OpenStack虚拟云桌面在携程呼叫中心的应用

摘要：一为什么要使用虚拟云桌面背景携程呼叫中心，即服务联络中心，是携程的核心部门之一，现有几万员工。他们全年小时为全球携程用户提供服务。为此，携程正式引入了虚拟云桌面。携程云桌面现状携程云桌面现已部署上海南通如皋合肥信阳穆棱六个呼叫中心。

编者：本文为刘科在第六期【携程技术微分享】中的分享内容。在携程技术中心(微信号ctriptech）微信后台回复【云桌面】，可加入微信交流群，和关注云桌面的小伙伴一起玩耍~

刘科，携程系统研发云平台桌面虚拟架构师，多年从事分布式计算、通信系统平台设计、开发。

【携程技术微分享】是携程技术中心推出的线上公开分享课程，每月1-2期，采用目前最火热的直播形式，邀请携程技术人，面向广大程序猿和技术爱好者，一起探讨最新的技术热点，分享一线实战经验。

本期视频回放点击这里。

OpenStack是当前最主流、最热门的云平台，携程OpenStack环境除了应用在携程网站，还广泛应用于携程呼叫中心的桌面云系统。作为业界最领先的呼叫中心之一，携程服务联络中心几万员工365x24小时提供全球化服务，让说走就走的亲们毫无后顾之忧。

桌面云极大地提升了IT运维效率，显著降低了用户故障率，是未来IT的一大发展趋势。那么携程是如何把这两者高效结合部署于携程呼叫中心的呢？

本文将主要分享携程呼叫中心广泛使用的桌面云系统，介绍这套基于OpenStack的云桌面系统架构以及在开发过程中碰到的一些OpenStack相关问题，并分享云桌面系统运维、监控、自动化测试等。

1、背景

携程呼叫中心，即服务联络中心，是携程的核心部门之一，现有几万员工。他们全年7x24小时为全球携程用户提供服务。以前呼叫中心桌面使用台式PC，随着业务规模的扩大，PC维护量倍增，需要投入大量人力、物力、财力来报障系统稳定运行。为此，携程正式引入了虚拟云桌面。

虚拟云桌面是什么呢？如图所示，用户桌面PC机换成了一个云桌面瘦客户端（ThinClient，TC）。所有的CPU、内存、硬盘都在云端。云端跑满虚拟机，用户桌面通过瘦客户端连入虚拟机使用Windows。其中，虚拟机采用QEMU加KVM实现，云环境是用OpenStack进行管理，远程桌面协议是第三方高度定制、修改过的spice协议。

2、云桌面的优势

第一，运维成本。PC部署以及系统软件安装耗时较长，云桌面后台5分钟一台自动交付可供用户使用的虚拟机；PC扩大部署投入巨大，云桌面只需要购买少量服务器接入云系统，快速扩大部署。

第二，故障处理效率。PC有问题，有可能需技术人员到用户现场开箱检查，故障排查耗时较长，严重点的硬件问题如需更换配件，等待周期更长。云桌面故障标准是5分钟处理完毕。对于5分钟无法解决的问题，只需后台更换虚拟机解决。

第三，运维管理。PC分散在用户桌面，运维需要用户配合（比如保持开机）。云桌面提供了运维系统，只需设定好时间、安装任务参数，系统会全自动进行安装维护。同时，瘦客户端轻量，无任何用户数据，对用户也带来极大便利。典型的如用户位置迁移，云桌面无需搬移，只需用户到新位置登录即可。

最后，云桌面整体低碳、环保。瘦客户端功率跟普通节能灯相近，比PC低一个数量级。

3、携程云桌面现状

携程云桌面现已部署上海、南通、如皋、合肥、信阳、穆棱六个呼叫中心。几百台计算节点、近万坐席，而且规模还在不断扩大中，新的呼叫中心也在计划中。

同时，云桌面平台故障率、瘦客户端故障率也远低于PC故障率。下图是携程运维部门的故障率统计图。

1、云桌面原架构

携程云桌面后台云平台在实践中进行了多次迭代，原有架构如上图所示。该架构特点是，直接在OpenStack Nova进行定制开发，添加了分配虚拟的接口，实现瘦客户端直接访问OpenStack获取虚拟机信息。

这个架构下，云桌面平台可以直接访问全部的虚拟机信息，直接进行全部的虚拟机操作，数据也集中存在OpenStack数据库，部署方便。用户权限通过OpenStack Keystone直接管控，管理界面使用OpenStack Horizon并添加云桌面管理页面。

典型的分配虚拟机用例中，瘦客户端通过OpenStack Keystone进行认证、获取Token，然后访问Nova请求虚拟机。如上图所示，瘦客户端会通过Keystone进行认证，Keystone确认用户存在后向域LDAP进行密码校验，确认用户合法后返回Token；瘦客户端再通过Token向Nova申请虚拟机。

