Rust语言在IM客户端的实践

抖音电商前端技术
6,656 阅读12分钟

概述：

不管咨询来的有多凶，客服软件不能崩 — 某抖音电商研发

本文将介绍飞鸽前端团队如何结合Rust对飞鸽客户端接待能力进行提升，如何一步步从概念验证、路径分解走到分工开发，到最后完成上线收益论证，并分享其中挑战与经验。

本项目是一个长周期的复杂项目，相信本项目落地的经验对其他同学及团队能有所借鉴。

背景：

飞鸽是在抖音电商业务上面向商家和用户的聊天工具，其拉通售前、售中、售后渠道，为商家履约提供重要支撑。

对于飞鸽桌面端IM而言，我们会面临很多基础挑战，比如做好会话稳定性、操作流畅性、冷启动速度等，而在满足98%以上的用户需求且业务趋于稳定后，一些在冲刺后遗留的性能天花板问题暴露在我们面前，其中 高并发接待 & 多开是两个重要的挑战，是旧账与难啃的硬骨头。

为何持续会有这些挑战存在？

  1. 历史技术选型，包含者成本、人力、效率等考量，飞鸽客户端使用的技术栈是react + electron

    1. im sdk与业务渲染代码都由 js 编写，im sdk同时是cpu密集型 & io密集型的组件，在高并发场景下，渲染频率也比较高，业务与sdk相互抢占cpu资源与io资源，导致收发消息慢、操作卡顿（高并发限制）。

    2. 由于im sdk运行在webview中，所以收发消息依赖webview存活，故多开账号 = 多个webview，内存成本线性增长

  2. im页面在web层面多次优化后已接近架构上限，无法基于现有架构做更多天花板的突破

对于以上挑战，我们给出的解法是：对现有架构进行调整，使用Rust语言对im sdk进行重写，彻底解除这一块的性能瓶颈！

为什么是Rust ？

飞鸽im sdk是一个对运行稳定性要求高的组件，其工程量大、逻辑复杂，对于异步特性使用非常频繁，其对于内存安全、线程安全有着比较严格的要求。

假如使用C++，作为新手并没有把握能够将复杂的IM SDK少bug的编写下来（团队限制）

Rust学习曲线虽然陡峭，但是其为安全设计的各类语言特性、强大的编译器，能够将新人编写代码的问题数降到最低（逻辑问题除外）。

并且飞书团队提供了客户端的rust生态库，帮助我们解决很多的基建问题，所以这里使用Rust是相当合适的。

Rust学习成长曲线（网图）：

飞鸽IM 客户端历史架构：

如背景中所描述，历史架构存在这两个问题：

  1. IM SDK 与 业务JS代码共用Weview资源，接待密集的时候，sdk与业务，互相抢占cpu与io资源，导致容易卡顿、消息延迟

  2. 多开的账号必须依赖IM Webview存活（否则无法收到消息），内存线性增长。

新架构与预期优势：

  1. Rust独立进程承担所有的im sdk的计算压力，可以大幅减轻js线程压力，可提升压力场景接待体验。

  2. Rust im SDK 解除浏览器中的IO限制（如同域名并发数限制）。

  3. 解除Webview存活依赖，依靠rust进程也可收消息，为更多账号的多开能力提供了铺垫。

概念验证（前置）

为了验证推测切实可行，我们提前做了完备的POC验证。

在POC中，我们针对“单进程单线程模型”、“多进程模型”、“多线程模型”，这三种模型搭建了mvp demo，即简易的客服聊天模型，并进行压力测试，并监测其内存、cpu等指标，得出的结论是：

  • rust 整体优于 js，计算占比越重，优势越明显（高压时cpu差别能到达3倍以上）

  • 架构选型上，rust进程独立是最好的方案，稳定性更优、性能损耗相差较小

路径分解:

路要一步步走，整个项目粗估下来会有上百的工作日，作为业务团队，我们无法在短期内投入大量的资源去做这个项目，所以需要一步一步拆解、验证、拿收益。

团队内native开发资源有限，这件事情的进行也需要团队进行学习、成长

Rust SDK工程基建

造房子先得有一个地基 —— Rust工程的基础建设，是Native业务的前置条件！

桌面端同学牵头搭建了整个RustSDK地基，地基解决的问题如下图所示：

需要做的工作：

  1. 业务容器 — 有规律的组织代码结构，进行业务隔离、资源隔离

  2. 跨进程调用封装 — 降低业务调用难度

  3. 建设日志系统、日志回捞 — 降低排查问题的难度

  4. 构建跨平台异步执行环境 — 简化异步代码编写，底层封装，便于跨平台代码迁移

  5. 跨平台编译，跨平台集成

  6. ...

