Article: The App Is Just the Tip: What It Takes to Build Mobile Infrastructure at Scale

TL;DR · AI 摘要
移动应用性能提升50%靠后端网关优化,影子迁移模式实现零停机迁移,依赖矩阵分类决定系统容错能力。
核心要点
- 后端网关处理响应聚合使页面渲染时间减半,网络请求从5-7次降至1次
- 配置化UI更新使新功能上线时间从1-2周缩短至4小时
- 依赖关键性矩阵分类实现故障前预案,而非故障时应急
结构提纲
按章节快速跳转。
思维导图
用一张图看清主题之间的关系。
查看大纲文本(无障碍 / 无 JS 友好)
- 移动基础设施架构
- 网关层设计
- 响应聚合优化
- 配置化UI
- 迁移策略
- 影子模式
- 金丝雀发布
- 容错机制
- 依赖关键性矩阵
金句 / Highlights
值得收藏与分享的关键句。
后端处理响应聚合使产品详情页渲染时间减少50%
配置化UI使功能上线时间从1-2周缩短至4小时
依赖关键性矩阵分类决定系统降级行为而非故障时应急
影子模式迁移无需完美测试环境即可实现零停机
应用只是冰山一角:构建可扩展移动基础设施所需的一切 - InfoQ
InfoQ 首页 文章 应用只是冰山一角:构建可扩展移动基础设施所需的一切
移动
InfoQ 认证的高绩效团队计划(在线,11月17日):为您的团队构建更清晰的运营模型。
应用只是冰山一角:构建可扩展移动基础设施所需的一切
2026年11月4日 15分钟阅读
作者:
- Kirill Sokolov
审阅者:
- Sergio De Simone
#### 关注我们
YouTube
232K 粉丝
26K 粉丝
新
RSS
19K 读者
X
57.1k 粉丝
21K 喜欢
Bluesky
收听本文 -
0:00
音频准备就绪
您的浏览器不支持音频元素。
正常
1.25x
1.5x
喜欢
新下拉阅读列表
- 阅读列表
核心要点
- 将响应聚合、功能标志评估和错误处理从移动客户端转移到服务器端网关,使产品详情页面的渲染时间减少了一半,每屏的网络调用从五到七次减少到一次。
- 后端驱动的UI使团队能够通过编辑网关配置而非发布新应用版本来更改用户界面,将代码完成到多数用户上线的时间从一到两周缩短至不到四小时。
- 后端驱动UI(SDUI)不是一个单一决策:全SDUI、混合模式和仅数据模式各自在采用成本与产品速度之间进行权衡,混合模式适合已有定制组件的成熟应用。
- 工程与产品团队共同在依赖关键性矩阵中将每屏的下游调用按必需、优选和可选进行分类,可在事件发生前而非发生时决定降级行为。
- 通过运行影子模式对比响应,再通过金丝雀发布阶段逐步迁移流量,并将错误率阈值与自动回滚绑定,即使没有忠实的预发布环境,也能迁移高流量的实时系统。
我在一家大型电商平台工作了六年,该平台拥有数千万月活跃用户、数百个后端服务,以及需要整合所有功能的Android和iOS应用。前几年我是一名Android开发人员,构建用户可见可触的特性。后来我转向另一侧,停止编写移动代码,开始构建团队中所有移动开发人员依赖的后端基础设施:一个位于移动应用和其他系统之间的网关层。
这次转变彻底改变了我对移动开发的看法。大多数关于移动应用的讨论都集中在UI、框架和设计系统上。但决定应用是否感觉快速、频繁发布且在规模上保持稳定的关键因素,不是应用本身,而是它背后的部分。
本文正是关于这一层:它做了什么、为何存在、如何正确设计,以及在没有安全网的情况下尝试将实时高流量产品迁移到这一层会发生什么。
智能应用的问题
