去哪儿“技术债”偿还实践：如何高效、低风险砍掉50%无用代码?

作者介绍

去哪儿旅行基础架构组技术专家——马阳阳

TakinTalks稳定性社区专家团成员，去哪儿旅行基础架构组技术专家。公司云原生 SIG 成员，负责测试环境治理平台、代码精简平台、组件市场等，专注于研发效能领域。2022 年深度参与的“线上代码精简50%”项目获得公司级技术型一等奖，指导多个团队完成系统精简，积累了大量经验。

温馨提醒：本文约7500字，预计花费12分钟阅读。

背景

一个普遍而持久的问题：随着时间的流逝，系统中逐渐堆积起了大量的历史债务，比如被废弃的模块和无用的代码。这些"历史包袱"不只是让系统变得臃肿，也在新功能的开发或者系统维护时对开发工程师造成困扰。

我们可以看看去哪儿旅行的一组数据：每个开发人员平均需要维护6个应用，每个人负责的代码量大约是十几万行。在这些经常使用的应用中，有20%的应用在一年内都没有进行过任何变更。更令人震惊的是，线上方法行的覆盖率仅有40%，这意味着，有60%的代码是没有流量经过的，被视作无用代码。

这些数据揭示了许多问题，比如老旧系统的维护成本高昂，时间估计误差较大，开发进度缓慢，这些问题都可能影响到系统的稳定性。最终，这将导致效率和质量的双重下降。为了解决这些问题，去哪儿旅行在2022年初启动了一个名为“系统瘦身”的项目，在不影响系统运行的前提下，成功地剔除了千万行无用代码。

本文将分享如何运用可观测性技术来识别并清除无用代码。我将从服务和代码两个角度详细分享项目的实施细节，并会探讨在服务和代码精简后，对研发效能、质量和效率等指标的提升效果。期望通过本文的经验分享，能够帮助读者在系统精简方面有更深的理解和更好的实践。

一、如何制定目标和系统瘦身策略？

1.1 系统瘦身目标&挑战

“系统瘦身”项目的目标：削减代码和服务的数量均达到50%。其中，代码精简是主指标，而服务精简则是次要考虑的目标。但要实现这个目标，其难度和挑战性不可小视。

首先，目标的设定其实非常高。减少50%的代码和服务，意味着我们需要在保证系统正常运行的前提下，削去一半的代码。我相信听到这一要求，许多人都会感到难以置信。

其次，精简工作的范围广泛，涉及到各个业务线。这个项目是公司级别的项目，去哪儿旅行的每一条业务线，包括国内和国际机票、门票、酒店、火车票等，都需要完成50%的精简目标。为了达成这个目标，需要清理掉线上几千万行的代码，这个任务量是相当巨大的。

再者，风险巨大。当引入新功能时，只需考虑其是否可用。但在删除代码时，必须明确分析出这些待删除的代码是否有人在使用。因为一旦误删，可能会导致线上故障。

最后，缺乏参考经验。我们查阅了大量的国内外资料，却未能找到任何可以借鉴的经验。因此，这是一个在业内首创的项目，对技术团队提出了高技术和创新性的要求。

1.2 系统瘦身整体规划

1.2.1 时间规划

在明确目标后，我们首先进行了时间规划，将整个项目时间分为两个阶段：前两个月用于进行服务精简，随后则进行代码精简。我们选择先进行服务精简，是因为服务精简的性价比较高，一旦关闭一个服务，可能会立即减少数万至数十万行的代码。

1.2.2 组织架构规划

我们设立了一个瘦身公共支持团队。这是一个虚拟组织，主要提供通用工具和技术支持，以帮助各个业务线的团队进行高效的系统精简。在使用这些工具进行精简过程中，各业务线团队若有需求或遇到技术问题，都可以向公共支援团队寻求帮助。

