降低 MTTR 有妙招！去哪儿网可观测性体系建设_AI阅读总结 — 包阅AI

分享概要

早期介绍内部监控系统时，我们会分享存储量、报警量等一些核心监控指标量。随着监控迭代，我们逐渐产生疑问：这些监控系统指标究竟对业务有多大帮助？

去年，我们对公司的故障数据进行分析，发现：

这些指标仍有很大提升空间，基于以上数据，我们参考MTTR对指标进行优化。

MTTR将故障划分为发现阶段、诊断阶段和修复阶段三个阶段，所以我们可以针对每个阶段制定对应工具，来缩短整体的MTTR。

我们在去年明确了目标——订单类故障一定要做到秒级发现。

实现秒级故障发现之前，根据现有监控系统，梳理了秒级监控系统的建设要点：

当时对比了两个TSDB，也就是M3DB和VM（VictoriaMetrics）。

1）M3DB

优点：

缺点：

2）VictoriaMetrics

优点：

缺点：

针对VM进行压测：

压测后发现，磁盘的使用量较低（40G），整体的性能消耗较低。但使用大量聚合指标或大量聚合函数查询时，性能下降非常严重，甚至超时。

基于以上特点，我们对VM做了存算分离。

因为VM的优势是单指标查询场景性能非常好，所以我们利用VM做单指标查询，使用上面的聚合层（CarbonAPI）计算所有的聚合函数。

聚合层（CarbonAPI）的优势在于，它是无状态的，可以任意扩展，在此基础上可添加任何策略、数据监测功能、聚合逻辑、限流和垄断等能力。

在这套架构下，需要多引入一个元数据DB，用以存储所有指标信息（哪些指标在VM集群中的位置）。

用户查询时，先查询CarbonAPI，CarbonAPI从元数据DB拿到指标存储的信息，再去VM里拿出对应的数据，在聚合层做聚合计算，最后将数据传回去。

在聚合层（CarbonAPI），我们还制作了一些定制化的功能。

存算分离解决了VM的短板问题，第二个任务是实现指标采集、报警的秒级处理。

1）Client端现状

原先使用的是自研客户端，下图右方是客户端架构。

在早期实现时，使用Counter.Incr()计算指标自增，它会将数据放到到本地的指标仓库里，这个指标仓库实际在应用程序的客户端也就是内存中。

同时，异步调度器每隔一段时间（可能是分钟级）生成数据快照，因而Server端拉取快照时，每分钟拉取的快照是固定的。如果一分钟内多次拉取，也是固定快照。

这样处理的好处是Server端异常时，补偿拉取的数据也不会变更，数据准确度较高。缺点是调度器固定地每分钟调度生成数据快照，指标仓库只支持分钟级数据的存储。

2）Client端改造

指标仓库方案1：参考Prometheus的模式Client不做快照只做数据累加或记录，由Server端在拉取时做默认的增量计算

指标仓库方案2：客户端多份数据计算和存储，生成多快照

3）Server端现状

早期Server端进行指标采集时，使用Python+多进程的模型开发，master节点每分钟发全量任务给work节点，这是典型的producer worker架构，其优点是worker节点可以随意扩展。

问题：

任务量大时通过MQ派发耗时长：比如每隔十秒派发十几万的采集任务，采集任务通过MQ派发到worker再进行消费时，过程时间可能已经超过十秒，这种场景下无法做到高频采集。。Python做大量聚合计算时，CPU消耗高

4）Server端改造

其实还是master和worker的架构，但拆去了MQ。现在worker变成有状态的节点，一旦worker启动，任务被master调度给worker，master通过ETCD检测到worker挂掉后，就会启用rebalance，节省了任务配发的过程。

秒级监控的最终架构核心分为三个部分：数据采集、数据查询以及报警。

实践效果层面，帮助业务线将订单故障发现实践由三分钟提升到一分钟。

微服务化后定位难的问题聚焦在：

链路部分在内部称为Qtracer，监控系统叫Qmonitor。

为什么要关联这两部分呢？

我们发现，报警（一般是指标报警）之后，如果应用的QPS很高，会查找到很多trace。由于不确定哪条链路与指标有关系，所以反而干扰快速定位。

比如有三个入口，进来的流量形成了三条trace，它们的代码路径可能都不经过这个指标，所以不会报警。或者是只有一条trace经过这一报警指标，用剩下两条trace做故障定位就没有意义。

所以我们将指标放到了Qtracer里，Qmointor在调用指标计数时，会检查当前是否有trace环境。如果有trace或者span，就将当前这个指标放进span。

