高可用高可靠系统设计中的重试机制
内容提要
重试机制是现代软件系统的关键组件，可以帮助系统从暂时性错误或网络中断中恢复。重试应该仅针对暂时性错误，并且需要考虑重试的成本。重试退避期是指在请求无法到达下游服务时，系统需要等待一段时间才能重试。固定退避、指数退避和随机退避是常见的等待时间策略。重试状态可以存储在线程、消息传递或数据库中。正确实施重试机制可以提高系统的下游弹性，改善用户体验。
延伸解读
重试的前提：区分暂时性与永久性错误
文章强调，重试只应针对暂时性错误，如连接超时、断路器跳闸、429、500、503等；而400、401等通常意味着请求本身有问题，重试无益。这一区分是重试机制有效性的基础，错误地重试永久性错误不仅浪费资源，还可能掩盖真正的业务逻辑问题。因此，实施重试前必须明确错误分类，避免盲目重试。
幂等性：重试安全的关键保障
即使收到错误，下游服务也可能已处理请求，因此重试必须考虑幂等性。文章指出，GET、DELETE、PUT通常是幂等的，而POST不是。为确保安全，可在请求中添加唯一ID，让下游服务识别重复请求。缺乏幂等性保障时，重试可能导致重复扣款、重复下单等严重后果，因此必须与下游服务确认API的幂等性。
退避策略的选择：匹配场景与用户体验
固定退避适合需要快速响应的用户请求，指数退避适合后台任务如通知、邮件，随机退避则能避免惊群效应。文章提醒，退避策略的选择应取决于API和服务用例。例如，用户请求可能无法忍受长等待，而后台任务可以接受更长的间隔。错误选择策略可能导致用户体验下降或下游服务过载。
重试状态的存储：权衡简单性与可靠性
重试状态可存储在线程、消息代理或数据库中。线程方式简单但阻塞线程，适合短间隔固定延迟；消息代理如RabbitMQ延迟队列易于实现且支持分布式，适合后台进程；数据库最灵活但实现成本高。文章指出，存储方式的选择需考虑服务架构和重试需求，例如分布式系统中消息代理能更好地处理服务停机后的恢复。
Q&A
重试机制的主要作用是什么？
重试机制可以帮助系统从暂时性错误或网络中断中恢复，确保软件系统继续正常运行。
什么情况下应该重试请求？
仅应重试暂时性错误，例如连接超时或内部服务器错误，而不应重试错误请求等应用程序错误。
重试退避期有哪些常见策略？
常见的重试退避策略包括固定退避、指数退避和随机退避，每种策略适用于不同的场景。
如何存储重试状态？
重试状态可以存储在线程、消息传递系统或数据库中，以便在请求失败时进行管理。
重试机制的实施成本有哪些？
重试机制的实施成本包括额外的CPU、内存和带宽使用，尤其在高流量情况下需要谨慎考虑。
幂等性在重试机制中有什么重要性？
幂等性确保重复请求不会导致不同的结果，避免因重试而引发的业务逻辑错误。
