DevOps最后一棒,有效构建海量运营的持续反馈能力

梁定安 dockone

DevOps最后一棒

前言

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。

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。

监控、告警与运维

持续反馈于运维的理解

◆ 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。

◆ 告警——时效性、准确性、触及率

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。

监控、告警与运维

全面的监控点

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。

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。

监控、告警与运维

运营阶段要解决的问题

〓繁——简

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？

〓泛——精

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？

〓乱——序

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、告警与运维

监控对象与度量指标

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。

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。

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。

在做监控时，把指标划分成两大类：

☆ 低层次指标

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。

☆ 高层次指标

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。

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。

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。

监控、告警与运维

监控的本质

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。

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。

监控、告警与运维

误告警解决办法

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：

◇ 关联分析

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。

◇ 无误告警

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。

◇ 持续运营

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。

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。

监控、告警与运维

案例：海量数据分析思路

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。

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。

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？

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。

继续按地区展开，发现全是红的，但还是没有头绪。

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。

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

海量监控数据分析的技巧：溯源、根因和优选。

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。

海量分析三技巧

溯源分析

〓高维与降维打击

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。

〓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。

〓逆向思维

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。

海量分析三技巧

根因分析

用高层次的告警收敛低层次的告警

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。

用主调的告警收敛被调的告警

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：

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：

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。

海量分析三技巧

优选指标

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。

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

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。