面试官问我：重试依然失败怎么办?

重试依然失败怎么办？这个问题曾经一直困扰我，我制定的重试策略是重试N次，重试时间间隔2倍递增，其中最大重试次数、最小重试间隔、最大重试间隔等参数都要求可以动态配置。这个重试策略并不是完美的，我一直困扰于超过最大重试次数依然失败，该怎么办？因为最终失败时我能做的只有 打印异常日志、上报异常消息到公司故障群，稍后人工介入处理异常场景。

从我的经验来看，重试失败的频率并不高，但是每次出现都需要人工介入处理真的很烦人。处理这个问题往往很棘手，需要在线上手动执行一些命令，是比较危险的人肉运维工作。

而且大多数情况下，重试失败通常不是由我的问题引起的，而是因为我的下游系统存在缺陷，导致我的系统处理失败。重试无法解决这类问题。在这种情况下，我只能找到相关的同事，请求他们尽快修复问题。待问题修复完成后，我再手动重试来解决这个异常情况。

我曾经吃过人肉运维的亏，对人肉运维工作深恶痛绝。# 点击看我的悲惨经历 所以在无数次地重复以上工作后，我终于忍无可忍，

人肉运维一时不会出错，但难保一世不会出错。出错就只能自己背锅，出来混，要学会保护自己。我需要设计一个系统，减少人肉运维的工作量。

故障可视化管理

提供可视化页面处理故障，可以有效提高安全性，避免人肉运维工作。解决思路是系统故障发生后，统一上报到故障管理平台。然后故障管理平台提供可视化页面展示故障列表，故障详情。在可视化页面提供修复工具。一般的修复工具是继续重试，如果有需求回滚故障，也可以提供回滚工具。

系统的架构图如下

系统交互共存在三个角色 业务系统、故障管理后台、故障管理后台页面。一个故障的处理流程是这样的。

当请求一直重试失败超过最大重试次数时，业务系统会上报到故障MQ，关账管理平台消费MQ，收集故障并落库。研发同学收到故障通知，同时在故障管理后台页面可以看到故障列表、故障详情。 排查问题原因、敦促相关同事修复问题后，点击重试按钮。故障管理后台收到重试请求，会通过 Rpc SPI 调用到业务系统 重试故障，并告知管理后台成功和失败结果。

故障管理处理流程

上报故障的处理流程

sequenceDiagram
业务系统 ->> 业务系统: 重试一直失败
业务系统 ->> MQ: 上报故障
MQ ->> 故障管理后台: 收集故障，落库存储
故障管理后台->> IM: 通知到公司故障群

故障重试的处理流程

sequenceDiagram
研发 ->> 后台页面: 浏览故障列表
研发 ->> 研发:  排查问题原因、敦促相关同事修复问题
研发 ->> 后台页面: 点击重试按钮
后台页面 ->> 故障管理后台: 重试故障 Http接口
故障管理后台->> 业务系统: 调用 Rpc SPI 重试故障
业务系统 -->> 故障管理后台: 返回处理结果，成功或失败原因
故障管理后台-->> 后台页面: 返回处理结果
后台页面-->> 研发: 失败继续排查原因。成功则结束

上报故障和重试故障是两个核心流程比较关键的点包括

系统关键实现

故障收集任务

CREATE TABLE `fault_collect_task` (
  `id` bigint(20) NOT NULL AUTO_INCREMENT COMMENT '自增ID',
  `misId` bigint(20) NOT NULL DEFAULT '0' COMMENT '创建人 ',
   `taskCode` varchar(256) NOT NULL DEFAULT '' COMMENT '故障类型code码，上报时需指定，全局唯一',
  `taskName` varchar(128) NOT NULL DEFAULT '' COMMENT '任务名',
  `taskComment` text comment '任务备注',
  `appkey` varchar(1024) DEFAULT '' COMMENT '业务系统微服务唯一键',
  `port`  int(11) NOT NULL DEFAULT '0' COMMENT '业务系统spi port',
  `status` int(11) NOT NULL DEFAULT '0' COMMENT '状态',
  `ext_config` text COMMENT '扩展字段',
  `op_log` text COMMENT '操作记录',
  `ctime` int(11) NOT NULL DEFAULT '0' COMMENT '创建时间',
  `utime` int(11) NOT NULL DEFAULT '0' COMMENT '更新时间',
  PRIMARY KEY (`id`),
  UNIQUE KEY `uni_idx_id` (`taskId`, `identityId`,`key` )
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='故障收集任务表'

