メルペイのマイクロサービスの構築と運用 / CloudNative Days Tokyo2019

メルペイのマイクロサービスの構築と運用
2019.07.22 に CloudNative Days Tokyo2019 で発表した内容です。
なぜメルペイがマイクロサービスアーキテクチャを選択したか、メルペイのマイクロサービスの構築と運用をどのように行ったか、などを話しました。

1. メルペイにおける マイクロサービス 構築と運用 CloudNative Days Tokyo 2019 Merpay SRE @tjun Junichiro Takagi https://speakerdeck.com/tjun/cloudnative-days-tokyo2019
2. 「マイクロサービス、実際やってみてどう？」に答えたい 今日 テーマ 2
3. メルペイ マイクロサービス概要 メルペイ マイクロサービス 構築と運用 課題と今後 01 02 03 3 Agenda おまけ: 実際に起きた問題を紹介 04
4. メルペイ概要 年 月 非接触型サービス「 」に対応 年 月 複数回 お買い物をあとからまとめて支払える 「メルペイあと払い」開始 年 月 サイトでも「メルペイ」が利用できる ネット決済提供開始 年 月 大手チェーンや中・小規模店舗で ・バーコード決済に対応 全国135万か所 iD コード払い あと払い ネット決済
5. メルペイ サービス マイクロサービスアーキテクチャ 40以上 マイクロサービス 2019 3Qで 1444億円以上を取り扱うメ ルカリ 決済基盤(US メルカリ事業も含む数字 ） 200万人以上 利用者 （メルペイ「電子マネー」 登録を行ったユーザー 累計。 コード払い 除く ）
6. Why microservice?
7. Why microservices? メルペイ 複数 サービスを短期間で立ち上げるため Focus on single service 各マイクロサービス 機能に集中して開発 Independent releases 独立した開発・リリース サイクル Team independence 組織を拡大しながら 複数 機能を同時に開発
8. マイクロサービス そ 他 メリット Resilience 障害が局所化すること で可用性が高まる Scalability & Flexibility 独立したリソース管理が可能 ストレージも独立
9. メルペイ マイクロサービスで やっていないこと マイクロサービス単位で 自由な技術選択 自由な技術選択 例 自由な言語、好きなデータベース Why? • 共通 ツール・ライブラリを利用することで、開発や運用 度や品質を高めるため • チーム間 情報共有や人 移動を可能にするため
10. メルペイ マイクロサービス 現状
11. アーキテクチャ API Gateway Authority API Service X API Service Y Google Cloud Load Balancer Service A Service B Google Kubernetes Engine Service C Web Service Z Cloud Spanner Project A Cloud Spanner Cloud Pub/Sub Project B Project GKE
12. API Gateway Authority API Service X API Service Y Google Cloud Load Balancer Service A Service B Google Kubernetes Engine Service C Web Service Z Cloud Spanner Project A Cloud Spanner Cloud Pub/Sub Project B Project GKE 共通 GKEクラスタ
 3
 1
 2
 個別 Project
 レイヤーアーキテクチャ

13. Google Kubernetes Engine Kubernetes マイクロサービス 実行基盤・オーケストレーション - 自己修復性 あるReplication Controller - ServiceによるLoad Balancing - DeploymentによるRollout/Rollback - Horizontal Pod Autoscalerによるスケールアウト - Kubernetes 自体 拡張性やエコシステム 早く構築し、安定して運用するためにGKEを利用
14. マイクロサービス on Google Kubernetes Engine すべて マイクロサービスが同じClusterに乗っている - Cluster自体 Platform Teamが構築・運用 - Namespace内を各チームが開発・運用 Google Kubernetes Engine Namespace: service-a Container A Container A Container A Namespace: service-b Container A Container A Container B
15. マイクロサービス on Google Cloud Platform • 1つ マイクロサービスが1つ GCP Projectを持つ • 各 Project 中に Spanner や Pub/Sub などを作成 • 権限設定したService Account を Kubernetes Secretに配置 • Terraformで管理 CircleCI Project A Cloud Spanner Cloud Pub/Sub GitHub Terraform Code Project B Cloud Spanner Big Query
