本帖最后由 adminlily 于 2018-11-14 10:54 编辑 ' @# g; P: w& P# L, V! ~/ _
: Z9 y: y5 m. ]3 Z
U. g% u2 V! m
7 g. B3 U3 B. l: Y; l
+ C9 n& ?; j6 `! f! ]3 E9 a
6 a; s. x, v+ {% I, R3 W0 _
( 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。 5 G! p. {. L- |
+ 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
: e1 |* c* h( ]
% _5 i2 A' V* C4 w0 }: t) U9 ^
) ?' B2 K/ H* h& k \ j
# h% V v2 j# Q) f3 z* X
4 V5 q1 ?, j5 B7 ]
! d# f: B) k0 U5 H$ _! v; I& @( |
◆ 监控——覆盖率、状态反馈、指标度量 1 m- L; A6 ^# D7 [& ?
: X! n; Q# N4 t/ T$ u( N2 s e, o: ~
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。 ; K' F8 Q; ?. f" ?: a1 {# V
( T9 Z+ s9 A( E! }
◆ 告警——时效性、准确性、触及率
7 ]0 a% M1 ~! r M1 h
^6 x# H9 ]5 x
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。 ' Y6 O7 _! @' _/ c
( f% B, W& @, ~ Q( Z# F
◆ 运营——RCA、事件管理、报表/考核 $ S2 }) @4 L) d9 L3 } w
* s6 Z; _9 t8 M$ @; t
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。 $ f( L0 N* F8 `' T
# H3 S6 z+ g" L' C( j, j8 e
全面的监控点 : _4 g% b7 U, t' N
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。 8 P# f: m) z D j
. 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。 ' g0 D+ R: b7 `! ^
" m: K5 ^: g' `7 ^
运营阶段要解决的问题
/ n/ ?/ h$ |1 S& r z2 i
7 e1 ]7 U# W* D% I- s2 X
3 {1 f$ K2 R1 `. G
6 o) t! b( r' d/ X$ Z$ @$ Z- V5 J
〓 繁——简 0 g. o5 B7 P3 ]7 i, M, E8 l
+ 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 , q* n8 j# Q3 e& I: l5 \* R v- H
$ 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: @
- D' v1 G N' m: H0 ^
〓 乱——序
! ]2 i% F0 D* I; G# G- l
, l0 U B: K/ F3 H
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? $ s' u: A4 g# N5 W. o# J' s3 g; g9 S3 J
2 b1 E1 T v: N4 t' L( y
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。 , S; M6 c; |' @, g- M3 ^# j
- [5 \! M) j7 \$ @! C
监控对象与度量指标 % X9 K0 ?1 d. _' f7 W
{9 l* _" O0 D. ]
9 i% S0 s$ X A S4 E. _9 |( R' o
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
- _' R3 T( x" E. c, U8 r
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
2 _) \/ E$ D" s' W0 M9 x
在做监控时,把指标划分成两大类: 4 Q% g Y' X" T7 ]
k( T: M4 ^1 k# D
☆ 低层次指标
- s# k7 g+ E8 g8 A4 K9 c
/ }! a9 M# @' K% x. \8 m) ~: r! J
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。" J/ p( N( l! h
6 u* `- l' a W& l% B( V
$ u' p4 Q8 ~) l; z+ I
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
; h/ V$ G3 W3 S* M
☆ 高层次指标 ; ^! E5 v+ B1 a3 P$ x+ ^- ^
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。 # h c8 x) F5 D1 W+ d0 _ o6 Y
& _6 w0 }: u) Q2 v8 z4 K1 Y1 ?1 p
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。 1 k3 \& D. z* y) g$ M
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。 - ]4 H1 B- j/ J h" [5 x) ]
6 D) O0 s+ g" ]- m1 Q
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。 : r9 {1 y4 y/ B K" e& n7 u
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。 ! g; o! r7 T/ F& n R
) ~, H! @2 {) e! ~) H" e
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
+ t' r$ @ e! V6 p& \5 A3 V
) p9 @ [, M; [1 ~, F
, V. H* x0 V' Z
8 I; ~- e- E8 I% j! G1 ?
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。 # Z1 `& J8 u! {- B6 X3 q' ?
