海量用户实时互动直播架构探索

摘要：实时互动直播延时必须低达几百毫秒。实时互动直播要保证高可用性，有巨大的难度，原因如下实时很难。单服务器实时互动直播架构实时互动直播，不能使用方案，因为方案性质决定了延时达不到实时的要求。

现在比较流行的直播，经常会出现这样的情况： 用户打了一个弹幕上去，主播念出来的时候，弹幕已经飞出去了。二者时间是不匹配的。

这是我们的一个客户，两个主播连线互动，实时交互。试想，如果直播时延时高达几秒，像这样的双主播组合是没有办法进行交谈的。A说完之后，对方要等几秒才能听到，又过了几秒，A才能听到对方的回答。

这两个例子其实要说明实时互动直播和普通直播相比有本质的区别：延时。实时互动直播延时必须低达几百毫秒。

为什么是几百毫秒？为什么不是几秒也不是几毫秒？这是由人们日常交流习惯决定的。人的说话声音通过声波传播，如果两人相隔34米，那么延时就是100毫秒。基于这个范围，略长的延时，观众还能。基于互联网的音视频通信，音频通话延时标准在400毫秒以内，视频通话延时在800毫秒以内，这可以让通话双方无延时感知的。延时如果达到秒的数量级，那么通话双方就会有明显的等待。

互联网是基于电磁波或者通过光纤传播的。光绕地球一圈，耗时300毫秒，这是无法逾越的物理定律延时。有人号称可以做到0延时，他们估计用上了量子通信。在实际互联网应用中，网络条件并不理想，互联网信号绕地球一圈的延时必然大于300毫秒。这就给实时互动直播，带来了巨大的挑战。

第一，互联网的骨干网上路由器的部署，不是直线点到点，而是中间要经过很多路由器的跳数，实际上是在走“弯路”。所以，互联网传输没有办法绕地球一圈正好300毫秒，最好的情况也需要要近400毫秒。

第二，公共互联网上，路由器其实经常出现故障。比如，在晚高峰的时候，网络会比较慢。这是因为部分路由器可能过载。因为路由器有最大的处理能力上限，一旦超过上限，就不能处理，会造成丢包、拥塞。

第三，无线网络相对有线网络，可靠性较低。无线网络普及度越来越高，，越来越多的手机、笔记本连接无线网。但是无线网络相对有线网络没有那么可靠，同时也会引入信号污染。信号覆盖不到的地方，效果较差。

第四，高并发挑战。首先需要普及一个概念：并发和在线是有区别的。当今的移动互联网，大家都在讲千万级。当我们谈及海量用户架构这个话题时，似乎如果不说到上亿这个量级，是落后了。但是实际上，前面这些说法都混淆概念了，它们都在说“在线”，而不是“并发”。以下图为例：

左边是QQ在线好友列表，图中可以看到很多好友展现，其实没有交互，使用者不会有压力。右边是一个框同时和很多人聊天，使用者会感受到巨大压力。同样的，对于直播服务而已，如果用户只是在线，很少会跟服务器有交流，最多偶尔发一个心跳包。

用户在线时，如果参与了“看”“说”，这就是并发。直播的并发峰值具有突发性，往往跟主播的活动密切相关。比如，主播会跟粉丝约定直播时间，到了约好的时间，粉丝就会在短时间大量涌入一个直播频道。观众慢慢进入频道，服务器没有压力，但如果瞬间涌入，后台的压力非常大。

本文，将重点介绍互动直播的可用性问题。电信业务的可用性标准是四个九，我们期望做到五个九。双十一时，支付宝的处理能力非常强，百度百科上提供的数据显示，支付宝当天处理了96%订单。但是，我们对自己的互动直播有更高的要求，期望做到99.999%。

