本文根據(jù)孫燕老師在《2019DAMS中國(guó)數(shù)據(jù)智能管理峰會(huì)》現(xiàn)場(chǎng)演講內(nèi)容整理而成。

講師介紹

孫燕，微博廣告基礎(chǔ)運(yùn)維負(fù)責(zé)人，2009年入職新浪，任職10年間參與博客、圖片、視頻、微博平臺(tái)監(jiān)控、微博廣告多個(gè)產(chǎn)品運(yùn)維，致力于運(yùn)維自動(dòng)化、產(chǎn)品架構(gòu)優(yōu)化、服務(wù)治理、智能監(jiān)控及以監(jiān)控為依托的服務(wù)容災(zāi)建設(shè)。

在上文提到的自動(dòng)擴(kuò)縮容體系當(dāng)中，提到一個(gè)叫Oops的系統(tǒng)，這是微博廣告運(yùn)維人員建立的智能監(jiān)控系統(tǒng)。接下來給大家簡(jiǎn)單介紹一下。

1、監(jiān)控面臨的挑戰(zhàn)

說到監(jiān)控，不得不說監(jiān)控遇到的很多問題。

市面上有很多開源的監(jiān)控軟件，比如說常見的Zabbix，在監(jiān)控?cái)?shù)據(jù)量少的情況下，不管是基礎(chǔ)監(jiān)控還是業(yè)務(wù)監(jiān)控，這些開源軟件都是可以直接滿足需求的。

但是隨著監(jiān)控指標(biāo)的增多，加上我們的指標(biāo)是實(shí)時(shí)性變化的，數(shù)據(jù)要求又比較高，這些原生軟件不再滿足我們需求了。另外，微博廣告的業(yè)務(wù)數(shù)據(jù)有特殊性，一般運(yùn)維關(guān)注的數(shù)據(jù)是系統(tǒng)的性能，系統(tǒng)的性能數(shù)據(jù)有時(shí)候來源于業(yè)務(wù)日志。

但是微博廣告的業(yè)務(wù)日志是收入，很多業(yè)務(wù)日志是一條都不能丟的，比如說結(jié)算的曝光每一條曝光對(duì)于廣告來說，都是真金白銀，對(duì)精準(zhǔn)性要求比較高，單獨(dú)通過性能監(jiān)控的日志收集方法是不能滿足需求的，這也是我們面臨的挑戰(zhàn)。

另外，監(jiān)控系統(tǒng)一般都會(huì)具備告警功能，有告警就會(huì)有告警問題，接下來會(huì)詳細(xì)地介紹告警問題。還面臨問題定位方面的挑戰(zhàn)，在監(jiān)控越來越完善的基礎(chǔ)上，很多開發(fā)的操作情況發(fā)生了變化，一旦發(fā)生問題，第一個(gè)反應(yīng)并不是上服務(wù)器看一下系統(tǒng)怎么了，而是翻監(jiān)控，看看哪些監(jiān)控指標(biāo)發(fā)生了問題，所以監(jiān)控系統(tǒng)會(huì)越來越多地面向于問題定位這個(gè)方向。

2、Oops整體架構(gòu)面臨的挑戰(zhàn)

作為監(jiān)控系統(tǒng)，Oops在架構(gòu)上并沒有什么出奇的地方，所有的監(jiān)控?zé)o非就是四個(gè)階段：從客戶端進(jìn)行數(shù)據(jù)采集、數(shù)據(jù)的清洗和計(jì)算、數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)展示。

圖片來源于：《2019DAMS中國(guó)數(shù)據(jù)智能管理峰會(huì)》PPT

3、監(jiān)控?cái)?shù)據(jù)流向特點(diǎn)