阶段一：IM基础能力夯实

在拥有一部分地基后，我们开始针对IM SDK的基础能力进行实现和验证

完成基础能力验证之后，我们才会有信心在新的架构上叠加更多的功能。

这阶段我们关注以下指标，希望其存在优化，至少不劣化

  1. 长链在线率

  2. 消息发送成功率

  3. 卡顿率

  4. Rust进程崩溃率、无响应率

实现功能&阶段性论证：

  1. 仅实现长链能力下沉，验证&提升其稳定性

  1. 本阶段论证结果如下：

    1. Rust Crash率， 达成预期

    2. Rust无响应率 - 未达预期，可优化

    3. 长链在线率 - 达成预期，但是存在优化空间

    4. 卡顿率 - 不劣化 达成预期

    5. 消息发送成功率 - 不劣化，达成预期

这阶段的工作是考验耐心的，因为这个阶段并不能带来实质性的用户体验提升、也无法拿到明显的提升数据，只是作为中间阶段，它有存在的必要性。

这阶段后，在稳定性治理、基础能力验证、Rust语言经验、指标制定合理性这几方面，我们踩上了一个更结实的台阶，更有信心去进行更复杂的下一阶段。

阶段二：使用Rust实现IM SDK全部能力

夯实基础后，我们开始发力冲刺，大刀阔斧的对IM SDK进行重新设计、实现、联调以及上线

此阶段要实现im sdk的全部能力、并对线上运行的js im sdk进行替换

由于飞鸽im对于通信模块的稳定程度要求是很高的，替换过程就像是在高速行驶的车辆上替换轮胎，如果出现问题也容易导致大量的客服负面反馈。

因此，新rust sdk的稳定性、异常问题时的兜底方案、灰度时的监控观察、对新增反馈的留意都很重要，放量过程会存在一定精神压力。

工作内容大致如下：

  1. 多实例的Rust IM SDK设计（商家单聊、群聊、平台客服）、Js -> Rust IMSDK跨端调用协议设计

    1. 分析、拆解所有Js Im SDK至今具有的能力，并以贴合Rust的方式重新设计

    2. 需要在协议设计中，尽可能的合并 & 简化 Js -> Rust的调用，以减少IPC通信成本

  2. 开发

    1. Rust IM SDK核心实现

    2. Rust\Js适配同学紧密合作，根据协议进行业务实现、业务适配

    3. 密切沟通，发现问题及时纠偏

    1. 编写单测

  3. 测试

    1. 各类IM场景回归测试

    2. 性能进行验证

  4. 异常兜底方案实现

    1. 设计数据冗余，当Rust进程出现崩溃、无响应、不可恢复的网络错误时，识别并fallback到 web版本，使用冗余数据快速恢复im sdk正常运行状态，确保用户体验。