实时互动直播要保证高可用性，有巨大的难度，原因如下：

实时很难。互联网基础设施不是为实时通信设计的。

覆盖很难。机房找点，互联互通。对通信云来说，覆盖不好会影响到可用性。

高并发很难。不能看着看着就不动了，没声了。

突发性很难。系统容量要高，还要防止雪崩。

这些挑战我们在做整个服务的时候，都需要全面考虑。

这是当前流行的直播架构，左下角是一个主播，主播通过手机或电脑等设备，把自己的视频流上传到服务器，接入目前流行的CDN服务，通过CDN服务进行网络分发，分发到各地的用户。所有用户都可以看到主播的表演。

实时互动直播，不能使用CDN方案，因为CDN方案性质决定了延时达不到实时的要求。下图是我们认为可以实现实时互动的架构。主播把自己的视频流上传到服务器，通过这台服务器分发给其他用户，再采用合适的传输协议，延时可以做到很小。从主播到服务器再到观众的延时，加上编解码和抖动的延时，可以做控制在几百毫秒以内。

这个架构很简单，但有一个缺点，没有考虑覆盖不同地用户的问题。并且一台服务器支撑不了大规模用户。这台服务器如果宕机，或者服务器机房出故障，整个传输都会受到影响。这必然达不到高可用架构的标准。

主播的视频流上传到一个接入服务器，这个服务器会把这个视频流分发到我们部署在世界各地的服务器。然后这些服务器接入本地的用户，把视频传下去。

在这个架构里面，首先可以解决的是覆盖问题，部署在世界各地的服务器，可以让用户可以快速就近接入。整个视频流通过我们在互联网上做的分布式传输算法，把它实时的传输到世界各地的机房。其次，可以避免机房甚至骨干网故障，对传输造成的影响。

可用性可以分为两个部分：接入可用性和使用可用性。你在使用服务的时候，能够接得进去，能够听得到，这是接入可用性。举个例子，打电话的时候，有时会出现你所呼叫的用户无法接通，因为用户的手机没有接入电信服务，这就是接入可用性问题。在通话的时候，听不到对方说话了，使用中掉线了，这就是使用可用性。

为了实时监测可用性，我们做了两方面的监测：

1、主动监测

服务可用性不能依靠用户数据反馈或者用户主动上报，这样你永远是最后一个知道的。况且初期用户量小怎么办？因此，我们需要自己给出我们的服务有多可靠。为此，我们研发主动监测系统来监测整个服务。端到端监测，接入有没有问题，在使用的过程中会不会出问题。

2、被动监测

用户在使用我们的服务的时候，我们会收集用户接入服务的整个过程，多长时间可以接入，接入时经过了几次请求，使用中有没有掉线，中间有没有声音终端或卡顿。我们会收集这些数据，据此了解服务的可用性。

有了监测数据，那么就可以据此来不断改进我们的服务，解决前面所说的挑战。

在中国做互联网的人应该都有一个感受，联通跨电信，用户之间是难以交互的。早期的QQ传文件没有做中转，如果联通和电信的用户要互相传文件，速度非常慢，甚至会中断。玩网游的用户，也会遇到有电信专区、网通专区。下图是一个简单的测试，当跨运营商的时候，发一个包，可以看到里面有很多丢包。这个数字是RTT，这个测试结果可以看出，最小是62毫秒，最大是840毫秒。

不但中国有网络互通的问题，国外也有。很多人以为发达国家，比如美国、日本，互联网的基础设施较好，所以不会有互联互通的问题。但是，在我们做实际测试时，美国的互联网也存在互联互通的问题，只是状况比中国好一些。

上图，展示了一个一个阿尔及利亚用户的网络状况。他接入的是国家电信的服务商，从骨干网接入阿尔及利亚电信有很多线路，最下面的线路意大利电信是最直接的。如果不走意大利电信，那么中间就必须经过很多运营商跳转。在这种情况下，要保证用户有做最快的传输，就要保证传输走意大利电信。这必须依靠覆盖来解决。

