DevOps最后一层：有效构建海量运营的持续反馈能力

sarly

　　　　前言　　　　

DevOps最后一棒

  U. g% u2 V! m
7 g. B3 U3 B. l: Y; l

( H  a) d/ Q  s( j2 [. d

此图概括了整个DevOps体系，它最后的环节，是做运营和终结的环节。对于运营和终结的理解，我认为应该包含两个维度：第一个是这次运维活动质量的运营与终结；第二个是产品的技术运营与生命周期的终结。

+ x7 R* h; h  `: p

今天聊下产品生命周期结束前的技术运营阶段，如何构建质量体系，实现持续反馈和优化的目标。

, z7 u# Y* h. u  M! @# B

持续反馈于运维的理解

监控、告警与运维

# h% V  v2 j# Q) f3 z* X

◆ 监控——覆盖率、状态反馈、指标度量

监控要做到360度无死角，业务出现什么问题都能发现，有了监控的反馈，可以看到实时监控的状态，同时，当指标发生变化的时候也需要注意反馈信息。

( T9 Z+ s9 A( E! }

◆ 告警——时效性、准确性、触及率

7 ]0 a% M1 ~! r  M1 h

业务越来越复杂，层次越来越多，每一个监控点都会产生数据指标、状态异常，会收到越来越多的告警。未看到或者看到未处理都需要承担责任，因为收到的并非都是错误告警。

◆ 运营——RCA、事件管理、报表/考核

问题再三出现必须从根源优化。通过事件管理机制保证RCA可以落地，最后通过报表和考核去给运维赋予权利，推动相关优化活动的开展，包括架构和代码的优化等。

# H3 S6 z+ g" L' C( j, j8 e

      全面的监控点      

监控、告警与运维

3 c1 H4 w! f, f0 n

  Z; [- B( S) H, g

腾讯业务按照不同的层级进行管理，自下而上，有服务器层、数据库、逻辑层。中间计算的这一层，有接入层、负载均衡、机房、DNS服务、客户端、用户端等，为了做到无死角，我们布局了很多监控点。

. J/ ?4 ?, N$ l4 }' F

实现舆情监控后，监控点做到了100%的覆盖，但并不能高枕无忧，因为当监控点做得越多越立体化，360度无死角后，每个最细节的点都有指标去度量，指标数据爆炸很可能成为另一个潜在的监控隐患。

运营阶段要解决的问题

监控、告警与运维

/ n/ ?/ h$ |1 S& r  z2 i

7 e1 ]7 U# W* D% I- s2 X

3 {1 f$ K2 R1 `. G

〓 繁——简

+ F! B$ e6 @# U: x

在具体生产过程中会产生运维的事件或者故障，经常会有死机，以及各层监控告警，这些繁琐的告警、故障，该如何简单化？

3 F: x! {& z; \: i" a

1 i: r2 l( y- Y; V" k

〓 泛——精

$ O" v  r+ K( A# e+ i6 g- z+ a

举个例子，在一台核心的交换机下，假设其下连有1000台的机器分布到数据层、逻辑层、接入层等等，当这台交换机故障不可用时，由于有立体化监控的存在，每个监控点都会产生大量的告警信息，要如何发现这些告警是由哪台核心交换机故障引起的？

9 @, x$ u0 `( h2 [' \6 I: @

〓 乱——序

! ]2 i% F0 D* I; G# G- l

由于指标采集方式和计数据量的不同，直接导致了监控流处理效率是不一样的。告警收到的次序不一样，要如何排序并有效识别优先级？

所以在监控匮乏的时代要积极地搞建设，但是告警泛滥的时候要学会过滤。

监控对象与度量指标

监控、告警与运维

  {9 l* _" O0 D. ]

腾讯业务要监控的对象如上图左，按照业务逻辑从下往上，下面是通用的监控层面，网络、服务器、虚拟化还有应用，应用包括了组件的一些监控。

3 b: ^  J$ c3 h  m( {- k2 K

这里举了申请QQ号的业务场景案例，假设用户在PC端发起申请QQ号的业务请求，请求走到WEB前端，而后是注册服务，注册QQ包含了三个信息：个人信息、个性化设置、增值服务。是不是QQ会员，是否要开通会员类似的服务，这是业务逻辑。

