桌面云極大地提升了IT運維效率，顯著降低了用戶故障率，是未來IT的一大發展趨勢。那么攜程是如何把這兩者高效結合部署于攜程呼叫中心的？

　　本文將主要分享攜程呼叫中心廣泛使用的桌面云系統，介紹這套基于OpenStack的云桌面系統架構以及在開發過程中碰到的一些OpenStack相關問題，并分享云桌面系統運維、監控、自動化測試等。

　　一、為什么要使用虛擬云桌面

　　1、背景

　　攜程呼叫中心，即服務聯絡中心，是攜程的核心部門之一，現有幾萬員工。他們全年7x24小時為全球攜程用戶提供服務。以前呼叫中心桌面使用臺式PC，隨著業務規模擴大，PC維護量倍增，需要投入大量人力、物力、財力來報障系統穩定運行。為此，攜程正式引入虛擬云桌面。

　　虛擬云桌面是什么？如圖所示，用戶桌面PC機換成了一個云桌面瘦客戶端（ThinClient，TC）。所有的CPU、內存、硬盤都在云端。云端跑滿虛擬機，用戶桌面通過瘦客戶端連入虛擬機使用Windows。其中，虛擬機采用QEMU加KVM實現，云環境用OpenStack進行管理，遠程桌面協議是第三方高度定制、修改過的spice協議。

　　2、云桌面的優勢

　　第一，運維成本。PC部署以及系統軟件安裝耗時較長，云桌面后臺5分鐘一臺自動交付可供用戶使用的虛擬機；PC擴大部署投入巨大，云桌面只需要購買少量服務器接入云系統，快速擴大部署。

　　第二，故障處理效率。PC有問題，有可能需技術人員到用戶現場開箱檢查，故障排查耗時較長，嚴重點的硬件問題如需更換配件，等待周期更長。云桌面故障標準是5分鐘處理完畢。對于5分鐘無法解決的問題，只需后臺更換虛擬機解決。

　　第三，運維管理。PC分散在用戶桌面，運維需要用戶配合（比如保持開機）。云桌面提供了運維系統，只需設定好時間、安裝任務參數，系統會全自動進行安裝維護。同時，瘦客戶端輕量，無任何用戶數據，對用戶也帶來極大便利。典型的如用戶位置遷移，云桌面無需搬移，只需用戶到新位置登錄即可。

　　最后，云桌面整體低碳、環保。瘦客戶端功率跟普通節能燈相近，比PC低一個數量級。

　　3、攜程云桌面現狀

　　攜程云桌面現已部署上海、南通、如皋、合肥、信陽、穆棱六個呼叫中心。幾百臺計算節點、近萬坐席，而且規模還在不斷擴大中，新的呼叫中心也在計劃中。

　　同時，云桌面平臺故障率、瘦客戶端故障率也遠低于PC故障率。下圖是攜程運維部門的故障率統計圖。

　　二、如何實現虛擬云桌面

　　1、云桌面原架構

　　攜程云桌面后臺云平臺在實踐中進行了多次迭代，原有架構如上圖所示。該架構特點是，直接在OpenStack Nova進行定制開發，添加了分配虛擬的接口，實現瘦客戶端直接訪問OpenStack獲取虛擬機信息。

　　這個架構下，云桌面平臺可以直接訪問全部的虛擬機信息，直接進行全部的虛擬機操作，數據也集中存在OpenStack數據庫，部署方便。用戶權限通過OpenStack Keystone直接管控，管理界面使用OpenStack Horizon并添加云桌面管理頁面。

　　典型的分配虛擬機用例中，瘦客戶端通過OpenStack Keystone進行認證、獲取Token，然后訪問Nova請求虛擬機。如上圖所示，瘦客戶端會通過Keystone進行認證，Keystone確認用戶存在后向域LDAP進行密碼校驗，確認用戶合法后返回Token；瘦客戶端再通過Token向Nova申請虛擬機。

　　Nova根據瘦客戶端設置的坐席信息，首先查找這個坐席是否已分配虛擬機。如有直接返回對應虛擬機。如無，從后臺空閑虛擬機中進行分配并更新數據庫分配，返回遠程桌面協議連接信息。

