龙之谷服务器设计

李阳：谢谢大家！我大概介绍一下我们项目的情况。

我们项目签约腾讯之前处在Demo阶段，团队更关注核心战斗玩法，当时服务器的架构和辅助系统都是最小实现的模型，实现很简单。2016年上半年签约腾讯之后，我们集体入驻到深圳，项目组花了9个月时间，把整个服务器几乎重写了一遍，那时候时间节点已经定好了，我们更多的是调整架构，实现功能，保证整个服务器的稳定性、承载性能达到要求。腾讯对项目上线是有标准的，有三轮评审，评审不通过不能上线。我今天针对这中间遇到的问题和大家做交流分享。

腾讯对项目上线有一系列标准，在此简要列举几点：1、架构设计要合理，支持弹性动态扩容能力，高可用容灾能力。2、服务器性能要满足要求。3、符合DB规范。4、符合运维规范。

设计架构要求：1、弹性动态扩展能力，逻辑层要求支持线上动态扩容，并且要求对用户无影响。2、高可用容灾能力，核心模块和关键路径不允许有单点，不允许无法扩展。3、要求对同时大并发访问有防雪崩机制，比如排队、访问频率控制等，防止过载。4、要求非关键核心模块故障不影响玩家主逻辑服务，可提供有损服务。5、不允许数据变更未及时入库，导致可能发生10分钟以上的回档。

DB规范：1、按需Cache，存储层实现分库分表平行扩展或接入TSpider集群。2、使用域名+Port的配置方式访问存储层。3、存储层访问必须支持故障或者超时后的重连机制。

运维规范：1、接入腾讯TGW。2、客户端需采用域名+VIP的配置方式访问服务端。3、日志文件支持按小时或大小滚动。4、程序用到的系统参数不能hardcode到代码中，必须以配置项形式写在配置文件中。5、应用程序必须支持通过工具实现动态加载相关的配置文件，而无需中断服务。6、苹果审核服和正式服的访问切换必须通过服务端控制实现。

单服架构：龙之谷是分区分服的，单服架构如图，稍后会详细介绍单服内模块。

单服内模块：

1. 网关服务器：(GateServer)负责保持客户端的连接，负责通信解密，数据压缩，维护客户端连接的保活，多开负载均衡和容灾。

2. 游戏服务器：(GameServer)负责场景内的所有游戏逻辑 ，多开负载均衡和容灾。

3. 全局服务器：(MasterServer)负责全局游戏逻辑，公会，好友，家园，排行榜等，单点，宕机拉起后根据DB中的数据和各个GS上报的信息做恢复。

4. 控制服务器：(ControlServer)负责登录，在线数据维护，切换场景控制，实现多个GS间的负载均衡，单点，宕机拉起后根据共享内存中数据恢复。

5. 数据库服务器：(DBServer)负责存取数据，维护缓存，单点。

6. 语音服务器：(AudioServer)负责在内存中缓存语音文件，单点。

单大区架构图：这是单大区内完整的结构图，由多个小服 加上跨服集群，再加上大区内全局服务器构成。

单大区内的模块：

1. 分4个大区： ios-qq   ios-wx   android-qq   android-wx

2. 登录服务器：(LoginServer)负责验证玩家登录请求，维护区服列表，多开负载均衡和容灾 。

3. 同玩好友关系服务器：(CenterServer)维护游戏内同玩好友信息，多开负载均衡和容灾。

4. 跨服匹配服务器：(WorldServer), 负责跨服匹配，开启跨服局游戏，主备容灾。

5. 路由节点集群： (RouterServer)，小服与跨服GameServer集群之间的通信中转节点，多开负载均衡和容灾。

6. 跨服GameServer集群：承载所有跨服PVE, PVP局，多开负载均衡和容灾。

跨服匹配服务器，分主服务器和备用服务器。主的是现在只有一个生效，跨服的GS同时连跨服匹配服务器，主从都连。

跨服模块：

1. 跨服玩法由跨服GameServer集群承载，一个机器上开N个进程，一个大区开几台机器。

2. 增加路由节点，在小服的各进程和跨服GameServer进程之间转发数据，避免小服和跨服GameServer之间的连接关系膨胀，或跨服时需要新建一条TCP连接。

3. 路由节点组成集群，所有路由节点都向跨服匹配服务器汇报自己监听小服连接的IP、Port，当各小服注册到跨服匹配服务器时，跨服匹配服务器会为该小服分配一个（或多个）压力较小的节点，小服去连接。

