Netflix 如何在迁移高流量系统时避免停机?

在系统设计的面试题中，经常会有追问“如何迁移系统”。Netflix 的团队在他们的官方技术部落格中，发表了《Migrating Critical Traffic At Scale with No Downtime — Part 1》分享他们实际迁移的经验。

对大型且复杂的系统来说，通常迁移系统意味着要处理无数个子系统与伺服器。在过程中，要是有环节出错，可能导致连环的错误，进而影响到使用者。对于 Netflix 这种讲求高可用性的产品来说，影响到使用者，哪怕只是几秒钟，也将可能造成巨大的商业损失。

Netflix 团队把迁移的过程拆分成两个阶段，第一阶段是针对功能正确性、可扩展性，以及效能问题，确保新系统有足够的强韧性；第二阶段则是在实际迁移时，确保可能的风险能有对应的处理方案，以及有相对应的指标来监控。

Netflix 团队具体采用的做法是回放流量测试 (Replay Traffic Testing)，也就是复制在生产环境的流量到另一个路径，然后在复制的版本中进行更新。这样的做法可以完整模拟生产环境的状况，但同时又如同有个沙盒环境可以测试，所以不会影响到实际的生产环境。

在这篇文章中，他们分析了为什么在评估多个方案后，最终采取这种策略。特别推荐大家可以读他们的分析，因为在选择技术方案，往往要面对许多取舍，不论在面试与现实工作中，你需要能够说明为什么你选 A 方案而不是 B，这篇文章的分析脉络很值得参考。