　　2、原架構局限性

　　隨著業務增長，原架構出現一些局限性，首先，業務與OpenStack呈強綁定關系，導致OpenStack升級涉及業務重寫；修改業務邏輯需要對整個云平臺做回歸測試。

　　其次，用戶必須要是Keystone用戶，用戶管理必須使用Keystone模型。導致Keystone與LDAP之間要定期同步進行，有時還需手工同步特殊用戶。

　　管理層面，因為Horizon的面向云資源管理的，但業務主要面向運維的。這部分差異，導致我們開發新的Portal來彌補，管理人員需要通過兩套系統來進行運維。

　　整體方案上，云桌面遠程桌面協議由第三方提供，如果第三方方案不支持OpenStack，就無法在攜程云桌面系統使用。

　　最后，用戶部門有各種需求，直接在OpenStack內進行開發難度大，上線時間長，開發人員很難實現技術引領業務發展。

　　3、新架構

　　經過架構調整，新架構實現了OpenStack與我們的業務解耦，同時適應用戶部門的業務發展方向，方便功能快速迭代上線。

　　從圖中可以看出，云桌面業務邏輯從OpenStack中獨立出來，成為了VMPool，Allocator；管理層獨立開發一套面向IT運維的Portal系統，取代Horizon；云平臺可直接原生的OpenStack。

　　其中VMPool負責維護某種規格虛擬機的可用數量，避免需要的時候沒有虛擬機可用，讓用戶等待。Allocator滿足符合條件的用戶請求，返回用戶對應的虛擬機或者從VMPool分配虛擬機分配用戶。

　　對于用戶分配虛擬機的典型用例，與原有架構改動較大。首先，業務層瘦客戶端將直接訪問業務層的API。API層會直接通過LDAP進行用戶認證，并獲取用戶OU、組別等信息。

　　接著，業務層將進行用戶規則匹配。每個Allocator通過用戶組、OU、tag等進行規則匹配，以確定該用戶是否由自己進行服務。如不滿足Allocator所定義的規則，將按Allocator的優先等級，繼續選取下一個Allocator進行匹配，直到匹配或者默認規則為止。

　　匹配后，如果是有綁定關系的分配規則，比如用戶綁定或者坐席綁定、TC綁定，那Allocator將直接從數據庫返回已有的綁定；如果無綁定關系，Allocator就會從對應的VMPool分配一臺虛擬給，返回給用戶。

　　最后，對用戶部門來說，看到的是用戶屬于一個組，這個組對應特定的虛擬機。只需調整用戶屬性，即可實現用戶分配特定的虛擬機，充分滿足他們的各種需求。

　　三、大規模部署中遇到各種坎

　　1、軟件版本選取

　　在搭建OpenStack前，必須進行需求分析，確定所需的需求。然后根據需求選取滿足條件的OpenStack及相關組件的版本，以避免后期出現各種系統及虛擬機問題。

　　我們根據攜程呼叫中心的業務需要，選好了幾個版本的KVM、QEMU，以及OpenVSwitch，在選取能適配它們的幾個可用kernel、Libvirt版本，并剔除了不穩定版本或者有已知問題的版本，將這些組件組成合理的組合，進行7x24小時用戶模擬自動測試，找到最穩定、合適的并滿足需求的，作生產上線使用。

　　2、資源超分

　　超分與應用場景強關聯。一定要首先確定需求，是CPU密集、內存密集、IO密集還是存儲密集。在做了充足的用戶調查后，我們準備了大量用戶模擬自動化腳本，進行自動化測試，以選取最合理超分值。

　　從我們的測試結果看，瓶頸主要是內存。內存超分過度會導致主機直接OOM（Out Of Memory）宕機。Windows及Windows應用吃內存比較嚴重，特別是像Chrome這些程序，優先占用內存先。雖然我們使用KSM（Kernel Samepage Merging，相同內存頁合并功能），省了一些內存，但最終上線也只能達到1:1.2的超分。

　　對于IO，在Windows啟動階段比較明顯。大量Windows同時啟動時會造成啟動風暴情，在我們的極端條件測試中出現過啟動Windows需要40分鐘，硬盤IO100%使用，每個讀寫請求平均0.2秒響應。所以，在大規模部署時，對虛擬機并發開機數一定要有一定限制。同時，硬盤一定要多塊做RAID，以提供更高的IO吞吐量。

　　最后是CPU。CPU過度超分會嚴重影響用戶體驗。但是一般不會造成宿主機宕機。在我們的測試條件下，超分到1:2用戶體驗開始下降，所以實際上線超分不多。

　　最終我們現在生產環境，是以內存為標準進行超分，硬盤、CPU控制在可接受范圍。

　　3、網絡細節

　　多DNSMasq實例問題

　　我們虛擬機的IP地址通過DHCP獲取。DHCP服務端我們使用的DNSMasq比較老，只是簡單的實現了多實例運行，但并未真正實現綁定到虛擬接口。

　　在生產環境，我們觀察到VM都能獲取IP，但是在續租IP的時候大量失敗。經抓包分析，虛擬機在第一次請求IP時，由于自身無IP地址，使用的是廣播方式進行DHCP請求；在續租時，由于本身有IP地址，也已明確DHCP服務端地址，所以采用IP點對點單播請求。