. b. e$ T) N, T7 t* F( S; z. J9 {

# V( b) y1 U6 x5 p

基于立体化地监控，假设用组件监控，无论是QQ还是QQ空间、QQ音乐，都有一些通用的指标可以衡量。如，打开的内存是多少？长连接数是多少？用户进程、吞吐量、流量、CPU，业务层面返回码分别是什么？省市连接的成功率、请求量的分布是什么？这都与具体的业务逻辑无关。

- r' B7 F, T, F" x/ T/ ?. R6 z

在做监控时，把指标划分成两大类：

  k( T: M4 ^1 k# D

☆ 低层次指标

- s# k7 g+ E8 g8 A4 K9 c

把公共的、基础设施等在业务逻辑之下的指标称之为低层次指标，如网络、硬件、虚拟化等。

越低层次的指标让监控系统或是告警带来的噪音越大。在规划监控处理或者优化监控策略时，要尽量把低层次的指标自动化处理和收敛掉，尽量以高纬度指标来告警，因为这才是最核心最需要关注，最能反馈业务可用性的告警。如果一个公司用低层次指标来代替高层次的指标作用，那质量是很难管理的。

' ^* c- @# Y% e; C

☆ 高层次指标

5 f1 Y- s5 r, r+ j* m

高层次指标要能更直接地反馈业务可用性的情况，如成功率、延时、请求率等。

高层次的指标，要能够实时反馈业务真实状况的，在海量规模的业务运维场景下，人没办法看到单机的层面，必须要看到集群的层面。

3 `% `/ z, x+ b# b& G

以模块为统一的运维对象，模块是提供单一业务功能的集群。为什么要管理到集群？简单理解就是把运维对象给抽象，做减法。拿腾讯的SNG来说，10万+服务器，抽象成模块后只有一万多个模块，较之前面对10万个运维对象N个指标的告警量，现在面对一万个模块告警量要轻松不少，如果再把低层次的告警优化掉，可能只面对5000台的告警。

在高层次指标中，还要有效的区分开单服务的高层次指标，和业务功能的高层次指标。要理清两个概念，可靠性和可用性。

2 @  C! f, J, b8 V. c3 N! T  P. T

可靠性是指单个服务失败的次数，由于单个服务的失败并不一定会影响整个QQ号申请业务功能可用性的下降，因为微服务自身有失败重试的逻辑，在腾讯的运维经验中，我们会在可靠性和可用性之间做出一定取舍。

低层次指标虽然比较基础或者可以自动化解决，但往往是一些高层次指标的根源问题，善用低层次指标能够帮助运维快速定位高层次指标故障。

) E  v2 j! a" u6 O* b

$ R& C8 t8 l, P! f' Y' B* P7 U

       监控的本质        

监控、告警与运维

+ t' r$ @  e! V6 p& \5 A3 V

) p9 @  [, M; [1 ~, F

监控无非是监控很多的值和率。把值和率分开是有考虑的，因为值报上来就是一个值，率是经过一定的计算才变成率的，其实都是把扁平化的信息包装成高层次的指标。

9 B2 j: t& c+ |+ I  U1 V

监控最终的目标都是要分析状态和发现异常，要从图、表或数据中，分析现在业务的真实情况，分析现在服务是否有异常。

" }! B( _! }- g. ]  g6 U0 ~

         误告警解决办法        

监控、告警与运维

立体化监控，会带来监控指标的爆炸，更有可能带来告警数据失控，如果不能妥善处理，就会把告警通知演变成“狼来了”，失去了原来警报的效用。想有效解决告警多、误告警多要面对几点：

. ~$ Y. I) d' Y( g8 n

◇ 关联分析

7 Q+ W" z6 q# |

把一些真正重要的，需要通过事件、活动、指标提取出来。不要把什么事情都告警出来，从而过多消耗告警的诚信。

) y: d2 }! W3 U6 k2 m

◇ 无误告警

' }" z8 J4 m/ C/ ?3 M

怎么样把收敛策略、屏蔽策略用到极致，必要时可以将两者组合，以达到更强化的效果。

1 w1 F$ ]8 }- L( v

◇ 持续运营

, G+ S, r! e4 B: k1 M) J' S

. z. E! ^  Y6 y7 l5 {! K) f9 z7 \5 j

做好持续运营就是做好跟进，确保重要事情有人跟、有人度量，防止问题再三出现，要在流程上有保障的机制。

3 E% u( p* G; g" f: ]

这样就要求有一个质量体系来闭环管理，当监控发现业务架构不合理、代码不合理等问题，能够通过该质量体系，推动业务、开发、运维去将优化措施落地，这也是为了最终的商业价值，这是DevOps的观点。

