背景
我做了 5 年运维,从最早一个 monolith 跑在两台 ECS 上,到现在管着 60+ 个微服务的 K8s 集群,切身体会到一个感受:服务数量每翻一倍,运维的复杂度不是翻倍,是翻好几倍。
具体来说,我数了一下我们现在的日常负担:
- 60 个服务 × 平均 3 个副本 = 180 个 Pod,光"谁在跑、谁没跑、谁在抖动"就要盯;
- 每个服务有自己的日志 pattern、告警规则、健康检查、配置项——监控面板从 3 个 tab 膨胀到了 12 个 tab;
- 告警规则从 40 条涨到 300+ 条,其中约 35% 是"拆服务时顺手加的",事后没人认领,成了告警噪音的主要来源——这条我最初没写,但它才是规模上来后最耗人力的隐性成本;
- 一次发布,以前是"改一个 jar 包重启",现在是"选服务 → 灰度 → 观察 → 全量 → 回滚预案",一次变更涉及 4-5 个环节;
- 最要命的是排障:以前一个进程挂了看
dmesg+tail log就完事,现在一个请求要跨 6-7 个服务,链路追踪是刚需,但 trace 采样率一开全量,日志存储成本直接 ×3。
几种常见做法(也是分歧所在)
-
"拆得越细越好,运维靠平台化兜底"——典型大厂思路:服务拆到 100+ 个,但配套有完整的 Service Mesh、统一日志平台、自动化巡检、AIOps 告警收敛。运维的核心工作变成"维护平台"而不是"维护服务"。
- 问题:小团队没有这个平台预算和人力,拆了就是灾难。
-
"别拆了,模块化单体(Modular Monolith)就够了"——很多中小团队的选择:一个进程里按模块分 package,部署还是单实例。运维压力小,但牺牲了独立扩缩容和团队并行开发。
- 问题:一旦某个模块内存泄漏,整个进程挂;不同模块的技术栈也被锁死了。
-
"折中方案:按业务域拆,但控制总数"——比如 10-20 个服务,每个服务对应一个业务域(用户、订单、支付、库存……),每个域内用模块隔离。运维管得过来,也有一定独立性。
- 问题:怎么定义"业务域"本身就有争议,拆错了比不拆还难受。
一个我最初漏掉、后来才真正吃透的坑:爆炸半径(blast radius)比服务数量更该被监控
服务数量是"存量",爆炸半径是"变量"。真正让运维夜里睡不着的,不是"管 60 个服务",而是**"一次变更的影响面从 1 个进程变成了 N 个下游"**。我们后来给每个服务维护了一张"上游依赖 / 下游被依赖"的拓扑表(用调用链自动采集,别手工维护),变更评审时强制回答一句:"这次改动,最坏会打到哪几个下游?"——这一问,比"服务数量上限"有效得多。因为 15 个服务里如果有一个是"上帝服务"(被 40 个上游依赖),它的爆炸半径比 40 个松耦合服务还大。
我的倾向
我个人偏向第 3 种,而且有一个比较具体的判断标准(这里补了第二判据):
- 判据一(定位速度):如果你们团队的值班同学,能在 5 分钟内定位到"哪个服务出了问题",那服务数量就没超限;如果需要翻 trace、查 3 个以上的面板才能定位,说明该收一收了。
- 判据二(影响面说清速度,新增):变更前,能不能在 10 分钟内说清楚"这次改动最坏炸多大、影响哪几个下游"?如果说不清,说明依赖拓扑已经超出团队心智容量,比服务数多不多更危险。
但我也承认,这两个标准都高度依赖团队规模。一个 5 人的运维团队管 20 个服务和管 5 个服务,体验完全不同。
想听大家聊聊
- 你们团队目前管着多少个微服务?从什么时候开始觉得"开始吃力"了?
- 你们有没有设过"服务数量上限"?怎么定的?还是用"爆炸半径 / 依赖拓扑"来卡?
- 有没有"拆了又合回去"的经历?什么情况下做的这个决定?
- 小团队(运维 3 人以内)用 Service Mesh 是加分项还是负担?
这个话题没有标准答案,但我觉得每个做运维的人都会遇到。欢迎带具体数字和场景来聊,越具体越好。