1.3 选择策略

1.3.1 策略一：两阶段法

无论是服务精简还是代码精简，我们都将其分为两个阶段，即“找得到”和“删得好”。

“找得到”阶段，即寻找那些可以被删除或可以被优化的服务和代码；“删的好”阶段，即实际进行删除和优化操作。

1.3.2 策略二：四步筛选模型

我们为查找阶段抽象出了一个通用的筛选模型，包括四个步骤：挖掘特征、度量特征、收集数据和匹配特征。

挖掘特征，即分析待删除的代码或服务的特性；度量特征，即确定如何测量这些特性；收集数据则是收集与这些特性相关的数据；最后，通过收集的数据和度量算法，完成特征的匹配。该模型的第三和第四步关键在于实现自动化，让程序帮助完成这些步骤。

二、如何实现自动化且低风险的服务精简？

2.1 识别可精简的服务

根据我们的“两阶段”策略，寻找可精简的服务是第一阶段的任务。在这个过程中，首先需要确定具有精简潜力的服务。为了寻找这些特征，我们采用了两种策略：删除服务和合并服务，以达到服务精简的目标。

可删除的服务：需要识别出哪些服务是低价值的。低价值的定义有两个方面，一是该服务没有流量，这就意味着这个服务并没有产生价值；二是该服务长时间未进行更新或迭代，对于这样的服务，我们认为其增量价值为零。通过这两个特征进行筛选，然后人工评估其存量价值，如果存量价值也很低，那么这个服务就可以被删除。

可合并的服务：需要评估哪些服务可以被合并。这可能听起来有些抽象，但其实很简单，就是在没有违反微服务架构原则的前提下，将两个或多个服务合并为一个。微服务架构有很多拆分服务的原则，比如业务流程、业务重要性和各种质量指标等。如果两个服务都没有触及到这些原则，那么它们就可以被合并。不过，由于业务相关的特征很多，这个决定需要由熟悉业务的人员来做。

在确定了哪些服务可以被删除或合并后，就可以开始进行精简操作。对于合并服务的策略，需要由业务线团队手动执行。而对于删除服务的策略，则可以由公共支持团队通过自动化工具来完成。接下来的度量和删除，也将围绕着这部分可删除的服务进行。

2.2 度量特征

前面提到可删除的服务一种是不迭代，一种是没流量。

那么如何度量服务是否有流量？主要关注三种流量：南北流量，即经过网关的流量；东西流量，即服务之间的调用流量；以及服务内部的流量。我们可以通过访问日志和历史数据来确定一个服务是否有流量。如果一个服务在这三类日志中都没有相关的流量记录，那么就可以判定这个服务没有流量，进而可以被删除。

服务是否迭代，分为两部分来考虑。第一种是代码不迭代，最终表现为发布少。第二种是配置不迭代，通常来说，我们会在分布式配置中心进行配置的更改，而每次更改都会记录日志，因此可以通过分析日志来找出那些配置不再迭代的服务。

2.3 删除服务

2.3.1 建立服务精简平台

在识别出无流量且不再迭代的服务，即识别出低价值服务后，便可以进入服务精简的第二阶段，也就是删除阶段。在此阶段，关键在于如何“删得好”，即如何将删除服务的操作流程标准化。一旦流程标准化，我们就可以建立一个服务精简平台，将标准化的流程实现在平台中，从而轻松实现自动化的服务删除。

2.3.2 服务删除流程

在去哪儿旅行，我们定义了一个服务删除的标准流程，主要分为四个阶段：确认期、预收回期、观察期和回收期。

确认期是通过度量方法和数据分析找出可能需要删除的服务，并需要应用负责人进行手动确认。一旦确认，便进入待下线状态，并进入预收回期。此时，服务精简平台会扫描这些待下线的服务，然后执行下线操作。需要注意的是，下线状态意味着服务不再接收线上流量，但相关的进程和资源占用仍然存在。