所有的監(jiān)控系統(tǒng)都逃不開這四個(gè)階段，只是根據(jù)業(yè)務(wù)的不同進(jìn)行了定制化的工作。針對(duì)廣告業(yè)務(wù)的監(jiān)控流向，我們把數(shù)據(jù)分成兩類，有一部分精密數(shù)據(jù)的計(jì)算，我們采取的是離線分析的方式，通過采集軟件將所有的日志采集到Kafka，通過計(jì)算的工具進(jìn)行拆洗、計(jì)算，計(jì)算之后落存儲(chǔ)，還有另外一個(gè)團(tuán)隊(duì)開發(fā)的針對(duì)于這一部分?jǐn)?shù)據(jù)的頁面展示化，還有一個(gè)系統(tǒng)叫hubble，針對(duì)精細(xì)數(shù)據(jù)的展現(xiàn)，實(shí)現(xiàn)個(gè)性化定制的展現(xiàn)。

另外一部分是運(yùn)維比較關(guān)心的數(shù)據(jù)，今天來了多少流量？流量有多少是正常的？有多少是異常的？平均耗時(shí)是多少？針對(duì)這一部分，我們采取了實(shí)時(shí)數(shù)據(jù)計(jì)算的方法。

在數(shù)據(jù)采集階段發(fā)生了變化，我們并不采集全量日志，而是在客戶端做了預(yù)處理，進(jìn)行分類計(jì)算。比如說監(jiān)控?cái)?shù)據(jù)，就按監(jiān)控?cái)?shù)據(jù)的方法計(jì)算；告警數(shù)據(jù)，就按告警數(shù)據(jù)的計(jì)算。而且按照用戶讀取的需求進(jìn)行分類存儲(chǔ)，保證了高并發(fā)數(shù)據(jù)的實(shí)時(shí)性。

圖片來源于：《2019DAMS中國(guó)數(shù)據(jù)智能管理峰會(huì)》PPT

4、海量指標(biāo)監(jiān)控系統(tǒng)流程

接下來詳細(xì)介紹實(shí)時(shí)數(shù)據(jù)計(jì)算。首先從數(shù)據(jù)采集上講，上文提到我們不采取全量的采集方式，而是通過Agent對(duì)數(shù)據(jù)進(jìn)行處理，在數(shù)據(jù)采集階段，在數(shù)據(jù)產(chǎn)生的服務(wù)器上，針對(duì)不同的需求按不同的時(shí)間進(jìn)行分類聚合，最終向后推送的數(shù)據(jù)是key-value、計(jì)算方法這種模式，推送給proxy。proxy拿到已經(jīng)被打包的數(shù)據(jù)進(jìn)行拆包，然后送給不同的計(jì)算結(jié)點(diǎn)，再按照key進(jìn)行計(jì)算，打時(shí)間戳。

這個(gè)數(shù)據(jù)并不精準(zhǔn)，但我們可以接受部分損失，只需要保證數(shù)據(jù)的趨勢(shì)是正確的。另外，關(guān)于分類計(jì)算，不同的需求推送給不同的計(jì)算節(jié)點(diǎn)。存儲(chǔ)也進(jìn)行了分類，實(shí)時(shí)性要求比較強(qiáng)的話會(huì)直接放到內(nèi)存，以最精細(xì)粒度進(jìn)行存儲(chǔ)。前三個(gè)小時(shí)的數(shù)據(jù)是按秒存的，按天計(jì)算的數(shù)據(jù)是按10秒、30秒存的，一些單機(jī)數(shù)據(jù)是按分鐘存的。

另外一些歷史性的數(shù)據(jù)需要出報(bào)表的，比如說要看前一周的數(shù)據(jù)，前一個(gè)月的數(shù)據(jù)，按照大數(shù)據(jù)的方式存到OpenTSDB當(dāng)中。存儲(chǔ)的數(shù)據(jù)提供一個(gè)API，通過API我們進(jìn)行了分類計(jì)算、分類存儲(chǔ)，這種分類的需求來源于用戶，需要看用戶有什么要求，要什么樣的數(shù)據(jù)。

比如，Dashboard的展示數(shù)據(jù)會(huì)直接被放到內(nèi)存里。另外，上文提到的在線擴(kuò)縮容數(shù)據(jù)，會(huì)相應(yīng)獲取數(shù)據(jù)給用戶，其他相關(guān)的獲取需求API也會(huì)進(jìn)行分類獲取。