16. マイクロサービス 階層構 アプリ、加盟店等 パートナー様 全て リクエストが を通る 共通処理とルーティング サービス クライアントから リクエストとレスポンス 責任を持つ 裏側にある複数 マイクロサービス アグリゲーション サービス 機能 ロジックを実現する Backend Service API Gateway API Service Client
17. メルペイ マイクロサービス 例 iD決済を実現する流れ API-Gateway NFC-api NFC-service payment- service リクエスト 認証と ルーティング clientへ返すため response 作成 NFC決済を実現する ため 処理 共通 決済処理
18. API Gateway • Goで書かれたマイクロサービス • リクエストを各マイクロサービスへルーティングする 共通 リクエスト処理をAPI Gateway と Cloud Load Balancerで実現 • TLS termination • DDoS protection • Request buffering • Authマイクロサービスを利用したAuthN/AuthZ
19. メルペイ マイクロサービス 構築
20. 開発組織とマイクロサービス 各機能を実現する マイクロサービス開発チーム • バックエンドエンジニア • フロントエンドエンジニア • iOS/Androidエンジニア • デザイナー • PM 共通基盤とサービス全体を 見る横串チーム • SRE • アーキテクトチーム • Microservices Platformチーム • Data platformチーム • ソリューションチーム
21. メルペイ マイクロサービス開発で 気をつけていること 一貫性 • データ 一貫性 • リトライと冪等性 • リコンサイル 信頼性 • Go template projectやlibraryによる 標準化 • Production Readiness checklist • DesignDoc • 権限管理
22. メルペイ マイクロサービス開発で 気をつけていること 一貫性 • データ 一貫性 • リトライと冪等性 • リコンサイル 信頼性 • Go template projectやlibraryによる 標準化 • Production Readiness checklist • DesignDoc • 権限管理
23. マイクロサービスにおける一貫性 分散システムにおけるデータ 一貫性 担保 難しい • 決済トランザクションが複数サービスをまたがる • DBへ 書き込みや外部サービスへ 接続が分散している • どこかで処理が失敗しても、全体として一貫性が必要 冪等性 • リトライしても二重に処理されず、正しく動く 詳しく メルカリtech blog 記事を参照 - マイクロサービスにおける決済トランザクション管理 - メルペイにおけるお客さま残高 管理手法
24. マイクロサービスにおける一貫性 リコンサイル • 本当にデータ整合性が取れている か？ • 不整合を見つけて修正する必要がある メルペイで • バッチ処理によるリコンサイル • 非同期な結果イベント通知によるリコンサイル によって不整合 チェックと修正を行っている
25. メルペイ マイクロサービス開発で 気をつけていること 一貫性 • データ 一貫性 • リトライと冪等性 • リコンサイル 信頼性 • Go template projectやlibraryによる 標準化 • Production Readiness checklist • DesignDoc • 権限管理
26. メルペイ マイクロサービスとGo ほとんど サービスがGoで書かれている（一部Node.js） マイクロサービス テンプレート • Liveness/ReadinessProbe対応、Graceful シャットダウンなど Kubernetes上で動かすために必要な機能を持つ 社内で開発した共通 Goライブラリ • Logging, 分散Tracing, クライアントサイド LoadBalancingなどに対 応
27. マイクロサービス レビュー DesignDoc 設計をアーキテクト、SRE、Security、関連マイクロサービス エンジニアがレビュー・議論する Production Readiness Checklist 本番リリース前に、Kubernetes yaml等で必要な設定が されているか、運用 準備が十分かなどをチェックする 例: Horizontal Pod AutoscalerやPod Disruption Budget 設定
28. メルペイにおける マイクロサービス構築 流れ
29. 開発を加 する共通 仕組み Microservices platform 各チームがOwnershipを持ってサービスを構築・運用する • microservice-starter-kitによるマイクロサービス 初期化 • Protocol Buffersによるサービス インターフェース 定義 共通化 • GCP上 リソース 全てTerraformで管理 • Kubernetes上 リソースをYAMLで管理 • 共通 デプロイフロー Platformをメルカリ Microservices platform teamが構築・運用
30. マイクロサービス 初期化 microservices-starter-kit という仕組みで自動化 • GCP Project 作成+Application用Service Account 作成、 開発者へ IAM権限 付与 • Kubernetes Namespace 作成+必要なRBAC&Secret 設定 GCP project for GKE Centralized cluster Namespace: Service A Service A RBAC: Team A
