钉钉企业级IM存储架构创新之道

声明：本文来自于微信公众号 InfoQ（ID：infoqchina），作者：小智，授权站长之家转载发布。

业界的 IM 产品在功能上同质化较高，而企业级的 IM 产品对于高可用、安全性又有更高的要求，如何打造具备差异化的产品，又在高可用、安全性、数据一致性等方面具备较高的品质，是企业级 IM 产品成功的关键。钉钉在过去短短几年时间里，用户数已破 2 亿，企业组织数破千万，钉钉是如何规划企业级 IM 产品的架构的？InfoQ 记者就此采访了钉钉 IM 服务端研发技术专家劲弩，劲弩也将在 ArchSummit 全球架构师峰会（北京站）2019 为我们带来《钉钉企业级 IM 存储的挑战与实践》的精彩分享，感兴趣的读者朋友可以多加关注。

1不同场景，架构不同

钉钉的技术栈继承自阿里巴巴集团。阿里有着”大中台，小前台“的组织战略，所以钉钉在大的框架上是复用集团的能力，包括集团的中间件、存储引擎、微服务框架等。在此之上，钉钉聚焦在核心能力的研发，比如：IM 核心系统、系统单元化、音视频通讯，弱网优化，图片收发极致体验等等。

钉钉作为 ToB 产品，业务场景跟 ToC 的 IM 产品有很大区别，架构上也各有侧重。

第一是万人群。在钉钉里，企业的组织关系映射到 IM 的群，产生了为数众多的超级大群。和 500 群人数上限相比，钉钉支持万人大群，大幅提升了群的触达人数。

如此数目繁多的万人群给 IM 系统的流量冲击巨大。在节假日，特别是元旦、春节或者双 11 这样的重大活动时期，管理层和员工在大群高频互动，流量洪峰瞬间流过 IM 系统，挑战着系统的极限。

为支撑好超级大群，我们做了以下多点的优化：

降低存储扩散量

最早 IM 使用写扩散模型，一万人的群发一条消息写一万次消息收件箱。优化为读扩散模型后，一条消息只需写一次消息收件箱，扩散量降低到万分之一。

智能限流

在节日场景下，一些大群的消息发送频率过高，可能超过系统整体容量，影响 IM 系统稳定性。如果对每个群设置较低的发送阈值，系统又没有完全发挥出容量，从而提供足够流畅的用户体验。针对这个问题，我们设计了一种智能限流的方法，当总体流量超过系统阈值时，自动根据当时情况对消息发送频率相对较高的大群进行限流。

万人群成员多级缓存

我们在客户端、服务端建立了群成员的多级缓存。

一方面增强了用户打开 at 列表、查看群成员列表的体验。因为群成员人数增大时，打开群成员列表的延迟提升明显，用户能感受到长达数十秒的卡顿。增加客户端缓存后，用户输入 @立刻响应成员列表，即使群里有几万个群成员。另一方面避免了大量群成员读写对 DB 的压力。如果压力直接打到 DB 层，万行记录的扩散量过大，很容易造成热点，影响系统稳定性。

端到端的体验保证

客户端定期做极限压测，在群消息大规模刷屏的情况，保证用户体验流畅不卡顿。

第二是历史消息可回溯。在 ToB 场景下，数据属于企业的资产。企业有需求查看历史消息，因为它是关键的沟通信息。

首先是既省流量，又不遗漏的历史消息回溯协议。最近的消息通过同步协议推送到达客户端本地。而历史的消息，服务端不曾推送，客户端本地没有入库。在用户进入会话时，如果客户端发现本地消息不足，自动从服务端拉取不足的历史消息。采用这种推拉结合的协议，保证了消息不管多么久远，都可以毫无遗漏的从服务端同步下来。

然后是低成本的历史消息存储架构。消息具有典型的冷热属性: 用户访问的绝大部分都是最近的数据。我们自研了一套冷热分离架构，在冷库使用低成本高压缩率的存储引擎，大幅下降存储成本。

最后是达到金融级安全保障的历史消息加密。为了保证历史消息的安全性，我们在全链路使用金融级的加密算法，不留死角，确保没有任何人可以非法获取历史消息。

第三是场景化。ToC IM 产品的场景都比较通用。比如微信群，每个人能够使用的功能集合是一样的，大家进群聊天，都可以改群昵称，群名称。

钉钉则是面向场景打造极致体验。以班级群为例，班级群里面没有用户的概念，变成了老师、家长、学生。进群后家长无法修改群昵称，完全由系统设置，比如"小明爸爸"。所以，班级群的进群路径、群管理、昵称展示，都是面向家校沟通场景的特殊优化，目的是做到家校场景的极致用户体验。

这给技术团队带来两方面的挑战。一方面是系统模型必须做到可扩展性强，足够灵活，能够快速地支持业务场景化的需求；另一方面是在维持业务快速迭代的情况下，保持核心 IM 系统的高可用性。因此钉钉的架构必须做到同时满足这两点需求。