接下來我們計(jì)算過的數(shù)據(jù)還有一部分會(huì)存儲(chǔ)到Redis通過WatchD作為告警中心的數(shù)據(jù)，因?yàn)楦婢瘮?shù)據(jù)一般都只要求當(dāng)前數(shù)據(jù)，不會(huì)有人需要查看上個(gè)月這臺(tái)機(jī)器的負(fù)載有沒有告警。

所以Alert節(jié)點(diǎn)計(jì)算之后的數(shù)據(jù)直接存在Redis，Redis把這個(gè)數(shù)據(jù)拿出來之后經(jīng)過告警中心根據(jù)告警規(guī)則進(jìn)行清洗，通過各種方式推送到需求方。同時(shí)有一個(gè)相對(duì)個(gè)性化的展示叫九宮格。我們的九宮格實(shí)際上是一個(gè)結(jié)合報(bào)警功能的監(jiān)控，它是一個(gè)頁面，但具備了告警功能。

圖片來源于：《2019DAMS中國(guó)數(shù)據(jù)智能管理峰會(huì)》PPT

接下來看一下監(jiān)控圖，下面三張圖是范冰冰宣布分手拿到的流量，我們的反映是非常靈敏的，平均耗時(shí)也漲上來了。

第三張圖是拿到這些數(shù)據(jù)之后，自動(dòng)平臺(tái)顯示應(yīng)該擴(kuò)容了。藍(lán)色跟綠色的流量線已經(jīng)降下來了，大部分量調(diào)到云服務(wù)器上。

圖片來源于：《2019DAMS中國(guó)數(shù)據(jù)智能管理峰會(huì)》PPT

下圖是我們的九宮格，因?yàn)闀r(shí)效性比較強(qiáng)，正常來說是以產(chǎn)品為頁面，以業(yè)務(wù)線為格子，每個(gè)格子記錄的是單機(jī)的詳細(xì)信息。如果在這一組服務(wù)器當(dāng)中單機(jī)故障數(shù)超過一定的比例，這個(gè)格子會(huì)變顏色。

圖片來源于：《2019DAMS中國(guó)數(shù)據(jù)智能管理峰會(huì)》PPT

所以在正常的運(yùn)維工位上都會(huì)有這樣的大屏幕，運(yùn)維可以一目了然發(fā)現(xiàn)自己所有負(fù)責(zé)的業(yè)務(wù)線情況，而不是讓一臺(tái)臺(tái)機(jī)器在這里展現(xiàn)，這樣就沒有辦法看到業(yè)務(wù)線情況了。九宮格可以讓運(yùn)維更加直觀地看到當(dāng)前的告警情況。

5、告警

告警有很多的問題，我們遇到的問題可以分為以下四個(gè)方面：

1）告警數(shù)量巨大

運(yùn)維人員需要關(guān)注所有部分，從系統(tǒng)到服務(wù)、接口等等，維度很多，一旦有問題，各種策略都會(huì)觸發(fā)報(bào)警，報(bào)警數(shù)量多到一定程度，基本上等于沒有報(bào)警。

2）重復(fù)告警率高

告警策略一般會(huì)周期性執(zhí)行，一直到告警條件不被滿足，如果服務(wù)一直不恢復(fù)，就會(huì)重復(fù)報(bào)下去，另外，同一個(gè)故障也可能引發(fā)不同層次的告警。

比如，我們有一個(gè)業(yè)務(wù)線叫超粉，會(huì)有360臺(tái)服務(wù)器，流量高峰時(shí)360臺(tái)服務(wù)器會(huì)同時(shí)發(fā)送告警，這種告警的重復(fù)率很高。

3）告警有效性不足

很多時(shí)候，網(wǎng)絡(luò)抖動(dòng)、擁堵、負(fù)載暫時(shí)過高或者變更等原因，會(huì)觸發(fā)報(bào)警，但這類報(bào)警要么不再重現(xiàn)，要么可以自愈。

比如一個(gè)硬盤在接近80%的時(shí)候開始告警了，你讓它告嗎？好像得告，但似乎不告也可以。

4）告警模式粗放

無論是否重要、優(yōu)先級(jí)如何，告警都通過郵件、短信、AppPUSH發(fā)送到接收人，就像暴風(fēng)一樣襲擊著接收人，接收人沒有辦法從中獲取到有效的信息，經(jīng)常會(huì)讓真正重要的告警淹沒在一大堆普通告警中。