  5. 稳妥的上线方案 & 稳定性治理

  6. 调用&适配优化，结合Native能力进一步性能优化

  7. 结果回收

其中各个步骤都会存在一些挑战，在后后面的内容会提到。

调用简化模型：

IM Core简化模型：

阶段三：基于稳定的RustIM SDK实现形态升级

最后的阶段，我们基于完善的Rust IM SDK的能力进行形态的升级

本阶段正在进行中，完成后会做更多的分享

  1. 多窗口改造

    1. 销毁后台的多开账号，让多开账号数量突破到25个

  1. 消息提醒、通知流程改造

  2. 消息本地化能力 - 加快消息上屏

挑战与应对经验：

编程语言 & IM领域知识突破

一个有战斗力的团队，一定是持续学习、进步的

  1. 获取学习的纯粹快乐

    1. 当沉浸在学习中，并感受到自己在进步的时候，会是一个快乐的状态

  2. 逐步克服小挑战，及时获得正反馈

  3. 在同事中找到伙伴和老师，询问与探讨

    1. 建立团队中的学习氛围

长周期技术项目，如何持续保持信心 ？

  1. Leader与同事认可与支持 — 团队基础、价值观鼓励

  2. 关注长期收益，训练自己延迟满足感

  3. 做好阶段性分解与验证，缩短单个周期

    1. 如本文的一二阶段拆解，可逐步累积信心

  4. 增强自身实力，做好问题把控，及时发现&解决问题

高效合作

团队Native开发同学少，且各自并行业务需求，需合理的安排开发路线，减少总开发时长。

  1. 合理的设计开发并行路线，减少串行依赖

  2. 协议与接口先行

  3. 各同学负责其相近&擅长的部分

  4. 联调时缩短彼此距离，高效沟通

保障用户体验的灰度上线

  1. 编写模块的健康自检，检测到异常时用最小的代价切换备用老方案

  2. 完善业务监控&技术指标监控

    1. crash率、无响应率、长链在线率、发消息成功率、请求成功率、卡顿率等

  3. 对真实用户使用体验进行跟踪

    1. 飞书反馈群组维护，及时获得用户反馈

    2. 与商家客服保持线下联系，获取一手体验情况

  4. 放量节奏的把控

    1. 大型改动可以先给白名单用户试用，收集反馈

    2. 放出能够识别问题的量，解决问题后再继续放量

    3. 放量期间主动查询用户实时反馈数据，有问题及时解决

如何减少IPC通信成本带来的开销

频率过高的IPC通信可能使得CPU优化适得其反，因为老版本都运行在Js中，所以调用频率是没有节制的（循环读取数据也经常出现），必须要在设计上降低下来 —— 降低业务JS线程的压力

以下措施可以将本场景通信成本降低90%以上

  1. 更高效的数据协议 protobuf

    1. vs json: 数据更小、解析和序列化性能更高、跨语言生成代码工具

  2. Rust push to js :

    1. 使用数据收集去重 + debounce批量更新的策略，合并多个数据回调接口，减少通信频率

  3. Js call rust:（单次基础耗时4ms）

    1. 适当缓存数据，不用每次都回源查询

    2. 需要频繁调用的逻辑下沉Rust，Rust逻辑自完善

结果回收：极端场景下的优化大盘数据体现不明显

针对某种场景做的优化工作不容易在大盘数据中得到体现（尤其在灰度阶段），我们应该针对特殊场景建立新指标：

  1. 编写策略，识别并收集极端场景下的数据

    1. 为了衡量极端场景的的卡顿优化，建立了忙碌与卡顿指标，可以衡量出用户接待忙碌程度与卡顿率的关系，并且通过此指标将优化清晰的衡量出来

Rust SDK的问题治理

  1. 前期的问题不稳定，需更多信息辅助排查，日志尽量完整

  2. 与真实用户群体保持联系，可加快问题验证、问题发现的过程

  3. 需要建设便捷的日志回捞 & 日志分析工具

    1. 帮助快速找到日志还原现场

收益

压力评测：

优化前：卡顿、进线慢、发消息慢持续累积至不可使用

优化后：持续流畅、稳定可用

数据表现：

  1. 客服发送消息，大盘端到端耗时降低 40%

  2. 消息发送成功率三个9 -> 四个9

  3. im页面大盘卡顿率降低 15%

  4. 密集接待场景，卡顿率降低 50%

全量至今，再无大量进线导致卡顿的反馈

回访历史反馈用户，皆无因大量接待导致的卡顿现象

❤️ 谢谢支持

以上便是本次分享的全部内容，希望对你有所帮助^_^，喜欢的话别忘了 分享、点赞、收藏 三连哦~。

JD: job.toutiao.com/s/idtCDDtX [上海], job.toutiao.com/s/idbKjTVG [杭州]

有兴趣的同学可以添加我们团队的微信 tt_ec_fe 详细沟通。

avatar
文章
阅读
粉丝