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。 & a) S: f" w4 {
" }! B( _! }- g. ] g6 U0 ~
误告警解决办法 - Z5 X) E, M$ N, s/ U4 K9 ~& s5 h l
$ ?3 X+ Y! |# B' I+ u
* n1 f X8 M7 S5 S7 R8 m
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: , ~# V6 [1 B8 s, U: r! \" Z
. ~$ Y. I) d' Y( g8 n
◇ 关联分析 5 F# O- h2 P# q; a. }( k& u( X3 E
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
, [: }1 U' `/ y1 \
◇ 无误告警
' }" z8 J4 m/ C/ ?3 M
/ P8 d' r0 X* L0 u* C" T! j
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
. n8 z' C5 ` Q" k* U9 C
◇ 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: ]
. a. Y0 j- z3 E; g7 q f$ _! @, h
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。 " f4 l# x. c& J/ i
/ O7 u8 K) a* o1 b" ]/ X
案例:海量数据分析思路
0 r; d/ B% t; I: q2 h" u
# |; I. ]8 r/ D) e
& D6 u. {* G5 U7 i; h
# V! P0 v3 [9 d( H5 t/ O$ F
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
1 x" p& q; B4 e) x3 K( j
, ?+ Q0 v& D7 k0 R
3 `& F a& X2 T! \: o4 }. u+ F
1 J5 T' T3 x( h2 p
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
4 w2 f; c) T& G+ c3 p2 b
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? . d. S: o5 z! [( g
% Z8 F1 I' z; n. I% n
' z6 w/ R6 x- E+ f2 o
; C) f3 G' s6 y9 ]; \- a: ^$ k, k
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
y! K4 i; X9 t! Y( o* u
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。 ! v" Y+ A3 ^( p x, l% h9 {
; ]6 J$ n9 N$ g3 i2 R/ w
/ V; U: J6 x" q1 Z- K
- o% f3 x6 Z6 j4 O; 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。 , g5 N: G' G6 ~ Q, N) r, c
9 n/ C, R- K# @2 l
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。 $ q0 j' B2 H! ?6 J8 p7 Z
4 z9 U: v4 i0 K0 \2 X( }
' p- M) r: K; M q7 L0 A% @( f- `4 Q1 s) O0 n8 c
: D! [* l ]5 n" B0 K
) O5 L8 T3 v9 c. V9 B
- W: h: ?/ Z( Z7 l5 D: l- w
海量监控数据分析的技巧:溯源、根因和优选。 " [- e* j' u) |, u6 }* n. B
" 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。 7 P6 I2 t8 v5 a) b- D8 J, a
+ m% M: |. @/ e8 h( ~5 Y0 s
溯源分析
& M" D3 M/ N/ v8 a
; V& l" ]8 O1 M% ?- G5 R! ~
+ C7 H, u5 ]7 U- S; u% \ P
〓 高维与降维打击 9 L# j( F+ T/ A! F; U6 k9 z* o
- 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。 - q# I s- f# v1 c4 d$ p0 E
# M8 k3 L- h" s" I
〓 级联分析 / s5 t0 c" S, K5 z: X8 G n7 U) f
& w& K' F. h8 z- V
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
8 N4 s9 J5 q; U( b! r8 |
〓 逆向思维
- H4 j7 M' B1 o+ h4 ]/ D) Q
; ~4 k* a% _/ o8 K: ^/ W5 @
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。 2 L9 w- ^* T3 D' V/ H
1 e9 J- @+ ~) [5 x, M
根因分析
# F! `7 i: Y) Q K0 l& c( Q
Q/ t4 e5 p# ? a! a: T0 w
. [$ |' 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# I1 h$ |0 j. l1 p8 }6 u4 |
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。 4 \+ e( V# i, T9 R0 |$ R) O
; 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 ) u- m4 u4 f3 I( T( k1 A
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。 % K* m. y! s8 _- m
8 X0 _# ?8 b' H, @3 |! V1 W' Z
用原因告警 收敛 现象告警:
5 _% r* a$ T6 h; b7 G6 }; X% W; T6 T* k% a' z
: N- b: G8 a5 F) m; O! B. z
在业务逻辑的调用联调中,用原因告警收敛掉现象告警。 2 t1 r @" e% r7 J3 @
! w, W; W7 F& X8 i0 N: w3 ^
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。 5 C. Z1 N& l; g$ H2 Q( \+ b4 w
' d }: e$ Z$ p/ J8 D
优选指标
& o: ^+ H' g+ X) B5 M; m: s) k7 P5 k- ^ p) H) d
. ]& i& i, k# m" l) X; i: @
5 n0 } o' d9 a- V
核心指标论 # F1 E, z3 ]; K9 h M
* h6 w: g) X; o( x
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 ~
9 Q- Z% w8 }; S# K
监控的相关性 * y. v, N, k0 t: B5 S: h# J, y
+ U/ h. n' i1 A, W8 C
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。 / n) Y) w4 N h; V* G8 n6 D
