Allegro最牛Skill实战：如何构建高可靠性的分布式任务调度系统

1次阅读

没有评论

共计 2058 个字符，预计需要花费 6 分钟才能阅读完成。

在分布式系统中，任务调度是一个至关重要的组件，但开发者常常会遇到以下问题：

任务丢失 ：节点宕机导致正在执行的任务丢失
重复执行 ：多个节点同时获取到同一个任务
负载不均 ：某些节点过于繁忙，而其他节点闲置
监控困难 ：难以实时了解任务执行状态
扩展性差 ：随着业务增长，调度系统无法水平扩展

目前市面上主流的分布式任务调度框架有：

Quartz
优点：成熟稳定，功能全面
缺点：集群模式下数据库压力大，扩展性有限
Elastic-Job
优点：支持分片，弹性扩容
缺点：依赖 Zookeeper，学习曲线较陡
Allegro 最牛 Skill
优点：
- 基于事件驱动，响应速度快
- 轻量级，不依赖外部协调服务
- 内置丰富的监控指标
- 支持动态调整任务分片

我们采用事件驱动的方式来管理任务状态，主要状态包括：

PENDING
RUNNING
SUCCESS
FAILED
RETRYING

每个状态变更都会触发相应的事件处理器，实现业务逻辑的解耦。

为了防止任务重复执行，我们基于 Redis 实现了分布式锁：

public boolean tryLock(String lockKey, String requestId, long expireTime) {return redisTemplate.opsForValue().setIfAbsent(lockKey, requestId, expireTime, TimeUnit.MILLISECONDS);
}

public boolean releaseLock(String lockKey, String requestId) {String currentValue = redisTemplate.opsForValue().get(lockKey);
    if (requestId.equals(currentValue)) {redisTemplate.delete(lockKey);
        return true;
    }
    return false;
}

我们实现了三种分片策略：

平均分配 ：将任务均匀分配到所有节点
哈希取模 ：根据任务 ID 的哈希值决定执行节点
自定义路由 ：允许业务方实现自己的分片算法

首先定义任务注解：

@Target(ElementType.METHOD)
@Retention(RetentionPolicy.RUNTIME)
public @interface DistributedTask {String name();
    String cron() default "";
    int retryTimes() default 3;
    long retryInterval() default 5000;}

@Aspect
@Component
public class RetryAspect {@Around("@annotation(distributedTask)")
    public Object doWithRetry(ProceedingJoinPoint pjp, DistributedTask distributedTask) throws Throwable {int retryTimes = distributedTask.retryTimes();
        long retryInterval = distributedTask.retryInterval();

        for (int i = 0; i <= retryTimes; i++) {
            try {return pjp.proceed();
            } catch (Exception e) {if (i == retryTimes) {throw e;}
                Thread.sleep(retryInterval);
            }
        }
        return null;
    }
}

我们在 4 节点集群上进行了测试：