在下线后，服务进入观察期，我们会让业务线的同事进行两周的观察。如果在这两周内没有任何业务问题出现，说明这个服务真的可以被下线，那么便进入最后一个阶段，即回收期。在此阶段，会真正回收那些不再使用的资源。

2.4 一些实践经验

以下是关于服务删除的一些实践经验。

三、代码精简：如何精准找到线上无流量的方法？

3.1 可精简代码特征分析

我们的策略依然是“两个阶段”——确定可以被精简的代码，然后进行代码的精简。

关于可能被精简的代码，我这里列举了三种情况——

首先，可以通过静态代码扫描找出一些未被引用的方法。例如，如果A方法依赖B方法，但A方法没有在任何地方被引用，那么A方法就有可能被精简掉。

其次，也可以通过线上运行时的状态分析，找出那些没有流量经过的方法。这些方法也是有可能被删除的。

最后，还可以通过代码重构，简化流程处理，减少代码重复，使得代码组织更清晰，这也有助于减少代码量。

在使用这三种方法时，需要评估每种方法的效果。具体来说，需要考虑两个指标：一是能够删掉的代码总量，如果这个量大，说明该方法的效果好；二是该方法的通用性，如果具备通用性，就可以通过编程自动完成代码精简，从而提高效率。

对于未被引用的方法，虽然其数量可能不大，但是具备通用性。对于没有流量的方法，其数量是非常大的，并且也具备通用性。之前提到，在去哪儿旅行，线上有60%的代码都是没有流量的。至于代码重构，其效果大小与系统有关，对于新的系统，重构可能带来的效果较小。虽然理论上，基于规则的重构是通用的，但这部分量往往很少，大部分重构都需要基于对业务的理解，结合业务进行，所以整体而言，重构并不具备完全的通用性。

因此，对于量大的两个方法——未被引用的方法和没有流量的方法，将由公共支持团队提供工具进行处理。而对于代码重构，这需要业务线团队自己去完成。

3.2 度量选型

接下来，将主要关注如何处理没有流量的方法这一问题。本节主要讨论的是Java技术栈，因为在去哪儿，90%以上的系统都是基于Java体系。

3.2.1 方案一：面向切面编程 (AOP)

在Java中，可以采用面向切面编程（AOP）的技术。可以在每个方法前添加切面，使得每次方法执行都会记录日志。然后，在线上运行一段时间后，通过扫描日志来识别哪些方法没有流量。这是一种直观的策略。

3.2.2 方案二：基于Agent的字节码插桩

另一种更底层的技术是基于Agent的字节码插桩。可以在JVM启动时添加Agent参数，进行字节码插桩。其逻辑和基于AOP的方法相似，都是为每个方法添加日志记录，然后通过分析日志来找出没有流量的方法。

3.2.3 方案三：基于Serviceability Agent (SA)工具

第三种方法是使用Serviceability Agent（SA）工具。大家都知道Java代码有两种执行方式：初始阶段代码会被解释执行，当代码热度达到一定次数或一定时间内的执行次数后，会进行编译执行。

在JVM中，每个方法的执行次数都被记录在一个字段中。通过SA工具，可以使用Java语言读取JVM中的这些数据。SA工具其实并不复杂，它可以暴露Java中的一些对象，并可以探测运行的JVM中每个方法的执行次数。其基本原理是探测JVM中的各种状态值进行分析。

那么，如何基于SA找到没有流量的方法？首先，需要对SA进行包装，可以附加到JVM进程上。然后，通过探测JVM中每个方法的调用次数，将数据保存下来。整个过程可以称为"跑数"，即探测JVM中方法计数并保存结果的过程。

在跑数时，需要注意几个关键点：首先，JVM处于STW（Stop-the-World）状态，即业务线不工作；其次，跑数时长一般为1到3分钟；第三，跑数过程中需要查看内存中各个参数的情况，可能会额外消耗一些内存。