/ O7 u8 K) a* o1 b" ]/ X

案例：海量数据分析思路

监控、告警与运维

0 r; d/ B% t; I: q2 h" u
# |; I. ]8 r/ D) e

& D6 u. {* G5 U7 i; h

这是手机Qzone的一个多维监控案例。当客户端第一次连接服务端，会有一个心跳包，它是一个命令字，我们以成功率来度量其质量，其实就是考量它维持长连接的可靠性。（如果长连接断开移动客户端连服务端的话要跟基站建立长连接，起码3、4秒耗掉了，好友消息没有办法接收。）如图，一般的功能，我们要求三个9的质量。但是千万别被平均数所蒙骗了，一起展开看看真实的情况。

5 l# ^+ W4 d  z. L' C& P  v7 N

3 `& F  a& X2 T! \: o4 }. u+ F

腾讯的服务是多地多活的，有一些分布在规模相对小的AC点，有些分布在比较大的DC点。根据全国用户访问服务端点的不同，腾讯内部称之为SET。讲平均数按SET的维度展开，为什么“无SET”的成功率只有2个9？再展开一下。

( \. D: O, c, b* ^( }+ K

7 n% k: N' u/ X0 h* \

; z. t  Y: I3 n$ J, X: x: _5 o9 D6 t

按APN（接入方式WIFI、4G、3G等）展开，服务质量越来越差，只有两个绿了，发现4G是100%，WIFI环境为什么只有两个9了？

% Z8 F1 I' z; n. I% n

' z6 w/ R6 x- E+ f2 o

按运营商展开，质量数据更红（差）了，虽然符合预期，但最终的问题还没有找到。

" R# Z! [/ h. i6 Q3 p  q: P

3 R9 Y0 S5 o# _5 p, H1 ?

继续按地区展开，发现全是红的，但还是没有头绪。

( u7 Z$ G& {  A8 U) h3 q5 ]

4 j7 K0 R+ {0 A$ `

2 G6 b& I) t2 o: A9 H" I4 Y; f% O" @

1 ~2 c. B6 q. [* z  H; p

当再次按地域展开时，展开到浙江地区，发现出错的全是安卓版本。而IOS的版本全是100%的成功率，共性问题呼之欲出。

; ]6 J$ n9 N$ g3 i2 R/ w

这时候回过头来检讨一下排障的思路，可能打开的方式不对。在第三步的时候直接展开，好像真相就已经出来了，其实是安卓的某几个版本可能有这样的隐患，导致这个心跳逻辑有问题。

这里说明一个问题，对待海量多维数据的处理，分析方案很重要，在规划和建设监控体系时，应该考虑好这点。今天给大家带来3个小技巧，希望能给大家在做监控数据分析时有帮助。

海量分析三技巧

' p- M) r: K; M  q7 L0 A% @

: D! [* l  ]5 n" B0 K

) O5 L8 T3 v9 c. V9 B

海量监控数据分析的技巧：溯源、根因和优选。

" W9 N& {! K) p/ @( J. r' M4 q

为了加快告警信息量的处理往往把监控的协议格式化，格式化处理完了之后再进一步格式化，把很多原始数据的蛛丝马迹丢掉了，导致没有办法查到真正的问题。因为之前做的格式化会让监控数据失真，影响排障的效率，所以上报协议的时候尽可能的保留字段。

+ m% M: |. @/ e8 h( ~5 Y0 s

        溯源分析      

海量分析三技巧

& M" D3 M/ N/ v8 a

; V& l" ]8 O1 M% ?- G5 R! ~

〓 高维与降维打击

- q& z* k+ o/ g- X3 f

高维与降维打击，把一个指标的结果值或率以不同的纬度展开，要把每一个维度的指标组合状态异常都变成告警，这是很不现实的，因为压根处理不过来。反而多维度的指标异常能通过日常报表汇总分析就能发现异常，然后通过考核去持续的推动，把异常指标给理顺、优化掉，这是就是高维、降维的打击。