4. 跨服匹配服务器做主备容灾，正常情况下主进程执行所有逻辑，主进程挂掉后被监测到时，监控程序更新DB中的主ServerID，备进程会定期读取该ServerID，一旦读取到主ServerID是自己，随即向所有小服，路由节点集群，跨服GameServer集群广播自己的身份，备进程成为新的主服务器，继续提供服务。

全区全服模块：

1. IDIP服务器：负责接受平台的IDIP接口请求，转发到各小服/登陆服务器做处理，处理后返回结果，多开进行负载均衡和容灾。

2. Version服务器：负责维护当前IOS/Android的版本号，客户端根据这里获取的版本号来决定是否要更新补丁包，多开进行负载均衡和容灾。

3. 电台服务器：(FmServer)，负责FM电台逻辑，微信平台共用一组，QQ平台共用一组，主备容灾。

单服内容灾：

1. GateServer宕机， ControlServer会将该Gate上的所有玩家踢下线，所有连接到这个Gate上的玩家都将断开连接，无法通过断线重连机制重新进入游戏，只能重新登录进入，进程被重新拉起后可恢复服务。

2. GameServer宕机，ControlServer会将该GS上的所有玩家踢下线，玩家被踢回登录界面，重新登录后可进入其他的GS继续游戏，挂掉的进程被重新拉起后恢复服务。

3. DBServer宕机，DBServer负责存取玩家的数据，挂掉后玩家无法登陆，GS上保存数据的协议会超时，但超时后会重试，被重新拉起后恢复服务。

4. MasterServe宕机，好友，聊天，语音，公会，邮件，组队等服务不可用。但不影响在所有在线玩家的战斗，移动，切场景等核心游戏体验。MS重新被拉起后恢复服务。

5. ControlServer宕机，无法登陆，无法切场景，但重新被拉起后恢复服务，相关数据(在线玩家数据)被存储在共享内存中，重新拉起后根据这些数据重新恢复现场，恢复服务。

6. AudioServer宕机，无法发送语音，无法提取语音。

大区内容灾：

1. 单服内的模块支持进程级别的容灾，大区内的全局模块支持机器级别的容灾。

2. 登陆服务器,  IDIP服务器，版本号服务器多机器部署容灾，由TGW轮询做负载均衡。

3. 同玩好友服务器，多机器部署容灾。

4. 跨服匹配服务器，电台服务器做主备部署，主服务器出现故障时，备用服务器自动接入系统，成为新的主服务器继续提供服务。

我们在服务器的体系结构上进行分层设计：网络层提供通用的二进制传输，中间是框架层，提供RPC、Protocol、定时器、网络连接封装，RPC封装，由工具生成RPC代码。

• 网络层：1、跨平台的网络模型封装，对外提供统一的抽象接口，内部Windows下封装IOCP，Linux下封装Epoll。2、网络IO在单独的线程中执行，不影响主线程逻辑，通过无锁的环形队列与逻辑线程交换数据。3、Windows下开发调试，Linux下部署运行，提高开发效率。

• 框架层：1、主要提供基于时间轮的定时器；2、网络连接的封装，自动重连，心跳保活；3、日志支持；4、RPC，封装通信请求、处理；5、协议的注册、处理分发；6、Utility。

• 应用层：1、场景管理，静态场景+动态场景。龙之谷有一个主城，是静态管理，副本是动态创建，根据负载均衡副到各个不同的服务器上。2、视野管理：主城9宫格+战斗场景全同步+特殊场景分线。主城是九宫格视野管理，战斗场景全同步，我们战斗场景人数不多，全场景同步，特殊场景分线，公会大厅，公会中有很多人，这些人都是按照静态分线机制，N个人之间可见。3、AI是基于行为树实现的4、战斗：服务器结算所有的逻辑，做状态同步；5、协议：RPC用工具定义，自动生成代码6、各逻辑系统。

