本文根據孫燕老師在《2019DAMS中國數據智能管理峰會》現場演講內容整理而成。
講師介紹
孫燕，微博廣告基礎運維負責人，2009年入職新浪，任職10年間參與博客、圖片、視頻、微博平臺監控、微博廣告多個產品運維，致力于運維自動化、產品架構優化、服務治理、智能監控及以監控為依托的服務容災建設。
在上文提到的自動擴縮容體系當中，提到一個叫Oops的系統，這是微博廣告運維人員建立的智能監控系統。接下來給大家簡單介紹一下。
1、監控面臨的挑戰
說到監控，不得不說監控遇到的很多問題。
市面上有很多開源的監控軟件，比如說常見的Zabbix，在監控數據量少的情況下，不管是基礎監控還是業務監控，這些開源軟件都是可以直接滿足需求的。
但是隨著監控指標的增多，加上我們的指標是實時性變化的，數據要求又比較高，這些原生軟件不再滿足我們需求了。另外，微博廣告的業務數據有特殊性，一般運維關注的數據是系統的性能，系統的性能數據有時候來源于業務日志。
但是微博廣告的業務日志是收入，很多業務日志是一條都不能丟的，比如說結算的曝光每一條曝光對于廣告來說，都是真金白銀，對精準性要求比較高，單獨通過性能監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。
另外，監控系統一般都會具備告警功能，有告警就會有告警問題，接下來會詳細地介紹告警問題。還面臨問題定位方面的挑戰，在監控越來越完善的基礎上，很多開發的操作情況發生了變化，一旦發生問題，第一個反應并不是上服務器看一下系統怎么了，而是翻監控，看看哪些監控指標發生了問題，所以監控系統會越來越多地面向于問題定位這個方向。
2、Oops整體架構面臨的挑戰
作為監控系統，Oops在架構上并沒有什么出奇的地方，所有的監控無非就是四個階段：從客戶端進行數據采集、數據的清洗和計算、數據存儲、數據展示。
圖片來源于：《2019DAMS中國數據智能管理峰會》PPT
3、監控數據流向特點
所有的監控系統都逃不開這四個階段，只是根據業務的不同進行了定制化的工作。針對廣告業務的監控流向，我們把數據分成兩類，有一部分精密數據的計算，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，通過計算的工具進行拆洗、計算，計算之后落存儲，還有另外一個團隊開發的針對于這一部分數據的頁面展示化，還有一個系統叫hubble，針對精細數據的展現，實現個性化定制的展現。
另外一部分是運維比較關心的數據，今天來了多少流量？流量有多少是正常的？有多少是異常的？平均耗時是多少？針對這一部分，我們采取了實時數據計算的方法。
在數據采集階段發生了變化，我們并不采集全量日志，而是在客戶端做了預處理，進行分類計算。比如說監控數據，就按監控數據的方法計算；告警數據，就按告警數據的計算。而且按照用戶讀取的需求進行分類存儲，保證了高并發數據的實時性。
圖片來源于：《2019DAMS中國數據智能管理峰會》PPT
4、海量指標監控系統流程
接下來詳細介紹實時數據計算。首先從數據采集上講，上文提到我們不采取全量的采集方式，而是通過Agent對數據進行處理，在數據采集階段，在數據產生的服務器上，針對不同的需求按不同的時間進行分類聚合，最終向后推送的數據是key-value、計算方法這種模式，推送給proxy。proxy拿到已經被打包的數據進行拆包，然后送給不同的計算結點，再按照key進行計算，打時間戳。
這個數據并不精準，但我們可以接受部分損失，只需要保證數據的趨勢是正確的。另外，關于分類計算，不同的需求推送給不同的計算節點。存儲也進行了分類，實時性要求比較強的話會直接放到內存，以最精細粒度進行存儲。前三個小時的數據是按秒存的，按天計算的數據是按10秒、30秒存的，一些單機數據是按分鐘存的。
另外一些歷史性的數據需要出報表的，比如說要看前一周的數據，前一個月的數據，按照大數據的方式存到OpenTSDB當中。存儲的數據提供一個API，通過API我們進行了分類計算、分類存儲，這種分類的需求來源于用戶，需要看用戶有什么要求，要什么樣的數據。
比如，Dashboard的展示數據會直接被放到內存里。另外，上文提到的在線擴縮容數據，會相應獲取數據給用戶，其他相關的獲取需求API也會進行分類獲取。