9 l& ?2 x! s ]1 ~; o: ^
告警分级管理 6 \+ D/ I' V; F; \5 ^0 m. ~4 o
; r- Q6 j/ N" y, ^3 Q
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。 X& `/ E& n8 `- F
/ s# D' J8 K0 h6 D8 J- G9 v$ e* d
降低流式监控的计算量
1 N6 ]. ^5 @* w6 v! T9 S
4 T; e* ?: _; z& G& ?
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 9 u1 ~0 y: \4 v! p! a; W
* @! W- o8 D9 Y4 f0 Y: v
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。 4 G, m1 p3 Z5 e; w" T( Z2 F
; 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。 M/ H: _( r9 \* B, O
7 S3 l4 U$ |) J# c2 |9 A
有策略更要有自动化
# @ L* k. d% C' \' J$ }2 c4 c
+ b; H3 b* T0 m9 K
, w1 H. ^: \6 k! R! O- A
( 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。 ! K: T: V0 |3 n; e4 m
; m t# I; e! c% l& F
精准试用的算法与策略 4 T7 Q2 C6 C( ]/ [) }( Z l/ Q
1 |; H7 }& ]$ v5 P" v
# y B/ A- @0 c8 n- B# z8 C- H
C' O& ~; E& l% k7 k" G" f
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。 % J# {, c% \1 n* z2 i+ ]2 y
6 H. r# l- O4 ]; x$ S
常见业务监控图形与策略
7 N0 \) s' M( y% a! B r. |0 M" [
7 d# U0 }9 L* O6 |. E
8 D3 k: G0 t& v6 ^- V
6 [! j- y9 I& d- c' r1 c1 E
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
0 N5 w+ g2 U0 j/ Q
案例:监控自愈 6 K4 y4 k8 o7 L) u8 [ j& z# }
( 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。 3 p1 u( W9 B5 V" W! C9 u
( h$ A: v, R) j1 K
常见的收敛算法 9 \8 D) g4 V& }
0 O( V; w5 V) |1 H4 m1 I
, J5 j3 d& g& Z: i! P3 B
) s. K; f: u# N8 [+ ]; o2 @
◇ 毛刺收敛 ! e/ t0 L: w- [6 H" ~- }( ~
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。 3 j1 i1 D8 N. S
8 ~' A8 ^2 u/ [5 o7 x
◇ 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。 X5 X, P4 J$ g; F
/ ~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 , s+ |2 y- L5 s; p* S# @
. x( `; I8 E1 j
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。 2 n* U$ _( s+ m
* e2 q" D/ {6 a9 ?9 {/ t
◇ 变更收敛
5 Z1 s2 E+ D: F6 {
; v0 F" y- f3 _3 F0 ~
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 _ ?3 S4 I/ j9 O1 Q7 g0 j" ^& d
织云监控构建的质量体系 8 X) f& f1 |& W/ F6 ]1 L
/ Q, o/ o9 r0 q# n5 l
7 {' J+ _' q. p# l( m, s$ o
8 o/ O1 H, {; H, t* e0 D
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
" q1 [' T5 k, n. o
- O) M# H& q4 s) A" a4 c' f
) H) _" p6 a2 J4 X) I* o- x/ [
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
3 h1 F- ^- d" a _/ ~3 T% H
监控能力
; X. E- n/ b- G& `* ^; J$ x1 X- c & W6 n5 n- b/ z5 D
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
! s, @4 J( R4 N
业务可用性 6 i7 v2 B* D* s
/ 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
7 ?. n5 o t8 Y' s; ]4 c, o
用户体验
4 e+ B0 D/ V- F* k6 r5 R U. M) C5 P1 `5 B/ X3 \
% 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。 1 R+ l6 J: L. }* ]2 W
& I7 Q. p8 R G- v9 T$ p0 E
+ ~& Y% y3 G3 s; R7 ~! c% k8 \0 f1 j3 t" F( b y; o1 u2 l
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( T7 _+ a' O9 [" }4 k
/ b8 q! M" L& S0 m& p- t
统计分析 7 \( @* G6 P1 `! @3 [
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。 ( H; ^3 l" z" E7 G @
* G; e$ A7 F8 H& x. k2 ]
持续改进
7 ^9 j* t3 S& e& _
- v: [8 h; |" |+ D
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 ~
. X: H3 X) c! G4 Z3 z& B8 q2 p
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。 * ^% X v4 ]5 N
% e0 z8 g0 d0 e( y( F
& 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: N' a- K3 j$ X& I% X
原创:梁定安
* \3 x7 ]0 x% Z S4 A" ?
- r+ y$ } r9 M) h9 {# M1 ~+ g7 a; a' A! m3 p
|