31. GCPリソース 作成 • Cloud Spanner, Pub/Sub, Cloud Storage等 リソース • すべてTerraformで作成・管理 CircleCI Cloud Spanner Cloud Pub/Sub GitHub Terraform Code Project B Cloud Spanner Big Query Project A
32. Kubernetesリソース単体 デプロイ Manifest 単体をCircleCIからデプロイ - Job、Horizontal Pod Autoscalerなど YAML CircleCI Google Kubernetes Engine yaml GitHub Namespace: service-a Container A Container A Container A Namespace: service-b Container A Container A Container B
33. Microservicesアプリケーション デプロイ 必要なYAMLとImageを指定してSpinnaker経由でデプロイ CI Google Kubernetes Engine yaml Namespace: service-a Container A Container A Container A Namespace: service-b Container A Container A Container B Cloud Build Container Registry code CI
34. メルペイ マイクロサービス 運用
35. マイクロサービス 運用 大変 マイクロサービス 数が増えるだけ運用する要素が増える • 各マイクロサービス アプリケーション • 各マイクロサービスが利用するリソース（データベース等） • マイクロサービス間 通信 運用 手間を減らす仕組み • マイクロサービス 構成をできるだけ揃える • Kubernetes によるオートスケールや自己修復 • Managedなクラウドサービス それでもさまざまなところで問題 起きる
36. マイクロサービス 運用体制 マイクロサービスで 各チームが担当マイクロサービスを運用 • 元から運用経験があるエンジニア 多くない Google Kubernetes Engine Container A Container A Container A Cloud Spanner Project A Container A Container A Container B Cloud Spanner Project B Cloud Pub/Sub
37. マイクロサービス運用で気をつけていること SLOを設定する • サービスが正常な状態を各サービスで定義する • アラートをしたり問題を修正したりする判断 基準 Observability • Metrics問題が起きたときに調査する&問題が起きる前に気づく • 分散Tracing: リクエスト どこで時間がかかっているか
38. SLO（Service Level Objective） 運用を考えると出てくる疑問例 • 自分たち サービス 今正常な か？ • 自分たち サービス 遅い？一部 お客さまに対してだけ遅い？ • CPU使用率が一瞬上がっていたが、問題ない か？ SLO • 可用性、レイテンシなどシステム 信頼性 目標値 • SLOを定義することで、自分たち サービスが正常な か、Alertする か、何を修正・改善するか 判断ができる 例: あるAPI で 最低でも99.99% リクエストが 5xx以外を返す
39. Observability Microservicesで 、1リクエストが複数 マイクロサービスを経由 する • どこでどれだけ時間がかかっている か • なぜ時間がかかっている か、どんなエラーが出ている か • 各マイクロサービス SLOを満たしている か Metrics, Trace, Logをサービス横断して見られるようにすることで、 問題 特定がスムーズにできる
40. 監視体制 Datadogに集約してTimeboardやAPM、Monitor 機能を利用 Google Kubernetes Engine Container A Container A Container A Cloud Spanner Project A Go, gRPC, Docker, Kubernetes メトリクス GLB, Spanner, Pub/Sub, Stackdriver Logging 等 メトリクス
41. ここまで まとめ メルペイで • 短期間で サービスリリースを実現するため マイクロサービスアーキテクチャを採用 • 共通化された開発・運用 Platformがある • Platform 上で、各チームがOwnershipを持って開発運用 • 一貫性と信頼性を実現するため、各マイクロサービス アプリケーション上や開発運用 プロセスでさまざまな 仕組みを作っている
42. メルペイ マイクロサービス 課題と今後
43. 開発・運用で出てきた課題 一部 マイクロサービスがモノリス化する • 機能をど マイクロサービスに実装するか、判断が難しいことがある • 1つ マイクロサービスにさまざまなビジネスロジックが集まってしまう QAが難しい • ど マイクロサービス ど バージョン 組み合わせな か • リリース以前 開発環境 どこかが壊れている状態だった 運用と開発 リソース 調整 • 開発が落ち着いてきたけど運用が続くサービスもあれ 、これから 開発が活発になるサービスもある