Nova根据瘦客户端设置的坐席信息，首先查找这个坐席是否已分配虚拟机。如有直接返回对应虚拟机。如无，从后台空闲虚拟机中进行分配并更新数据库分配，返回远程桌面协议连接信息。

2、原架构局限性

随着业务增长，原架构出现一些局限性，首先，业务与OpenStack呈强绑定关系，导致OpenStack升级涉及业务重写；修改业务逻辑需要对整个云平台做回归测试。

其次，用户必须要是Keystone用户，用户管理必须使用Keystone模型。导致Keystone与LDAP之间要定期同步进行，有时还需手工同步特殊用户。

管理层面，因为Horizon的面向云资源管理的，但业务主要面向运维的。这部分差异，导致我们开发新的Portal来弥补，管理人员需要通过两套系统来进行运维。

整体方案上，云桌面远程桌面协议由第三方提供，如果第三方方案不支持OpenStack，就无法在携程云桌面系统使用。

最后，用户部门有各种需求，直接在OpenStack内进行开发难度大，上线时间长，开发人员很难实现技术引领业务发展。

3、新架构

经过架构调整，新架构实现了OpenStack与我们的业务解耦，同时适应用户部门的业务发展方向，方便功能快速迭代上线。

从图中可以看出，云桌面业务逻辑从OpenStack中独立出来，成为了VMPool，Allocator；管理层独立开发一套面向IT运维的Portal系统，取代Horizon；云平台可直接原生的OpenStack。

其中VMPool负责维护某种规格虚拟机的可用数量，避免需要的时候没有虚拟机可用，让用户等待。Allocator满足符合条件的用户请求，返回用户对应的虚拟机或者从VMPool分配虚拟机分配用户。

对于用户分配虚拟机的典型用例，与原有架构改动较大。首先，业务层瘦客户端将直接访问业务层的API。API层会直接通过LDAP进行用户认证，并获取用户OU、组别等信息。

接着，业务层将进行用户规则匹配。每个Allocator通过用户组、OU、tag等进行规则匹配，以确定该用户是否由自己进行服务。如不满足Allocator所定义的规则，将按Allocator的优先等级，继续选取下一个Allocator进行匹配，直到匹配或者默认规则为止。

匹配后，如果是有绑定关系的分配规则，比如用户绑定或者坐席绑定、TC绑定，那Allocator将直接从数据库返回已有的绑定；如果无绑定关系，Allocator就会从对应的VMPool分配一台虚拟给，返回给用户。

最后，对用户部门来说，看到的是用户属于一个组，这个组对应特定的虚拟机。只需调整用户属性，即可实现用户分配特定的虚拟机，充分满足他们的各种需求。

1、软件版本选取

在搭建OpenStack前，必须进行需求分析，确定所需的需求。然后根据需求选取满足条件的OpenStack及相关组件的版本，以避免后期出现各种系统及虚拟机问题。

我们根据携程呼叫中心的业务需要，选好了几个版本的KVM、QEMU，以及OpenVSwitch，在选取能适配它们的几个可用kernel、Libvirt版本，并剔除了不稳定版本或者有已知问题的版本，将这些组件组成合理的组合，进行7x24小时用户模拟自动测试，找到最稳定、合适的并满足需求的，作生产上线使用。

2、资源超分

超分与应用场景强关联。一定要首先确定需求，是CPU密集、内存密集、IO密集还是存储密集。在做了充足的用户调查后，我们准备了大量用户模拟自动化脚本，进行自动化测试，以选取最合理超分值。

从我们的测试结果看，瓶颈主要是内存。内存超分过度会导致主机直接OOM（Out Of Memory）宕机。Windows及Windows应用吃内存比较严重，特别是像Chrome这些程序，优先占用内存先。虽然我们使用KSM（Kernel Samepage Merging，相同内存页合并功能），省了一些内存，但最终上线也只能达到1:1.2的超分。

对于IO，在Windows启动阶段比较明显。大量Windows同时启动时会造成启动风暴情，在我们的极端条件测试中出现过启动Windows需要40分钟，硬盘IO 100%使用，每个读写请求平均0.2秒响应。所以，在大规模部署时，对虚拟机并发开机数一定要有一定限制。同时，硬盘一定要多块做RAID，以提供更高的IO吞吐量。

