去思考如何优化的事项，必须第一时间解决或者规避问题

立刻评估，将涉及到的服务，gRPC 的 send 和 receive 的地方全部统一修改为 32 M（1024102432） ，这个问题暂时得以规避

可以查看到 grpc 源码中的说明

MaxRecvMsgSize 接受消息在 grpc 中默认大小为 4M –（102410244）= 2^{22}

MaxSendMsgSize 发送消息在 grpc 中默认是 MaxInt32 = 1<<31 - 1 也就是 4M * 2^9 -1 即 2048 M = 2G

则在 grpc.NewServer 的时候，将上述的 option 加上去就可以了，例如这样

// 例如设置接收消息大小为 math.MaxInt32
var opts []grpc.ServerOption
opts = append(opts, grpc.MaxRecvMsgSize(math.MaxInt32))
newSvr := grpc.NewServer(opts...)
// grpc RegisterxxxxServer()

问题 2 - 组织结构同步的层级太小，不支持 16 层

本以为问题就这么规避了，然而还是太年轻

当服务 A 将数据全部打包发送到服务 B 的时候，才发现，原来问题才刚刚开始，由于数据量比之前测试过的数据量大了好几倍，导致各种问题接二连三的出来，这也体现了整个平台的健壮性太差

当前遇到的问题是服务 B 处理的组织结构层数，最大只能有 8 层，超过 8 层的数据就直接不要了😂😂😂，看到这里，what？？？之前是谁设计的😢😢😢

迅速阅读源码，查看相关联的逻辑，调整关联代码，火速将支持的 8 层，调整为 16 层组织结构，还好代码不是太复杂，否则这么大半夜的，真的不敢大动，毕竟这个时候已经不是一个人了，只是半个人😅😅😅

此处的组织结构好在不是传递的一棵树，如果是一棵树的话，大概率是要栈空间超限的，我们知道栈空间一般 2M，超过就要溢出了

好在是传递的是一个用户的 list，元素是关于用户的绝对路径，例如 /a/b/c/小花

问题 3 - 同步近 3 w 个用户居然花了近 8 分钟，近 3w 用户放到一个消息里

处理完问题 2 之后，尝试同步一次组织结构，发现近 3 w 的用户，居然同步花费了 8 分钟左右，其中服务A 到服务B耗时近 2 分钟，然后服务 B 就处理了4 分钟，其余时间花费在别的服务处理

这个时候，就看到页面上一直在转圈，如果是用户看到一幕，那可能直接就是退货的节奏了🤣🤣

不过好在是同步成功了，暂时先把同步的按钮先关了吧，毕竟数据都过来了，接下来的事情都是可以调整的

其实看到这里，一个消息放近 3 w 个用户，只能说这一块根本没有设计，需求是赶鸭子上架赶出来的吧？对于这一块的优化放到下一篇来分享

问题 4 - 操作界面一直转圈，前端处理数据极慢

然而，当上一个问题还没有完全解决的时候，发现又爆出另外一个问题，看来年轻的不仅仅是一点点大，这个时候甲方爸爸要开始喊 细狗你行不行啊

打开平台，查看用户相关页面，卡的一匹，足以和上世纪打开网页的程度比慢了，简直没眼看，。处理 3 w 数据耗时 20 分钟，才看到正常的页面

原来处理方式是这样的：

前端找后台查询这个租户所有的用户，然后前端再进行树形展示，看到这里是不是蒙圈了？？？

哪有这么去实现功能的？基本的懒加载不会吗？暂时后端提供相应的接口， 前端 调整逻辑得以规避

懒加载， 是一种独特而又强大的数据获取方法,它能够在用户滚动页面的时候自动获取更多的数据,而新得到的数据不会影响原有数据的显示,同时最大程度上减少服务器端的资源耗用

然后，大部人的回答是，我也不知道会有那么多数据呀🤣🤣🤣，诶，还是吃亏在太年轻，不够专业，甚至还有人提议，这个页面暂时让客户不要点😥😥

问题 5 - 大数据日志上报，由于数据量猛增，导致日志通道阻塞

真是福无双至，祸不单行啊

由于大数据日志上报模块也需要通过 grpc 根用户数据更新时间来一次性查询用户，同样的问题，这一条链路也卡的要死，显示由于请求超时，因为 rpc 超时时间代码中默认就设置了 10 s ， 后面将时间改大了之后得以规避，最终由于大数据模块处理数据慢，花费了 2 个小时才把近 3w 的数据搞定

心中想，这也是大数据？？😪😪，感觉这个产品要完蛋了