# M8 k3 L- h" s" I

〓 级联分析

网络有一个词叫微突发，网络突然拥塞了，导致一大波低层次和高层次的告警产生。比如，一个交换机异常，引发下联服务器爆炸式的告警。当此类情况发生，统一告警平台全部不理，做好全局的收敛，以保证监控告警的有效性不受影响。

1 p7 S' i9 K6 ?- L- X- a  _$ P

〓 逆向思维

- H4 j7 M' B1 o+ h4 ]/ D) Q

不能只看结果数据，要回到原始数据来看。如果要做到逆向思维可生效，流处理集群在真正加工完，存储的结果数据之前要做最基础的分析，把那部分日志备份到大数据平台做离线的计算，然后结果数据再走正常的流，去做告警也好，异常波动也好，因为很多异常的东西必须要看到原始数据。我们曾经深入分析相册上传照片的流水日志，找到了大量异常的用户照片，从而节省了大量的运营成本，这些都是结果数据无法做到的效果。

        根因分析      

海量分析三技巧

# F! `7 i: Y) Q  K0 l& c( Q

. [$ |' p: C5 c' e# p# K

• 用高层次的告警 收敛 低层次的告警

  
  7 g2 O* D8 N6 ?, a7 p, [9 G

/ `* |6 E/ I- I: X' S& g

同一个集群下既产生了低层次告警，又产生了高层次告警，低层次的告警不用发。

; e: R, n9 r  z& O6 |( t

• 用主调的告警 收敛 被调的告警

  
  / B. D& U: m3 z8 r+ E+ s, Z
  . b' R' F3 c8 J4 D' h

模块A调用模块B，B挂了，A受不受影响？从保障业务可用性的角度，如果A没有产生告警，证明该场景只是B的可靠性告警，告警通知开发而不是运维。但如果B挂了，A也产生了告警，运维就应该收到A的告警，B还是告警给开发。推进告警分级（分值、分级、分人、分通道）的机制，其实是慢慢把一些运维要做的事情分给开发，运维只看核心的，软件可靠性这些开发来看，可靠性是开发的问题，可用性是运营质量的问题。

• 用原因告警 收敛 现象告警：

  
  5 _% r* a$ T6 h; b7 G6 }
  

在业务逻辑的调用联调中，用原因告警收敛掉现象告警。

• 用主动触发的活动 屏蔽 对象的告警：

  
  ) c! o( \' k) I+ L# s% J

7 T* |0 A# G; Z' }5 l) F+ H8 w4 v! P& x
& ?: m: M) P" G6 x# J

有些告警是由于变更行为引起的，要收敛掉。如正在做升级引发了告警，运维系统要能关联这些事件与告警。有高层次告警、低层次告警，还有运维的活动事件，都把这些集中在一起，通过权重的算法，有一个排序决策说告警应该是告这条链路，而不是每一个对象都重复告警。

' d  }: e$ Z$ p/ J8 D

        优选指标     

海量分析三技巧

& o: ^+ H' g+ X) B5 M

核心指标论

优选指标应该是第一次对外分享，腾讯内部的系统代号叫DLP，是一种通过人工来筛选核心指标的方法，在大数据时代的今天，这种做法稍稍有些不够优雅。如一个模块可能有300－400个指标，这300－400个指标中，包含有低层次的指标，高层次的指标，但当这个模块出问题的时候，这300－400个指标可能都会产生告警，那么应该怎么样收敛呢？倘若我们提前已经对该模块进行过核心指标的人工筛选，这个指标能代表模块最真实的指标。

3 b1 }3 ]4 Y- e2 ~

监控的相关性

监控是相关的，例如300个指标告警了，最核心的那个也会告警，最核心的告警了这300个指标可以不告警，只看核心的就可以了，为什么要人首选核心指标，因为暂时没有办法人工识别。

告警分级管理

基于核心的指标对告警做分级，非核心的开发自己收，核心的运维收，做到高规格保障。

降低流式监控的计算量

1 N6 ]. ^5 @* w6 v! T9 S

监控点越多，流的数据越大，整个监控流处理集群规模很大，10万台机器光是流处理的集群都是接近1500台，当运营成本压力大时，也可以重点保障DLP指标的优先计算资源，保证优先给予容量的支持。