3.2.4 三种方案的比较

在选择度量的方案时，需要关注的是稳定性，最好的方案应该是对线上业务无影响。我们将三种方案根据性能损耗、故障风险和实现复杂度进行了评估。最终，选择使用SA工具。通过对SA的深度优化，可以做到对线上业务性能损耗为零，故障风险也为零。

3.3 度量方案的关键实施步骤

前文有提到，使用SA进行数据抽取时会导致STW，增加内存消耗，且需要运行两三分钟。那么，如何才能在这种情况下不影响业务呢？关键在于控制SA跑数的时机。

3.3.1 定时跑数

首先，我们考虑的是定时跑数的方案，例如每日执行一次，针对线上的某个服务进行运行。设想服务就像一堆容器或KVM，包含许多Pod，我们随机选择一个Pod进行下线，但这个下线只是暂停接收线上流量，实际上它的JVM进程仍然在运行。停止服务后，使用SA对其进行探测。此时，即使发生STW或内存增加，也无关紧要，因为它已经不再接收线上流量。探测完成后，再将Pod上线，恢复正常服务。因此，整个过程对业务没有任何影响。

但是，我们发现这个方案在实际应用中存在许多困难。首先，JVM在运行时需要有足够的剩余内存。如果剩余内存很低，例如只有一两百兆，使用SA跑数会很可能导致系统卡住，进而无法正常结束或成功跑数。因此，需要预留充足的内存。通常，内存使用量与JVM的内存使用量正相关。在SA跑数时，内存大约会增加500M到1G。

其次，需要确认服务是否有多个实例。如果只有一个实例，下线操作会导致服务直接中断。如果有两个实例，下线一个，那么它也会变成单点，这也是无法下线的。只有在服务具有两个以上的实例时，才能选择一个进行下线。

最后，还需要考虑多环境问题。在我们的系统中，每个服务可能运行在多个环境中，每个环境可能有不同的流量，但代码只有一份。这就需要针对每个环境都进行一次跑数。

3.3.2 下线时跑数

考虑到以上的困难，我们提出了一种更好的方案。不再定时跑数，而是与系统管理员的操作配合，例如我们会经常进行服务的发布、重启或下线等操作，这些操作都会进入后续的灰度流程。

在下线前，会进行SA跑数，即使此过程导致系统挂掉也无所谓，因为最终都会进行下线操作。同样，如果是发布新版本，也没关系，因为这个容器后面会拉取新的Pod。这个方案能实现对业务性能无影响、故障风险为零的效果。

然而，这个方案也有一个局限性，那就是如果一个服务非常稳定，一年都不需要重启或发布新的版本，那么就只能回到原来的策略，即定时跑数。例如，可以对所有的服务进行检查，找出那些已经运行两三个月而没有发布新版本的服务，然后给这些服务定时跑数。

3.3.3 SA跑数代码实现

在实现SA跑速的代码部分，需要根据解释执行和编译执行的不同，使用不同的API去探测它。

(跑数代码实现)

解释执行方法的代码实现很简单，分为三个步骤：实现特定的Visitor接口、根据Visit方法入参获取到Method结构、根据Method结构状态判断是否有流量。通过这些步骤，可以快速识别出没有流量的方法。

（代码实现-解释执行方法）

（代码实现-编译执行方法）

3.3.4 计算可精简方法集

通过上述代码，可以获取到一份结果，其中包含了函数的唯一标识、调用次数和代码行数等字段。然而，仅仅跑一次是不够的，我们需要进行长期的跑数，例如跑2个月的数据。在这个时间范围内，会发现一些函数始终没有被调用，这时可以确定这些函数是没有流量的。

将每次跑数的结果进行聚合并取并集，就能得到所有有流量的方法集。另外，通过静态代码分析，可以获取到工程方法全集。最后，用方法全集减去有流量的方法集，就得到了没有流量的方法集，也就是最终可以精简的方法集。