44. メルペイ マイクロサービス 今後 リリースを振り返って • サービス 信頼性を高めて運用負荷を下げる改善中 今後に向けて • さらに広く使われるメルペイを目指して、引き続きさまざま機能を 企画・開発しています • バックエンド、SREなど各職種で採用してます！ Go、Microservice、Kubernetes、GCPやりたい人 ご連絡ください
45. 残り 時間で、開発中に発生したさま ざまなトラブルを紹介します
46. [1] Deploy時にリクエスト 一部がエラーになる 深刻度: ★
47. [1] Deploy時にリクエスト 一部がエラー まずやること • Graceful Shutdown • Readiness/Liveness 適切な設定 上記をやらないと、 • 消えていくPodが正しくリクエストを処理しない • 準備ができていないPodへリクエストが届く
48. [1] Deploy時にエラーが出る まだ、Kubernetesで必ず起きる問題や、gRPCだから起きる 問題が残っていた • containers.lifecycle.preStop に sleepを入れる • terminationGracePeriodSeconds を設定する • strategy.rollingUpdate.maxSurge を 100%にしない 等 設定を入れて、RollingUpdateをなめらかに行う
49. [2] Ingress 再作成に失敗する 深刻度: ★★★
50. [2] Ingress 再作成に失敗 前提 • メルペイで 、Ingress-GCEを利用 起きたこと • 開発環境 Ingressを作り直したところ ◦ External-IPが当たらない ◦ Backend-serviceが作られない ◦ 設定を少し変えると作成されることもある … ◦ ログに 何も出ていない
51. [2] Ingress 再作成に失敗 原因 • GKE v1.10.6 （に含まれるIngress-GCE） バグだった 対策 $ kubectl apply -f merpay-ingress1.yaml $ kubectl apply -f merpay-ingress2.yaml $ kubectl apply -f merpay-ingress3.yaml -> OK $ kubectl apply -f merpay-ingress4.yaml
52. [3] Ingressを追加したら、 元からあったIngressが壊れた 深刻度: ★★★★★
53. [3] Ingress を追加したら既存 Ingressが 壊れた 起きたこと • 新しい用途 Ingressを追加したら、前から使っていたIngress （触ってない）方でリクエストが全てエラー • 設定したい証明書と 違う証明書が設定されている 対応 • いろんな設定とログを調べたが全く分からず、 新しいIngressを 消すと問題が解消した • Ingress-controller ログが見られない…
54. [3] Ingress を追加したら既存 Ingressが 壊れた 原因 • 2つ Ingress 設定を元に 同じ HTTPS proxy を交互に更新 していた • Namespace名+Ingress名 先頭55文字で区別しているため、 長くて似た名前で作っていたIngressがぶつかっていた • 実 ドキュメントに書いてある ◦ The total length of the namespace and name of an Ingress must not exceed 55 characters.
55. [3] Ingress を追加したら既存 Ingressが 壊れた 対策 • Ingress 名前を短くした • 長い名前 Ingressを作れないようなLintを追加した
56. [4] Podが減っていく 深刻度: ★★★★★
57. [4] Podが減っていく… 起きたこと（イメージ） • 5つあった ず Podが3つになっている • 他 2つ 起動できずにRestartを繰り返している • 他 3つがRestartして起動できなくなる も時間 問題… 調査 • エラーが曖昧なも しか出せず、原因調査が難航 • 今動いているも を止めたくない で、ログを増やしたPodをデ プロイすることもできない
58. [4] Podが減っていく… 原因 • 起動時 処理に必要な GCP APIが意図せずdisableされてい た • Terraform Diffで出ていたが、レビューでそ 影響に気づけ ていなかった 対策 • Terraform 設定を修正して各サービスを更新
59. [5] Spannerへ Latencyが ときどき大きくなる 深刻度: ★★★★
60. [5] Spannerへ リクエスト レイテンシが ときどき大きくなる 前提 • GKE上 Go アプリケーションからCloud Spanner へ読み書き を行う 起きたこと • アプリケーションを動かしていると、数100ms-数秒かかるときが ときどき発生
61. [5] Spannerへ リクエスト レイテンシが ときどき大きくなる さまざまな原因 • クライアントライブラリgoogle-cloud-go 問題 • Kubernetesクラスタ DNS 問題 • アクセストークン リフレッシュ 対策 • クライアントライブラリ 修正 • DNSをアプリケーション側でキャッシュ • アクセストークンをバックグラウンドで定期更新
62. [5] Spannerへ リクエスト レイテンシが ときどき大きくなる 詳細 メルカリ Tech Blog メルペイで Spannerと 戦い 日々 で紹介しています。
63. 最後に宣伝 Google Kubernetes Engine と Cloud Spanner について 2019.07.31 Google Cloud Next Tokyo で発表します