圖片來源于：《2019DAMS中國(guó)數(shù)據(jù)智能管理峰會(huì)》PPT

針對(duì)這些問題，我們采取了以下措施：

1）抖動(dòng)收斂

對(duì)于這種大規(guī)模服務(wù)器的維護(hù)，抖動(dòng)是非常常見的現(xiàn)象。網(wǎng)絡(luò)抖一抖，整個(gè)服務(wù)單元就會(huì)向你告警。

針對(duì)這種抖動(dòng)，我們?cè)黾恿艘恍┎呗裕秳?dòng)的時(shí)候會(huì)前后比較，監(jiān)測(cè)重復(fù)性，看看是不是具備告警的意義，通過增加告警策略這種方式來進(jìn)行收斂。比如說流量突增的時(shí)候，需要查看是不是同單元都出現(xiàn)了這個(gè)情況。

2）告警的分類和分級(jí)

詳細(xì)定義告警級(jí)別，發(fā)送優(yōu)先級(jí)、升級(jí)策略等，可有效減少粗放模式下告警接收量。比如，一些低優(yōu)先等級(jí)的告警會(huì)讓它告，處理的級(jí)別會(huì)低一點(diǎn)。

3）同類合并

同一個(gè)原因可能會(huì)觸發(fā)一個(gè)服務(wù)池里面的所有實(shí)例都報(bào)警，比如同時(shí)無法連接數(shù)據(jù)庫(kù)，其實(shí)只需要報(bào)一次即可。

4）變更忽略

我們的好多變更都是在Kunkka平臺(tái)上操作的，開發(fā)有時(shí)候會(huì)選中一個(gè)通知，現(xiàn)在是變更，告警請(qǐng)忽略。

圖片來源于：《2019DAMS中國(guó)數(shù)據(jù)智能管理峰會(huì)》PPT

以上措施能解決告警問題中80%的問題，現(xiàn)在大家都在朝著更高級(jí)的方向發(fā)展，我們也簡(jiǎn)單做了一些探索。在原有告警數(shù)據(jù)流情況下引入了工具SkyLine，這個(gè)工具包含了多種算法，在異常檢測(cè)環(huán)節(jié)中，能夠通過它內(nèi)置的算法將我們傳入的數(shù)據(jù)自動(dòng)去抖動(dòng)，提供平滑的數(shù)據(jù)，等你再拿到這個(gè)數(shù)據(jù)時(shí)就不需要再檢測(cè)是不是告警。

這個(gè)工具避免了人工操作，通過Skyline將數(shù)據(jù)進(jìn)行平滑，提供一份準(zhǔn)確的數(shù)據(jù)，我們只需要通過這份數(shù)據(jù)，進(jìn)行規(guī)則判斷，決定是否需要告警就好了，減少了對(duì)數(shù)據(jù)準(zhǔn)確性判斷的復(fù)雜過程。接著是根因分析部分，隨著監(jiān)控的覆蓋面越來越廣，監(jiān)控精確性越來越高。

等故障出現(xiàn)的時(shí)候，開發(fā)人員就會(huì)去翻監(jiān)控圖，去查看大概是哪些原因?qū)е铝斯收?。隨著Dashboard越來越多，即便是經(jīng)驗(yàn)非常豐富的工作人員也很難快速地定位到原因會(huì)出現(xiàn)哪個(gè)方面、該去去看哪張個(gè)監(jiān)控圖。

出現(xiàn)流量突增的情況時(shí)，Skyline會(huì)通過內(nèi)部的算法Luminosity尋找相似的情況，查看相同的時(shí)間內(nèi)是否有其他地方出現(xiàn)流量異常，并將根源問題展示在TOPN上，這樣就能夠快速查看在故障出現(xiàn)的前后哪些業(yè)務(wù)也出現(xiàn)了流量變化，方便對(duì)故障原因進(jìn)行分析和定位。