3.3.5 业务流程图

3.4 代码清理的多种手段

在代码清理阶段，我们会对那些无流量的代码进行彻底的删除。

3.4.1 全自动化清理策略

最初，我们推出了全自动的删除策略。看似理想的这种策略，具有高度自动化和高效率的特点。通过此方式，程序会自动克隆项目代码，创建分支，然后自动删除无流量的方法。完成后，程序会推送分支，然后通知人工进行代码审查(CR)，最后发布。此策略的主要优势在于，前面的所有步骤都是全自动完成的，唯一需要人工进行的是代码审查和发布。

然而，实际部署这种策略后，发现很多业务团队不敢或不愿使用。原因是业务同学会觉得直接创建了一个分支，然后在代码审查平台上看到大量的代码被删除，他们无法判断被删除的代码量，也无法确定哪些代码应该被删除，哪些不应该。因此，他们会认为发布存在风险。

3.4.2 半自动清理策略

因此，后来推出了一种半自动化的策略。开发了一个Idea插件，能够扫描整个工程中所有无流量的方法。

在插件的左侧，提供了一个可以被删除的方法列表。用户可以在这个列表中进行全选，也可以按包进行选择。选择完之后，右侧提供了一些一键删除方法的功能。这时，删除流程就变成了人工通过Idea插件件进行手动删除。因为每一个方法都是他们亲手删除的，所以他们认为在删除过程中的可控力度更强，风险也更低。

3.4.3 代码清理最佳实践

总的来说，我们提供了两种不同的策略，以适应业务的重要程度。对于重要性较低的业务，可以进行全自动化的精简；对于重要性较高的业务，则进行半自动化的精简。

3.5 一些实践经验

四、最终效果如何？

• 代码量减少50%，服务减少26%；

我们设定的目标是将代码量减少50%，最终，恰好实现了这一目标，同时服务数量也减少了26%。整个项目实施周期超过半年，期间并未发生任何严重的故障。

• 故障率持续下降，维持在0.3%以下；

从数据中可以看出，故障率基本上呈现出下降的趋势。随着代码瘦身项目和其他稳定性保障项目的相继落地，当前的故障率维持在0.3%以下。

• 需求处理的平均耗时减少10.9%；发布效率提升9.5%。

我们对比了项目实施前后两个时间段的需求处理平均耗时，发现项目实施完成后，处理需求的平均时间减少了10.9%。此外，由于代码量的减少，从克隆代码到编译，再到JVM运行等每个步骤的时间都有所减少，最终导致发布效率提升了9.5%。

五、总结展望

最后，我想用一张图来做个总结。

“给我一个API，我就能减少一半的代码”。这句话主要是想引导大家进行深思，底层技术虽然可能看起来比较枯燥或者无趣，但其所能带来的价值却无比巨大。回顾整个项目，我们投入了大量的人力资源，涉及了诸多团队，最终成功减少了数千万行的线上代码。从技术角度来看，核心技术仅是使用了一个 JVM 工具的 API。然而从业务角度来看，这直接影响到了公司的服务质量、用户体验，乃至整个公司的效率和运营成本。因此，底层技术能够为上层应用提供无限的可能性，这也鼓励我们持续积极探索新的技术和方向，通过我们的专业技术尽可能地提升公司的整体效能。（全文完）

Q&A：

1、刚提到的服务下线前和下线后，通知到具体负责人？你们是有使用什么工具或者平台吗？

2、原来是通过运行时去分析函数被调用次数。你们有没有遇到一年才运行一次的定时任务吗？这种代码会被误删吧，如果采用你们这种方法。

3、业务团队没有人力的时候公共支撑团队来支援，那公共支撑团队的工作量怎么管理和控制？

4、SA技术进行跑数时，会不会存在可能影响线上服务的风险？

5、精简中有没有出现过故障的问题，都是哪些情况导致的故障？