$ S. h( V! N+ n

2 G" c- l: E" o" c6 n4 O: a# X

      用户舆情分析监控   

SNG织云监控系统

8 F3 \  l# O0 V# w  r% }

还有一个很核心的指标，就是织云用户舆情监控系统。简单介绍这个系统，用户舆情监控顾名思义就是监控用户的声音和反馈。用户的意见反馈来源可以分几部分，一是AppStore的入口，另一个是App内嵌的反馈入口，还有的就是腾讯的用户反馈论坛，所有的数据都会被汇集到织云舆情监控平台上，然后通过机器学习实现自动分类。系统会把类似“QQ空间打不开”、“QQ空间用不好”等这些词汇进行语意分析和归类，然后统一告警成“QQ空间异常”，时间间隔是15分钟颗粒度，技术细节不重点介绍。

; S! }  d8 Q6 ?* t( n

当实现了用户舆情监控后，我们基本有把握说业务监控是360度无死角的（假设用户都会反馈问题，且不考虑时间因素）。但这套监控先天就有门槛，因为要基于用户的主动反馈行为，同时需要较多的用户反馈数据量，腾讯的用户量基数很大，用户主动反馈的量也很大。舆情监控可以用于监控技术上的质量问题，也能用于监控产品的体验或交互问题。

   有策略更要有自动化   

SNG织云监控系统

# @  L* k. d% C' \' J$ }2 c4 c

+ b; H3 b* T0 m9 K

( M8 o; k3 S/ `

告警自动化处理的前提是标准化运维体系，在SNG织云监控体系下，所有告警处理会先经过预处理策略，然后再经过统一告警平台的策略和算法，最终才被决策会否发出。

; m  t# I; e! c% l& F

精准试用的算法与策略

SNG织云监控系统

在定义指标状态异常时，我们的经验是尽量不要用固定阀值，要用也是动态阀值，否则在监控对象的阀值管理上就会有大量人工管理的成本。其他的推荐策略如图。

6 H. r# l- O4 ]; x$ S

常见业务监控图形与策略

SNG织云监控系统

7 N0 \) s' M( y% a! B  r. |0 M" [

我们在日常运维工作中，面对的监控图形如上图，趋势有小波动、毛刺、无规律的，建议有针对性的套用监控策略，让监控告警更精准。

( G3 T- B; ~( Q1 e0 i% t+ H7 z, Q

       案例：监控自愈      

SNG织云监控系统

( v, L6 c. x4 g0 z

  a# s& ~* ]3 x& M/ _; c& K& \

分享一个织云监控实现进程自愈的案例，流程中的模块在部署时，运维自动化流程就会把进程和端口的信息注册到CMDB中，然后监控服务会读取该模块需要监控的进程与端口信息，并把监控配置发送每台机器的监控Agent上，本地的监控Agent通过定时Ps检测进程和端口的运行情况，如果发生异常，则自动通过标准化的管理找到命令进行启动，如果启动成功便实现了进程自愈。

$ y& s9 e. B- X) t

  U) B% d; q$ H

如果启动不了发给统一告警平台，统一告警平台来决策是否需要告警。当该告警原因是因为基础设施正在做变更影响时，也不会发出告警。一系列的监控自愈方案都是构建在织云的自动化运维体系中。

      常见的收敛算法   

SNG织云监控系统

, J5 j3 d& g& Z: i! P3 B

) s. K; f: u# N8 [+ ]; o2 @

◇ 毛刺收敛

2 R; O+ d0 m  N' ?6 L7 E

在织云监控中，告警策略为了防止毛刺的影响，会将告警策略定义为10分钟发生3次类似的模式。

◇ 同类收敛

( [: T7 |! f- r7 D  n3 v

7 t( G# |9 u1 w# b* @. c) A

一个模块有300个监控实例，产生了300条告警，只要有一条告诉给运维，对于运维同类收敛掉了。

/ ~2 c; \) b' W8 [* D4 s

◇ 时间收敛

* ~$ I- _: _6 a5 w

% J3 j6 l8 S' ^

生产环境中有很多定时的任务，如定时跑量会引起I/O的陡增等异常，这种可以针对性的收敛掉。

1 ^0 ~  x8 P9 a6 P( d9 h

. V& t/ P5 |, Q$ e

◇ 昼夜收敛

有一些告警，在分布式服务的高可用架构下，晚上不需要告警出来，可以等白天才告警，更人性化的管理。

◇ 变更收敛

5 Z1 s2 E+ D: F6 {

如果告警时间点有运维的活动，就要收敛掉它。怎么做到的？取决于要把运维的活动都收口在标准化运维的平台，运维平台对生产环节都要将变更日志写入在变更记录中心，然后统一告警系统能够关联变更记录来决策是收敛还是发出告警。

, x; X& L, ?8 O8 _  ?