圖片來源于：《2019DAMS中國(guó)數(shù)據(jù)智能管理峰會(huì)》PPT

還有一項(xiàng)非常重要的工作——服務(wù)治理，這里只進(jìn)行簡(jiǎn)單的介紹。

1、為什么需要服務(wù)治理

微博廣告現(xiàn)階段所出現(xiàn)的問題主要有：架構(gòu)越來越復(fù)雜，上文提到微博廣告的服務(wù)器已經(jīng)達(dá)到3000臺(tái)，所以在這種服務(wù)器數(shù)量情況下，架構(gòu)會(huì)越來越復(fù)雜，穩(wěn)定性要求也變得非常高；開發(fā)的多語言環(huán)境對(duì)上線發(fā)布也造成了挑戰(zhàn)；資源使用是否合理性，對(duì)運(yùn)維來說也是一個(gè)挑戰(zhàn)。

圖片來源于：《2019DAMS中國(guó)數(shù)據(jù)智能管理峰會(huì)》PPT

2、低成本和高可用的平衡

針對(duì)這些問題，我們進(jìn)行了低成本和高可用的平衡，爭(zhēng)取用最小的服務(wù)器達(dá)到最穩(wěn)定的架構(gòu)。在保證服務(wù)穩(wěn)定的情況下，將流量進(jìn)行均分，分到最小服務(wù)單元三機(jī)房部署為基本規(guī)則，保障在一個(gè)機(jī)房掛掉的情況下，另外2/3的服務(wù)器能承載全部的流量。

關(guān)于上下游之間調(diào)用的平衡，盡量減少跨運(yùn)營(yíng)商的調(diào)用，微博廣告每一毫秒的消耗都會(huì)影響到收入。我們的請(qǐng)求時(shí)間是1毫秒、1毫秒地優(yōu)化下來的，這些損耗產(chǎn)生在網(wǎng)絡(luò)和服務(wù)器上，很難通過人力彌補(bǔ)，因此在這方面我們也非常謹(jǐn)慎。

另外，小功能會(huì)抽象出功能的共同點(diǎn)，將這些功能服務(wù)化，服務(wù)則按單元化部署。

圖片來源于：《2019DAMS中國(guó)數(shù)據(jù)智能管理峰會(huì)》PPT

3、服務(wù)發(fā)現(xiàn)及負(fù)載均衡

在服務(wù)治理過程中，我們會(huì)根據(jù)服務(wù)的引入服務(wù)自動(dòng)發(fā)現(xiàn)，盡量減少服務(wù)變更環(huán)節(jié)的人工干預(yù)，提高安全性和實(shí)時(shí)性，自建負(fù)載均衡會(huì)有標(biāo)準(zhǔn)的數(shù)據(jù)輸入和數(shù)據(jù)發(fā)布的過程，可以大大提升后期的可擴(kuò)展性和可用性。

圖片來源于：《2019DAMS中國(guó)數(shù)據(jù)智能管理峰會(huì)》PPT

4、服務(wù)治理成績(jī)

經(jīng)過近半年的服務(wù)治理，我們達(dá)到了這樣的成績(jī)：

架構(gòu)更加強(qiáng)健，容災(zāi)能力提高；

系統(tǒng)、數(shù)據(jù)、配置標(biāo)準(zhǔn)化；

服務(wù)器的合理使用，成本控制。

圖片來源于：《2019DAMS中國(guó)數(shù)據(jù)智能管理峰會(huì)》PPT

其中，我覺得最重要的是系統(tǒng)、數(shù)據(jù)、配置標(biāo)準(zhǔn)化的過程。

今天好多分享的嘉賓也提到了AIops，這些上層的建設(shè)都是依賴于整個(gè)業(yè)務(wù)標(biāo)準(zhǔn)化的過程，中國(guó)有句古話，工欲善其事，必先利其器，我們所有的標(biāo)準(zhǔn)化過程就是為下一步人工智能打下堅(jiān)實(shí)的基礎(chǔ)，希望我們的工作能夠以技術(shù)保證微博系統(tǒng)穩(wěn)定，助力微博廣告的收入。