如果指标发生告警，就能直接根据这个指标关联到真正经过这个指标的流量，再用这些trace定位，效率显著提高。

告警面板

右侧搜索出trace后，我们会初步对这个trace上的应用进行异常检测，比如哪些应用有异常日志、异常告警，应用依赖的资源是否都正常，容器运行环境是否正常等状况，并将这些 异常展示在面板，辅助开发定位问题。

将每个应用最核心的指标、状态以及关注的内容聚合，形成应用概览。如果应用出现问题，可以在应用概览中快速浏览，快速感知应用是否健康。

应用概览提供两点信息：入口的请求列表和出口的请求列表。

入口请求列表指提供了哪些服务，即别人请求的服务。请求哪些接口、接口平均QPS、异常率、平均响应时长等相关信息，以及趋势图都可以在面板中查看。

出口请求列表指你的请用请求了别人接口或下游服务，你可以在应用概览中了解目标应用、其平均QPS、请求外部的异常率、响应时长等信息。

实际应用中，开发看到以上信息就能够判断应用状态是否正常。

自动分析平台的运行逻辑是先采集Qtrace，根据trace查看链路异常，然后自动分析平台推荐权重比较高的异常。

以上是自动分析平台简单的模型图。

最底层是知识图谱的挖掘，知识图谱对自动分析非常重要，应用依赖、运行容器、机房信息等内容都需要知识图谱记录，形成行为的分析基础。

行为分析出异常信息，再经过权重体系的评估打分与排序，最终将可能的异常推荐出去。

1）知识图谱

2）应用分析

3）链路分析

QPS高时，即使已经精确关联，但一分钟内找到的trace依然很多，所以需要筛选或收敛至

较小范围。

筛选分类：

如何定位可能是根因的APPCode？

以报警APPCode为顶点找到联通子图。

遍历子图：

针对AppCode，进行更细维度的异常探测。

4）剪枝排序-权重体系

权重分为四种：

应用权重计算方式：

收敛Trace，在Trace收敛过程中，计算异常AppCode，对异常AppCode的权重进行累加应用距离，距离告警AppCode越近的App权重越高

如上图所示，三个trace都是A入口，第一次发现C异常，C的权重会加一；第二次发现C异常，权重继续累加，由此计算出应用权重。

除此之外，应用权重还受到应用距离的影响。在酒店的业务场景下，我们认为A和B的距离越近，A导致B异常的可能性就越高，A的权重位越高。

强弱依赖剪枝：

当A 出现告警，B 和C都有 root case异常且B是弱依赖C是强依赖，则倾向认为A的告警由C的异常造成。

结果会提示有什么发布，root case占比，哪些异常需要重点关注。

上图是我们实际的线上故障场景，比如出现MYSQL线程异常、负载特别高的情况，就会在结果输出的界面提示出来。

经过以上改动，现在定位慢的故障比例降低20%，根因定位的准确率在70%-80%。

Q1：放在span里的指标具体是指什么？数据模型是怎样的？

A：举个例子，比如有个接口叫false，需要做QPS的监控，指标就命名为false-QPS。一般请求进入的时候，该指标就会被计数。同时，我们会查看是否有trace、span，如果有，就将指标名放入span，进一步关联trace id。通过后期洗数，我们能在ES里做索引，就能够通过指标搜索到trace了。

这个数学模型比较简单，trace id里可能有很多span，span可以理解为一个大JSON，将metric放入span，就能实现关联。

Q2：智能分析使用了哪些技术栈或工具栈？

A：语言层用的是Go，算法包括调度算法、离群检测、权重等方面。

Q3：怎么把控指标仓库中的数据精度？有什么样的评判标准？

A：数据精度由客户端或者SDK控制。比如0秒开始生成快照，生成了0-59秒的快照数据。无论Server端怎么拉取，新的数据存放在新的仓库里，所以数据互不干扰。

数据精度在不同的业务场景下有不同要求。大部分业务场景下，监控数据丢一两个，问题不会太大。如果是订单类场景，丢数据的问题就比较大。

Q4：权重体系中不同权重占比大概是多少？

A：目前没有使用权重占比，整体类似于评分系统，不同的权重累加评分，最终筛选出评分高的指标。我们可以把权重的区间设置好，它基于自身区间或情况可以自行升级。

Q5：服务的强弱依赖怎么确定，是事前通过静态配置吗？还是在动态运行时根据某个规则判断？

A：强弱依赖由另外系统提供数据。去哪儿网实行混沌工程，其中一项内容就是强弱依赖治理。我们在业务线进行常态化的强弱依赖治理，并留存这些数据。

Q6：目前告警治理和运维团队使用哪些线上化工具系统？如何考核应用业务团队，量化SLA指标绩效考核，还是事故统计？

A：量化SLA指标，业界有个最常用的办法就是使用燃尽图统计故障。比如团队定的SRO是四个九，意味着一年只有50多分钟的故障时长。