织云监控构建的质量体系

SNG织云监控系统

织云监控构建的质量体系，分成用户端、客户端、服务端、基础端，定义核心指标DLP，并且善用分级告警、分渠道告警，结合短信、QQ、微信和电话等渠道实现告警通知，整个质量监控体系都是围绕预警、自愈、分析、排障碍的能力构建。

' j% Q+ v. n( Y9 u

. |  i$ _& y' ~: d' i$ Z

织云监控：质量体系  

SNG织云监控系统

" q1 [' T5 k, n. o

织云监控的质量体系，希望打造一个闭环，能够实现持续反馈、度量、优化，让团队间能够有效地协同工作，更高效更有效。

( `( ]0 x6 B) u/ f) v- b

• 监控能力

  
  ; X. E- n/ b- G& `* ^; J$ x1 X- c

全局地看、需要什么样的监控能力和监控点，同时要理清指标是怎么分层的，哪些指标是重要的？最终把它转成业务看得懂的高层次指标。

4 y$ P: P% d$ O7 w6 j" b

• 业务可用性

  
  
  / W2 f9 R- Q- ^0 }/ I

4 f6 J3 n3 p- \' ]

运维要看什么，要看可靠性还是可用性，如果规模不大看可靠性可以，但是在海量的场景下可靠性太细，要抽象核心指标来度量，用于衡量可用性。可靠性则可以通过考核体系去度量与管理，结合QA和老板的力量来推动开发团队的投入与优化。

+ ?1 E; U+ K. R/ w4 x1 n

• 用户体验

  
  4 e+ B0 D/ V- F* k6 r
  

% n# Y" Y  q/ T' M/ y1 ~

做技术运营会有视角的盲点，会经常迷恋可用性的数据是4个9、5个9，但这并不完全代表服务质量好，当用户连接不上我们的服务端时，几个9的意义都不大。这是一个很现实的问题，因此用户体验监控一定要做，因为内部的可用性再高都不代表用户用得好。

• 技术解决
  ' w0 l! a4 s3 K; G

+ ~& Y% y3 G3 s; R7 ~! c% k
要有技术解决方案和自动化工具，还要有协助用户排障的工具，以及根因分析的算法平台等等。
5 w% U1 i8 n4 I4 j' M9 r

• 统计分析

  
  

4 _5 j1 J# u" |, i/ @# f; s. j

最终形成可度量的指标、可考核的、可展示的，最好是DIY展示的，监控数据的统计/报表能力服务化，应发挥更多的角色来使用监控数据，而非仅限于运维角色。

持续改进

7 ^9 j* t3 S& e& _

最终持续的改进无论是架构的问题、代码的问题，还是因为标准化的问题或非功能落地推进不了的问题，都是需要数字来度量和推动。最好，这个数字要能间接的反馈商业的价值，也就是DevOps提倡的思路。

$ N% t8 Q+ v  O! E6 ~

最后，质量体系肯定是反作用于监控能力再去形成这样的闭环，跟开发怎么沟通？跟产品怎么沟通？跟QA、跟客服怎么沟通？要把他们用起来，要把他们关注的点牵引住，最终落到运维想实现的目标上是最好的，这很DevOps，也撬动了老板的思维，争取从上而下的支持做好质量体系的建设。

　　　　结语　　　　

DevOps最后一棒

& b( X* g+ R1 L1 P# P6 r

我们经常说DevOps很难落地，为什么难？因为我们总是想要去影响老板，先改变文化再改变工作方法，但这谈何容易。如果是运维和开发能联合起来，先从小的重点的业务抓起，用数据说话体现DevOps能给业务带来的最终的商业价值，说不定会起到事半功倍的效果。

9 ~2 S9 i4 w& U# _- x3 v1 x0 q' i, R
原创：梁定安
* \3 x7 ]0 x% Z  S4 A" ?
- r+ y$ }  r9 M) h9 {# M