还是以班级群为例。它使用小程序开发，不需要发版就可以做 bugfix、实现业务需求。同时服务端切分为了业务层和 IMCore 层。业务层做灵活多变的业务逻辑，迭代速度快。IMCore 层提供基础能力和扩展点，改动频次低，主要是提供高稳定性和单元化能力。服务分层后，基本做到了新需求不改动 IMCore 层。迭代速度快，系统稳定性强，达到了业务、技术皆大欢喜的局面。

第四是单元化。单元化在钉钉有多层需求：

高可用。钉钉要保证 vip 用户在地域灾难的情况下可用。因此我们设计了一套基于单元化的异地容灾方案。当中心宕机，两分钟内一键把 vip 用户调度到容灾单元，确保用户能够正常使用 IM 基本功能。

国际化。海外地区的对于数据有合规的要求。同时，钉钉在当地部署应用，也给海外用户提供了更流畅的用户体验。

支持大客户及特殊行业。钉钉今天不仅承接中小企业的沟通办公，也承接不少政务大客户。他们对钉钉的诉求是具备专有云部署能力。

容量。随着业务发展，所有流量在中心处理不可扩展。把流量分散到多地域是一个必然选择。

钉钉通过一套代码部署，一套运维体系实现单元化，满足了以上多层次的需求。我们开发了单元化基础组件，动态路由，业务层数据同步组件等一系列基础设施，可以将钉钉部署在任何一个国家或地区，甚至客户的自有机房。

2高可用、安全性如何保证

企业级 IM 产品对于高可用和安全性的要求远高于 ToC 场景下的 IM 产品。一旦钉钉的消息发不出去或者收消息出现延迟，就会大面积影响企业的核心业务运转。同时，聊天数据长期保存，历史消息可实时回溯，一方面对数据存储提出了更高要求，另一方面也对数据的安全性带来了新的挑战。

高可用架构：通过异地容灾、中间件冗余、存储冗余，在架构上避免单个中间件、存储或者地域的灾难对系统可用性产生影响。比如今天 IM 依赖的 DB 宕机，并不会影响用户的消息收发成功率。

变更管理：核心系统控制发布频率，每一次发布必须 checklist 校验。发布可灰度、可监控、可回滚，控制问题引入的影响面。

持续精进：通常大的故障都是由小的隐患累计产生。如何发现并解决系统中的隐患？得有机制性的解决方案。我们每天投入专人，去发现系统中的稳定性问题。常年累计下来，系统的健康度越来越高。

作为企业级应用，安全是钉钉的立身之本，也是企业客户最敏感的关注点。

钉钉 IM 拥有高强度的链路加密，达到银行级数据加密级别。IM 在全链路上都是加密的，因为即使有一个点疏漏，数据就可能泄漏。所以在客户端、长连接、mq、存储、业务上下游，都做了加密。在接口访问层面，我们也有完善的鉴权、访问控制，确保数据不会被非法使用。

数据安全上，企业还可以选择第三方加密。聊天数据同时被钉钉、三方双重加密，数据只属于企业。

长期的安全技术沉淀。钉钉背后有阿里集团数千名工程师建立的安全保障机制。我们每一次发布都会有代码安全扫描，一般的水平权限漏洞都可以在扫描中发现，用工具把大部分漏洞扼杀在上线前。同时自主研发了动态防入侵系统，实时监测平台的安全状况，对于入侵事件具备分钟级快速发现能力及进行事件的快速响应、止血与溯源能力。

攻防演练。平时多演练，战时不流血。我们有专门的安全团队对系统进行攻防演练，红蓝对抗，及时发现潜在的安全问题，提升入侵检测及安全应急响应能力。

3存储、创新之道

不同于传统 IM，钉钉在存储方面的业务需求与技术实现都有新的要求。

由于消息需要长期保存，钉钉做存储的一个重点必然是降低长期数据的存储成本。钉钉在其中做了很多事情，比如冷热分离，读写扩散，消息清理。没有成本上的优化，业务的增长带来的是不可持续的成本增长，这是无法接受的。

另一点是存储的单元化。一般 ToC 产品的单元化主要是由国际化驱动。海外市场有合规的要求，消息必须存储在当地。对于钉钉来说，除了国际化的需求，也有组织专有部署的需求，因此钉钉的存储架构上也支持单元化部署，以及多单元的互通。

除了业务场景变化给技术带来的新要求，技术同学也会有一些 geek 的想法，从而反哺业务。比如钉钉的聊天机器人，就是 IM 技术同学自发发起的。最初，很难说清楚聊天机器人对业务的贡献，因此技术同学就自己偷偷把 MVP 做出来。做出来以后，慢慢发现确实在工作中很有价值，包括 IM 的系统报警、用户 VOC 问题解决率提醒，命令行重启单台机器等等场景，用聊天机器人非常方便，很好的提高了工作效率。所以最终决定开放给用户，也受到了用户的广泛好评。