移动应用运行在用户的设备上。这听起来显而易见,但当你设计系统时,很容易低估这一事实的影响。设备电池有限、内存有限,网络连接往往不稳定、缓慢或两者兼具。你推送到应用中的每一段逻辑都会争夺这些资源。
当应用规模较小时,这种模式尚可管理。但当应用需要服务数百万用户并与其他数百个后端服务交互时(这些服务由不同团队分别维护),客户端逻辑的负担开始累积。应用运行速度变慢,崩溃率上升,电池消耗增加。而每次修复都需要发布新版本,这意味着要经历应用商店审核、等待发布,以及希望用户及时更新。
为了更具体地说明问题,以下是我们构建网关前的架构示意图:
图1. 引入移动网关前的客户端-服务端直接通信架构。[来源:作者使用ChatGPT辅助绘制的示意图。]
移动应用需要了解所有下游服务。每个页面需要发起多次网络请求,客户端合并响应结果,本地评估功能标志,并单独处理每个服务的错误模式。单个商品详情页面需要调用五到六个服务,应用中包含将这些响应整合成可渲染视图的逻辑。
这些成本是可衡量的。在中端Android设备上(这类设备占我们用户基数的约60%),商品详情页面需要2.8秒才能渲染。其中约1.1秒是网络时间(包括多个顺序和并行调用),0.9秒是客户端数据转换时间。应用的冷启动时间已超过4秒。APK大小每季度增长约2MB,部分原因是客户端服务集成代码的累积。
当移动应用主要作为远程服务的客户端时,应尽可能减少对后端编排的控制。越多的逻辑在客户端执行,应用就越脆弱。
网关模式:统一接口,对接数百服务
我们构建了一个代理层,位于所有移动客户端与平台其余后端服务之间。该系统有两个主要职责。
首先,它为移动开发者准备数据,使他们无需理解底层复杂性即可使用。一个大型市场拥有庞大的后端系统:库存系统、定价引擎、配送物流、推荐服务、支付处理等。每个系统由不同团队维护,有时甚至作为独立的业务单元,拥有自己的代码库和部署流水线。
构建商品卡片页面的移动开发者不应需要了解如何调用五个不同服务、合并响应、处理部分失败,并将结果转换为UI可渲染的格式。网关替他们完成了这些工作。
其次,网关吸收了原本应存在于应用中的逻辑。数据转换、功能标志评估、响应聚合以及下游失败的错误处理——所有这些都转移到了服务器端。
图2. 网关中介架构,聚合和编排逻辑迁移至服务器。[来源:作者使用ChatGPT辅助绘制的示意图。]
现在应用每个页面只需发起一次请求。网关确定需要调用的后端服务,按最优顺序调用(尽可能并行),组合响应结果,应用功能标志和实验变体,并返回一个预处理好的数据包,使应用只需进行最小处理即可渲染。
完整迁移后的实际效果:
指标
迁移前
迁移后
变化
商品详情页面渲染时间(中端Android p50)
2.8秒
1.4秒
-50%
每页面加载的网络调用次数(商品详情)
/
5–7
1
−80%
客户端负载处理时间
900ms
<120ms
−87%
应用冷启动时间
4.1秒
2.9秒
−29%
APK大小增长率
~2 MB/季度
~0.8 MB/季度
−60%
崩溃率(月度)
0.41%
0.26%
−37%
网关模式的权衡
这种架构并非没有代价。引入网关会创建一个新的关键依赖项,增加一次网络跳转(通常在同一数据中心内需要5–15ms),并需要一个团队来负责其运营。
延迟。网关增加了跳转,但消除了多个客户端到服务端的顺序调用,取而代之的是单次客户端到网关调用后并行的服务器间调用。服务器间调用通过低延迟的数据中心链路进行,而非移动网络,因此总体延迟几乎总是更低。在我们案例中,增加的网关跳转被消除4–6次移动网络往返所抵消。
操作复杂性。你现在需要管理一个处理所有移动流量的服务。这需要从第一天起就投入冗余、自动扩展和断路器的建设。我们跨多个可用区域运行网关,目标是99.99%的正常运行时间——比任何下游服务都更严格,因为网关故障意味着整个应用停机。