故障收集任务是某一类故障的集合，任务会关联业务系统，上报故障时候，需要指定taskCode，用来标记故障属于哪一个任务。

故障表

故障表结构如下

CREATE TABLE `fault_item` (
 `id` bigint(20) NOT NULL AUTO_INCREMENT COMMENT '自增ID',
 `user_id` bigint(20) NOT NULL DEFAULT 0 COMMENT 'userId',
 `biz_id` bigint(20) NOT NULL DEFAULT 0 COMMENT 'userId',
 `unique_key` varchar(256) NOT NULL DEFAULT '' COMMENT '业务定义的唯一键',
 `task_id` bigint(20) NOT NULL DEFAULT 0 COMMENT '故障收集任务id',
 `task_code` varchar(256) NOT NULL DEFAULT '' COMMENT '故障收集任务code码，上报时需指定，全局唯一',
 `context` text COMMENT '故障内容',
 `status` int(11) NOT NULL DEFAULT 0 COMMENT '状态 0 初始化，1. 已重试成功，2 上次重试失败，3 忽略 ',
 `ext_config` text COMMENT '扩展字段, 被索引字段也放在里面',
 `comment` text COMMENT '备注',
`retry_result` text COMMENT '重试结果',
`version` int(11) NOT NULL DEFAULT 0 COMMENT 'version',
 `ctime` int(11) NOT NULL DEFAULT 0 COMMENT '创建时间',
 `utime` int(11) NOT NULL DEFAULT 0 COMMENT '更新时间',
PRIMARY KEY (`id`),
UNIQUE KEY `uni_idx_taskid_id` (`task_id`, `unique_key`),
KEY `task_code_ctime_idx` (`task_code`, `ctime`)
) ENGINE = InnoDB DEFAULT CHARSET = utf8mb4 COMMENT = '故障表';

注册Rpc Client 进入Spring

业务系统需要实现故障重试的SPI，故障管理后台需要创建Rpc Client的Bean，注册进Spring管理。

首先构建BeanDefinitionBuilder，需要声明该bean的类型，声明bean的重要参数。 将Spring ApplicationContext 转化为 BeanFactory。调用 registerBeanDefinition 注册bean进上下文。

ConfigurableApplicationContext configurableApplicationContext = ((ConfigurableApplicationContext) applicationContext);
DefaultListableBeanFactory beanFactory = (DefaultListableBeanFactory) configurableApplicationContext.getBeanFactory();

BeanDefinitionBuilder beanDefinitionBuilder = BeanDefinitionBuilder.genericBeanDefinition(ThriftProxy.class);
beanDefinitionBuilder.addPropertyReference("mtThriftPoolConfig", "thriftPoolConfig");
beanDefinitionBuilder.addPropertyValue("timeout", );
beanDefinitionBuilder.addPropertyValue("appKey", "");
beanDefinitionBuilder.addPropertyValue("port", );

beanFactory.registerBeanDefinition(config.getBeanName(), beanDefinitionBuilder.getRawBeanDefinition());

总结

借助于故障管理平台可以避免很多人肉运维工作，可以作为公司通用的平台，提供最大的价值。虽然系统问题出现的频率往往很少，但是修复问题的成本是比较高的。提高修复问题的效率，提高运维的安全性是故障收集平台最大的价值！