1. 运用性能分析工具(Gprof, Perf)找出瓶颈模块，热点函数。

2. 对热点模块进行优化：优化设计，减少遍历，空间换时间，运算降频。

3. 对热点函数进行优化：降低时间复杂度，尽量到O(1)，空间换时间，能算一次的只算一次，后续直接使用结果。

4. 注意一些依赖库的坑，比如GCC-4.4.7版本stl中list的size()是遍历计算大小的。

5. 统计服务器的各种压力参数：流量，协议发送/处理频率，定时器数量等，定期输出到文件中。

6. 架构上支持进程多开，分摊压力。

1. 前期删档测试期间记录下高峰期服务器所有协议的处理次数，处理时间，得到重点协议的接收频率，处理时间消耗等数据，有针对性的优化。

2. 根据测试得出的协议接收频率模型，腾讯压测部门写机器人工具，直接发协议到服务器，模拟真实玩家，对重点流程(登陆，切换场景，战斗，大规模的活动等)进行压力测试，测试响应速度，重点事务tps，找出瓶颈。

3. 使用机器人进行综合测试，模拟大规模玩家的行为，不停上下线，不停切场景，打副本等，持续跑几天，观察CPU负载，内存增长等指标。

4. 压测下来，单服最高承载8000人，出于保守考虑，最高允许的同时在线人数设置为7000，到了7000就开始排队。

1. 做好容灾，服务器各进程要做到宕机拉起后可重新恢复服务，极端情况是可能出现的，龙之谷经历过：

   <1>. 服务器硬盘写满，所有进程一起崩溃，要防止重要数据丢档。

   <2>. 虚拟机母机硬件故障，整个机器挂掉，要防止重要数据丢档。

   <3>. 内网波动，服务器之间的连接中断一段时间后又恢复，要有自动重连机制。

   <4>. 网络波动导致服务器进程和 TSpider之间的连接断开，要能够处理这种情况，定时尝试重连TSpider，未写入成功的数据要缓存起来，待连接OK后继续写入，若重试达到一定次数，则禁止玩家登陆，等候运维介入。

2. 控制好内存分配，多用内存池，对象池，能事先分配好的事先分配好，各系统的内存申请、释放尽量统一控制，禁止随意分配。内存中的Cache要控制上限，避免无限膨胀。

3. 流量、协议发送/接收频率，场景数量，各系统性能统计数据等定时记录，以备查问题时用。

4. 关键流程和大规模活动玩法 要有频率控制，防止压力不可控。我们做了很多全服玩法，中午12点30开世界Boss，打的人很多，晚上也有公会Boss，还有大规模的跨服活动玩法等，这类玩法的关键流程要有频率控制，防止压力不可控。

5. 重要数据实时落地，防止意外情况重要数据丢失，对于非重要的数据丢失给玩家补偿也可以接受。

6. 重要流程（支付等）的日志要非常详尽，有问题方便排查。

7. 数据库表格要合理设计，重要数据单独成列，避免更新时被其他数据影响。龙之谷的设计是每个系统的数据自成一列，做成Blob数据，如果某些重要的数据和其他非重要的数据放在一列存储，非重要数据的更新如果有BUG，可能会影响重要数据，得不偿失。

8. 测试用具要完善，单元测试，压力测试，模拟客户端，压测机器人等。

9. 负载均衡要多考虑，避免各节点之间压力不均，要均摊到整个集群。我们设计跨服路由集群的时候也考虑过负载均衡，但后来发现某些情况下，整个集群内部的各个节点的压力不均衡，有的节点压力很大，有的很空闲，我们后来优化了一下，最好在最初设计时多考虑权衡，做到把压力均衡到整个集群。

10. 引入脚本，做到部分逻辑可热更，或通过脚本修复某些错误。如果代码全部是二进制，出现某些问题需要重启服务器，有脚本会更加灵活一些。

11. 逻辑系统做功能开关，出问题后可动态关闭特定功能，防止问题蔓延。龙之谷所有系统都做了动态开关，根据系统ID可以关闭或打开一个系统，如果某个系统出现问题，就动态的关掉。

12. 重要数据异常，严重错误要监控记录。比如玩家数据膨胀，最开始创建角色的时候玩家数据很小，玩家玩的过程中不断增大，每个系统数据的大小都会被监控，发现异常就会警告，我们再去排查。

13. 所有大规模的全服，跨服玩法上线前都要做压力测试，尽可能的模拟真实情况，避免上线才暴露问题。

14. 数据做集中式存储，对后期合服会很友好。尽量把全区全服的数据存储在一起，这样后期合服就不需要合数据。

15. 对日志做关键字监控，便于知晓问题的发生。通过脚本进行监控，发现问题实时上报。

谢谢大家！