耦合风险。如果不谨慎,网关可能演变为单体架构。我们通过将网关设计为可配置而非代码密集型来避免这点。屏幕定义声明在配置文件中而非应用代码中。新增屏幕或修改现有屏幕不需要部署新网关代码,只需更新指定调用哪些服务、如何组合响应以及使用何种回退行为的配置。
团队边界。网关团队成为每个移动功能的依赖项。我们通过构建自助服务模式来缓解:移动团队可以定义自己的屏幕配置,网关会执行这些配置。网关团队负责运行时和框架;产品团队负责屏幕定义。
我进入这项工作的路径并不典型。我最初是Android开发者,花了多年时间在应用中构建功能。后来转向Android基础设施,改进其他移动开发者使用的内部工具。这让我看清了痛点:开发者在哪些地方挣扎,应用在哪些地方做了过多处理,以及客户端和服务器之间的边界划分不当。当我最终转向后端工作设计网关时,我带着所有这些移动侧的经验。在没有亲历移动侧之前,很难构建出优秀的移动后端抽象。
后端驱动的UI:将速度与应用商店解耦
当我们把大部分逻辑迁移到网关后,发生了重要的变化:我们不再依赖移动应用发布来实现大多数产品变更。
发布周期是移动产品开发中最被低估的瓶颈之一。发布新版本的应用意味着要经过Google Play或App Store的审核流程。这意味着需要在数天或数周内逐步上线。这意味着即使上线完成后,仍有大量用户仍在使用旧版本,因为人们不会可靠地更新应用。研究一致表明,用户讨厌频繁更新;每次更新都会消耗带宽和时间,过多的更新会侵蚀信任。
对于业务而言,这会造成一种痛苦的矛盾。产品团队希望快速迭代:运行实验、调整布局、根据数据优化流程。但所有存在于应用代码中的更改都需要发布,而发布过程缓慢。一个耗时两天开发的功能,可能需要两周时间才能触达大部分用户。
我们的网关架构通过将应用转变为渲染层而非决策层,解决了这一问题。服务器定义了应用应该显示的内容——渲染哪些组件、顺序如何、使用哪些数据——而应用负责展示。我们可以通过更新网关配置来改变用户看到的内容,无需修改应用代码、绕过应用商店,且用户不会察觉任何变化。
如果我们希望在不发布新应用的情况下改变产品行为,那么控制该行为的业务逻辑必须位于服务器端,而非客户端。
发布速度在网关引入前后的对比:
| 指标 | 网关引入前 | 网关引入后 | |------|------------|------------| | 从代码完成到50%用户上线所需时间 | 10–14天 | <4小时 | | 每月启动的产品实验数量 | 3–5个 | 15–25个 | | 故障实验的回滚时间 | 2–5天(新发布) | <10分钟(配置更改) | | 需要应用发布的更改比例 | ~80% | ~15% | | 生产环境中活跃的应用版本数量(最近30天) | 8–12个 | 3–4个 |
一旦将逻辑迁移至后端,应用就变成了画布。你可以控制画布上呈现的内容。
后端驱动的UI:模式选择
实现后端驱动UI有多种方法,最佳选择取决于你的约束条件:
全服务器驱动渲染(SDUI) 服务器发送完整的组件树:渲染哪些组件、它们的属性以及顺序。应用作为通用渲染器。这种方式提供了最大的服务器控制权,但需要客户端具备成熟的组件库,并仔细处理版本控制——旧版应用需要优雅地处理无法识别的组件类型。
混合模式 服务器控制数据和布局配置(哪些部分显示、顺序如何、使用哪些数据),但应用保留对单个组件渲染方式的控制权。这种方式更容易逐步采用,适合已有复杂定制UI组件的成熟应用。
仅数据网关 服务器聚合和处理数据,但应用保留所有布局和渲染决策。这种方式可以获取性能优势(减少网络调用、更轻量的数据负载),但无法获得服务器控制布局带来的产品迭代速度优势。