　　服務端，多個DNSMasq實例運行的情況下，如果是廣播包，所有DNSMasq都收到消息，所有廣播請求能正確回復。在單播情況下，只有最后啟動的DNSMasq能收到請求，最終導致虛擬機得不到正確的DHCP續租響應。最終我們通過升級DNSMasq解決。

　　宿主機重啟導致虛擬機網絡不通

　　在物理機重啟后，有時會出現VM網絡不通。經過調查，我們分析出根本原因是libvirt，ovs的啟動、關閉順序。

　　在正常情況下，libvrit退出時會刪除它管理的OpenVSwitch Port以及它創建的對應的Tap虛擬網卡。libvirt啟動時會創建需要的Tap網卡，并請求OpenVSwitch創建對應的Port建立虛擬連接。

　　邏輯上，OpenVSwitch Port相當于交換機網口。Tap網卡，相當于PC的網卡。他們之間需要連線網絡才能正常通信。

　　如果關機時，OpenVSwitch比Libvirt先停止，Libvirt將不能成功刪除它管理的OpenVSwitch Port；開機時，如果OpenVSwitch先啟動，它將建試圖重建之前存在的port。但因為Libvirt還未啟動，OpenVSwitch Port對應的Tap網卡還未創建（即虛擬網口對應的虛擬網卡不存在），OpenVSwitch重建Port最終失敗并且Port將被銷毀。

　　由于Port信息對OpenVSwitch來說是用戶配置信息，OpenVSwitch并不會從數據庫中清理掉對應的Port記錄。所以等到Libvirt啟動調用OpenVSwitch創建Port時，OpenVSwitch發現數據庫里面已經存在這些Port，所以并未真正觸發Port重建，最后造成VM網絡不通。

　　最終我們通過開、關機順序調整實現問題修復。

　　RabbitMQ長連接

　　RabbitMQ是OpenStack使用的一種消息交交互組件。OpenStack在某些時候，會出現無法創建虛擬機的情況。通過日志分析我們發現計算節點沒有收到對應的創建請求消息。然后抓包分析進一步發現，TCP數據包被防火墻攔截、丟棄。原來防火墻對TCP會話有數量限制，會定期丟棄長久無數據交互的TCP會話。

　　在了解根本原因后，一方面通過定期自動冒煙測試保證網絡不空閑，一方面想解決方案。從應用層面上，我們調研到RabbitMQ已經有心跳機制，但要升級。由于升級影響范圍太廣，最終沒有進行。

　　接著我們對網絡層面進行了調查，發現TCP本身有Keepalive保活機制，同時RabbitMQ代碼本身也有TCP保活，但默認不開啟。最后我們通過啟用RabbitMQTCP保活機制，設置一個合理的保活間隔解決問題。

　　四、系統穩定背后的黑科技

　　1、運維工具

　　運維是云桌面的一大難題，為此我們專門設計了運維系統，通過兩套SaltStack系統實現了對瘦客戶端與虛擬機的管理；通過Portal系統實現對整個系統的管理。

　　具體功能上，運維上，實現了對虛擬機、宿主機的可視化監控、管理，并能對虛擬機實現遠程管理；對IT管理人員，實現了自動化的軟件安裝、文件下發、密碼修改、數據找回，、發送通知等功能；對資產管理員，實現了TC狀態監控，TC異常情況及時發現。還有其它大量工作仍在開發進行中。

　　2、監控告警

　　監控方面，除了常規的服務器、操作系統層面的監控，我們實現了大量業務層監控。比如通過監控已經連接云桌面的瘦客戶端用戶輸入事件，實現實時活躍用戶監控，使得我們能實時監控系統負載、用戶數量。通過對比部門排班，第一時間發現用戶數異常。

　　同時，對OpenStack的各種告警、ERROR的也添加了監控，確保云平臺的穩定。對虛擬機網絡、CPU等也進行了相應監控，確保虛擬機對于用戶的高可用性。

　　3、自動化測試

　　通過在瘦客戶端實現用戶輸入輸出模擬，我們實現了全自動的測試環境。我們搭建了專門的云桌面測試實驗室，數十臺盒子進行7x24小時自動測試，全力驗證系統各項變更，支持業務各種研究探索，保障系統穩定性。

　　同時，通過傳統的CI框架，我們搭建了代碼的單元測試、集成測試環境，已經大量的線上測試用例，不僅有力的保障了軟件質量，還能定期對線上系統進行體檢，第一時間發現系統異常。