如何解决覆盖问题？

首先，部署大量边缘服务器。边缘服务器的地理位置越接近用户越好，二者的线路越接近约好，同一个SP最好。比如中国国内，我们会有大量电信、联通、移动服务器。当我们发现一个接入的用户是电信时，我们会找电信线路，如果是联通的会找联通线路。再看回上一个图，如果遇到阿尔及利亚的用户要怎么办？在现在的服务里面我们就要找一个意大利电信接入，而不是随便找欧洲的机房。必须部署很多边缘服务器才能做到这一点。

其次，要有分配服务。有边缘服务器之后，用户还是无法接入边缘服务器，因为他不知道接哪个。因此，必须有配套算法，根据用户的SP，找到和他最匹配的边缘服务器，来进行接入分配。

我们在全中国有好几十个机房，其中有很多电信的机房，不同的电信用户来使用我们的服务，应该给他哪个电信机房呢？如果把北京电信用户接到广州的电信机房，虽然大多数情况下丢包不会很高，但延时会比较大。为此，我们设计了就近接入算法，使用我们服务的每个用户，都会接入到最靠近他，且线路最匹配的服务器。

当我们就近按SP接入时，遇到了一个新问题：假如一个香港用户，接入的是香港机房，想看北京联通用户的表演，那么这个香港用户怎么看到北京用户的表演呢？我们就需要有一个分布式传输的架构和算法，来把北京的流量传到香港。

今天无线互联网非常普及，使用无线网时，有一个问题比有线网更严重：DNS解析。用户接入时，第一步是通过域名解析，解析到最近的服务器。但是，做DNS解析时，无线网络的信号会存在污染，导致DNS解析失败。为此，我们优先使用解析，解析不到再用静态IP配置。

我们发现在骨干网上，很多默认的骨干网路由经常出问题，同时有一些骨干网部分是不会拥堵的。基于这样的发现，我们做了自己的路由网络。

在默认路由之外，我们会额外部署路由机房。比如，从上海到洛杉矶，假设默认线路到晚上高峰期会比较拥堵，同时我们发现从上海经过广州再经过香港再到洛杉矶，这条线路不会拥堵。那么，我们就会部署这样一条路由线路，然后做自动的适配。

如果骨干网上出故障了，我们通过路由的方式构建Overlay应对。首先，我们的应用会先连接到分配服务，分配服务会给出一批可接入的机房，当接入的机房坏了，就立即切换到下一个可用机房，如果发现还是坏了，则再次接入到分配服务，继续寻找当前可用服务器。

蜂拥是实时互动直播里面特别突出的现象，短时间内大量用户进入频道或者使用服务。蜂拥对整个后台的冲击力非常强。大多数的互联网的后台服务器每秒接入大概千的量级，但是对于蜂拥而来的用户，处理量远远不够。这时候就会遇到一个问题，后台处理响应速度越来越慢，很多用户的请求会超时。超时之后就会进入更多的请求，请求就会像滚雪球一样越来越大，导致整个后台系统不能响应，整个系统就会产生雪崩，这叫雪崩效应。

1）要把性能上限提高。通常来说我们的性能上限会达到峰值处理能力10倍以上。性能上限提高要做分配服务性能扩展，我们的做法一般是水平扩展，因为垂直扩展比较困难。

2）应用里面做自动的重复请求，它会不断累计请求量，我们要做退避的策略。

3）保证整个接入服务本身的可用性问题，处理方法很简单，多点备份，然后做并发的请求。我们有很多分配的服务器，们的应用接入的时候会同时从几个点请求分配，分配到一批边缘服务器之后，会同时连接几个边缘服务器，哪个先响应就处理哪个。

本文整理自声网Agora.io 1号架构师李伟，在ArchSummit深圳2016 全球架构师峰会 的演讲。

【李伟】

2006年-2008年，在PP live工作的时候研发了PP live（已更名PPTV），当时最高有接近150万人在线。
2008年到2010年，在新浪负责新浪视频的研发，2008年的欧冠直播，40万人在线。
2010年到2013年在YY工作，主要负责YY的架构，最高在线是超过一千万，最大的单人频道达150万左右。
2013年，加入声网，负责声网音视频的系统架构。