我们选择了混合模式。全SDUI方案虽然灵活性最高,但需要通用渲染系统、严格的模式版本控制,以及跨应用版本的兼容性处理。仅数据网关方案虽然更简单,但无法解决布局和实验更改的发布周期瓶颈。混合模式为我们提供了折中方案:网关控制屏幕结构(部分、顺序、可见性规则和实验变体),而应用保留渲染控制权。代价是需要维护一个额外的服务器-客户端契约,该契约需要版本控制、验证,并与旧版应用保持向后兼容。添加新的部分类型仍然需要应用发布;只有现有部分可以从服务器端重新排序、隐藏或完全重新配置。
在无预演的情况下迁移现有系统
我们从零开始设计了网关。但困难的部分并非设计本身。真正的挑战在于迁移。
该平台是一个实时运行的高流量应用,服务于数千万用户。原有架构中,移动应用直接与各种后端服务通信,大量逻辑位于客户端。我们需要将所有流量重定向到新网关,重新在服务端实现数据准备逻辑,同时确保用户无感知差异。没有预发布环境能完全复现生产环境的流量规模。你无法模拟数百万真实用户、真实设备和真实网络环境。你只能测试可实现的部分,构建可观测性能力,然后直接在生产环境中执行。
迁移采用渐进方式。我们逐个页面和流程进行迁移,遵循以下流程:
- 影子模式:网关与原有直接调用并行运行。两条路径同时执行,但应用仅使用旧路径的响应。我们在服务端对比两个响应,记录差异。
- 金丝雀发布:当差异率降至0.1%以下时,将1%流量导向新路径。我们监控页面加载时间、错误率和下游服务调用模式,持续至少48小时。
- 逐步发布:每个页面在1至2周内逐步提升流量比例至5%、25%、50%和100%,并设置自动回滚触发器。若某页面错误率超过基准值0.5个百分点,流量会自动回退至旧路径。
- 旧路径移除:在100%流量稳定运行4周后,删除旧的客户端集成代码。
最具挑战的部分是处理在大规模场景下才显现的长尾边缘案例。某个服务在负载下返回略有差异的数据;某个超时在95百分位可接受,但在99.9百分位却灾难性;某个下游团队未通知就部署变更,导致网关突然向部分用户发送格式错误的数据。这些问题无法通过任何单元测试提前准备。你只能通过监控、逐步发布和适度的谨慎来应对。
我们在应用运行过程中完成了向新架构的迁移。由于无法提前完全复现生产环境条件,我们依赖精心设计的分阶段迁移策略。
在大规模场景下确保系统可靠性
迁移完成后,我的关注点转向了韧性设计。一个位于所有移动用户与后端服务之间的网关,本质上是单点故障。一旦网关宕机,应用将完全不可用。
要使其可靠到足以承担这一关键角色,需要持续而有意识的工作。
基础方案众所周知:冗余、熔断器、超时、带退避的重试,以及下游服务故障时的优雅降级。我更感兴趣的是那些不那么显眼的挑战:
在产品层面定义“降级”策略。如果推荐服务出现故障,产品页面应该显示空白的推荐区域、缓存版本,还是完全移除推荐区域?技术上的正确答案取决于产品上下文。缺失的区域可能看起来像是一个 bug,过时的区域可能会显示不相关的内容。完全移除该区域可能是最简洁的方案,但产品团队可能会反对,因为这会降低用户参与度。这些决策不能仅由基础设施团队单独决定,需要工程、产品和设计团队紧密协作,并通过网关可自动执行的配置进行明确定义。
我们构建了一个依赖关键性矩阵,根据每屏的下游服务调用将其分类为必需、优选或可选:
- 必需:缺少该数据则无法渲染屏幕。若调用失败,网关会向应用返回错误(例如产品详情页上的产品价格和库存信息)。
- 优选:缺少该数据时屏幕会降级,但存在回退方案。网关会提供缓存数据或简化响应(示例:个性化推荐回退到基于流行度的推荐)。
- 可选:即使缺少该数据,屏幕仍可完整显示。若调用失败,该区域将被省略(示例:“客户也购买了”轮播图)。
该矩阵由工程和产品团队共同维护。每新增一个屏幕定义都需要填写该矩阵。它在故障发生时消除了歧义,使值班工程师能够专注于恢复服务,而非在凌晨 3 点做出产品判断。