最后是CPU。 CPU过度超分会严重影响用户体验。但是一般不会造成宿主机宕机。在我们的测试条件下，超分到1:2用户体验开始下降，所以实际上线超分不多。

最终我们现在生产环境，是以内存为标准进行超分，硬盘、CPU控制在可接受范围。

3、网络细节

多DNSMasq实例问题

我们虚拟机的IP地址通过DHCP获取。DHCP服务端我们使用的DNSMasq比较老，只是简单的实现了多实例运行，但并未真正实现绑定到虚拟接口。

在生产环境，我们观察到VM都能获取IP，但是在续租IP的时候大量失败。经抓包分析，虚拟机在第一次请求IP时，由于自身无IP地址，使用的是广播方式进行DHCP请求；在续租时，由于本身有IP地址，也已明确DHCP服务端地址，所以采用IP点对点单播请求。

服务端，多个DNSMasq实例运行的情况下，如果是广播包，所有DNSMasq都收到消息，所有广播请求能正确回复。在单播情况下，只有最后启动的DNSMasq能收到请求，最终导致虚拟机得不到正确的DHCP续租响应。最终我们通过升级DNSMasq解决。

宿主机重启导致虚拟机网络不通

在物理机重启后，有时会出现VM网络不通。经过调查，我们分析出根本原因是libvirt, ovs的启动、关闭顺序。

在正常情况下，libvrit退出时会删除它管理的OpenVSwitch Port以及它创建的对应的Tap虚拟网卡。libvirt启动时会创建需要的Tap网卡，并请求OpenVSwitch 创建对应的Port建立虚拟连接。

逻辑上，OpenVSwitch Port相当于交换机网口。Tap网卡，相当于PC的网卡。他们之间需要连线网络才能正常通信。

如果关机时，OpenVSwitch比Libvirt先停止，Libvirt将不能成功删除它管理的OpenVSwitch Port ；开机时，如果OpenVSwitch先启动，它将建试图重建之前存在的port。但因为Libvirt还未启动， OpenVSwitch Port对应的Tap网卡还未创建（即虚拟网口对应的虚拟网卡不存在），OpenVSwitch重建Port最终失败并且Port将被销毁。

由于Port信息对OpenVSwitch来说是用户配置信息，OpenVSwitch并不会从数据库中清理掉对应的Port记录。所以等到Libvirt启动调用OpenVSwitch创建Port时，OpenVSwitch发现数据库里面已经存在这些Port，所以并未真正触发Port重建，最后造成VM网络不通。

最终我们通过开、关机顺序调整实现问题修复。

RabbitMQ长连接

RabbitMQ是OpenStack使用的一种消息交交互组件。OpenStack在某些时候，会出现无法创建虚拟机的情况。通过日志分析我们发现计算节点没有收到对应的创建请求消息。然后抓包分析进一步发现，TCP数据包被防火墙拦截、丢弃。原来防火墙对TCP会话有数量限制，会定期丢弃长久无数据交互的TCP会话。

在了解根本原因后，一方面通过定期自动冒烟测试保证网络不空闲，一方面想解决方案。从应用层面上，我们调研到RabbitMQ已经有心跳机制，但要升级。由于升级影响范围太广，最终没有进行。

接着我们对网络层面进行了调查，发现TCP本身有Keepalive保活机制，同时RabbitMQ代码本身也有TCP保活，但默认不开启。最后我们通过启用RabbitMQ TCP保活机制，设置一个合理的保活间隔解决问题。

1、运维工具

运维是云桌面的一大难题，为此我们专门设计了运维系统，通过两套SaltStack系统实现了对瘦客户端与虚拟机的管理；通过Portal系统实现对整个系统的管理。

具体功能上，运维上，实现了对虚拟机、宿主机的可视化监控、管理，并能对虚拟机实现远程管理；对IT管理人员，实现了自动化的软件安装、文件下发、密码修改、数据找回，、发送通知等功能；对资产管理员，实现了TC状态监控，TC异常情况及时发现。还有其它大量工作仍在开发进行中。

2、监控告警

监控方面，除了常规的服务器、操作系统层面的监控，我们实现了大量业务层监控。比如通过监控已经连接云桌面的瘦客户端用户输入事件，实现实时活跃用户监控，使得我们能实时监控系统负载、用户数量。通过对比部门排班，第一时间发现用户数异常。

同时，对OpenStack 的各种告警、ERROR的也添加了监控，确保云平台的稳定。 对虚拟机网络、CPU等也进行了相应监控，确保虚拟机对于用户的高可用性。

3、自动化测试

通过在瘦客户端实现用户输入输出模拟，我们实现了全自动的测试环境。我们搭建了专门的云桌面测试实验室，数十台盒子进行7x24小时自动测试，全力验证系统各项变更，支持业务各种研究探索，保障系统稳定性。

同时，通过传统的CI框架，我们搭建了代码的单元测试、集成测试环境，已经大量的线上测试用例，不仅有力的保障了软件质量，还能定期对线上系统进行体检，第一时间发现系统异常