理解实际容量。负载测试有所帮助,但合成负载无法复现生产流量模式。真实用户会在促销、闪购和全天候高峰时段聚集,从而产生你未曾预料的热点区域。我们学会了积极进行监控,并将容量规划视为持续性工作。我们跟踪每屏、每个下游服务和每个可用性区域的 p50、p95 和 p99 延迟指标,并每周进行审查。
系统在生产环境中应是“无趣”的。如果你在运行时还在思考它,说明已经出了问题。
本工作所需能力
在这一层级构建和维护移动基础设施,对网关工程师提出了特定技能要求。你需要深刻理解移动限制,以便为从不会看到你代码的移动开发者做出良好的权衡。你需要深入理解后端系统,以预测故障、管理依赖关系,并在数十个服务间推理延迟预算。你需要具备足够的产品意识,以判断哪些降级模式是可以接受的。此外,你需要跨组织沟通能力,因为网关依赖的服务由拥有各自优先级、发布计划和“正常运行”定义的团队负责。
实践经验总结
如果你正在构建或运营一个已超出原始架构的移动应用,基于上述经验,我建议采取以下措施:
- 审计逻辑归属:明确哪些决策是在应用端执行,哪些在服务器端执行。如果应用正在执行数据聚合、功能标志评估或复杂条件渲染,这些都应考虑提取到网关层。
- 从用户流失率最高的界面开始。对产品实验反应最频繁变化的界面,是后端驱动UI能最快见效的地方。优先迁移这些界面。
- 在迁移任何内容之前,先投资可观测性。你需要每个界面、每个流程的延迟、错误率和数据包大小的指标。没有这些指标,在迁移过程中你将如同盲人般无法判断情况。
- 明确且协作地定义降级行为。为产品和设计团队建立依赖关键性矩阵。将每个下游调用分类为必需、优选或可选。不要将这个决策留给凌晨3点值班的人来判断。
- 有意识地选择SDUI深度。全服务器驱动渲染、混合模式或仅数据传输——每种方式都有不同的采用成本和回报。根据团队成熟度和产品迭代节奏选择合适的方式。
- 将网关视为产品而非工具。它有用户(你的移动开发人员),有需求(可靠性、性能、开发者体验),需要持续投入。如果忽视它,应用质量的成本将会显现。
- 为网关配备同时理解两端的人。最好的网关工程师是那些同时做过移动端和后端开发的,因为他们能理解边界两侧的约束条件。如果你找不到这样的人,就要投入跨领域培训。
结论
移动应用是用户看到的界面。但其背后的基础设施会影响加载速度、崩溃频率、产品团队的迭代速度以及系统处理故障的优雅程度。这一层对用户不可见,也常被更广泛的工程组织忽视。构建好这一层是移动产品开发中最技术挑战大且商业关键的工作之一。
在我的经验中,这也是最令人满足的工作之一。你构建的是团队中每位工程师都依赖的基础。当它正常工作时,所有人都能更快推进;当它出现问题时,所有人都会感受到影响。这种问责制是一种特权,它会让你保持诚实。
main wrapper for authors section
关于作者
section title
main wrapper for each author
#### Kirill Sokolov
显示更多
显示更少
#### 本内容属于移动技术主题
##### 相关主题:
- 开发
- REST
- 架构
- Web服务
- 面向服务架构
- 企业架构
- Web API
- iOS
- Android
- API
- 操作系统
- 微服务
- 移动
- 相关编辑内容
- 相关赞助商 《实用智能体编码实践手册》
- 相关赞助商 大规模自动化代码转换。修复漏洞、迁移框架、现代化所有仓库中的遗留代码。免费试用 Moderne
InfoQ 新闻letter
每周五发送上周InfoQ内容摘要。加入超过25万名高级开发者的社区。查看示例
我们保护您的隐私。