接下來我們計算過的數據還有一部分會存儲到Redis通過WatchD作為告警中心的數據，因為告警數據一般都只要求當前數據，不會有人需要查看上個月這臺機器的負載有沒有告警。
所以Alert節點計算之后的數據直接存在Redis，Redis把這個數據拿出來之后經過告警中心根據告警規則進行清洗，通過各種方式推送到需求方。同時有一個相對個性化的展示叫九宮格。我們的九宮格實際上是一個結合報警功能的監控，它是一個頁面，但具備了告警功能。
圖片來源于：《2019DAMS中國數據智能管理峰會》PPT
接下來看一下監控圖，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，平均耗時也漲上來了。
第三張圖是拿到這些數據之后，自動平臺顯示應該擴容了。藍色跟綠色的流量線已經降下來了，大部分量調到云服務器上。
圖片來源于：《2019DAMS中國數據智能管理峰會》PPT
下圖是我們的九宮格，因為時效性比較強，正常來說是以產品為頁面，以業務線為格子，每個格子記錄的是單機的詳細信息。如果在這一組服務器當中單機故障數超過一定的比例，這個格子會變顏色。
圖片來源于：《2019DAMS中國數據智能管理峰會》PPT
所以在正常的運維工位上都會有這樣的大屏幕，運維可以一目了然發現自己所有負責的業務線情況，而不是讓一臺臺機器在這里展現，這樣就沒有辦法看到業務線情況了。九宮格可以讓運維更加直觀地看到當前的告警情況。
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方面：
1）告警數量巨大
運維人員需要關注所有部分，從系統到服務、接口等等，維度很多，一旦有問題，各種策略都會觸發報警，報警數量多到一定程度，基本上等于沒有報警。
2）重復告警率高
告警策略一般會周期性執行，一直到告警條件不被滿足，如果服務一直不恢復，就會重復報下去，另外，同一個故障也可能引發不同層次的告警。
比如，我們有一個業務線叫超粉，會有360臺服務器，流量高峰時360臺服務器會同時發送告警，這種告警的重復率很高。
3）告警有效性不足
很多時候，網絡抖動、擁堵、負載暫時過高或者變更等原因，會觸發報警，但這類報警要么不再重現，要么可以自愈。
比如一個硬盤在接近80%的時候開始告警了，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、優先級如何，告警都通過郵件、短信、AppPUSH發送到接收人，就像暴風一樣襲擊著接收人，接收人沒有辦法從中獲取到有效的信息，經常會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中國數據智能管理峰會》PPT
針對這些問題，我們采取了以下措施：
1）抖動收斂
對于這種大規模服務器的維護，抖動是非常常見的現象。網絡抖一抖，整個服務單元就會向你告警。
針對這種抖動，我們增加了一些策略，抖動的時候會前后比較，監測重復性，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行收斂。比如說流量突增的時候，需要查看是不是同單元都出現了這個情況。
2）告警的分類和分級
詳細定義告警級別，發送優先級、升級策略等，可有效減少粗放模式下告警接收量。比如，一些低優先等級的告警會讓它告，處理的級別會低一點。
3）同類合并
同一個原因可能會觸發一個服務池里面的所有實例都報警，比如同時無法連接數據庫，其實只需要報一次即可。
4）變更忽略
我們的好多變更都是在Kunkka平臺上操作的，開發有時候會選中一個通知，現在是變更，告警請忽略。
圖片來源于：《2019DAMS中國數據智能管理峰會》PPT
以上措施能解決告警問題中80%的問題，現在大家都在朝著更高級的方向發展，我們也簡單做了一些探索。在原有告警數據流情況下引入了工具SkyLine，這個工具包含了多種算法，在異常檢測環節中，能夠通過它內置的算法將我們傳入的數據自動去抖動，提供平滑的數據，等你再拿到這個數據時就不需要再檢測是不是告警。
這個工具避免了人工操作，通過Skyline將數據進行平滑，提供一份準確的數據，我們只需要通過這份數據，進行規則判斷，決定是否需要告警就好了，減少了對數據準確性判斷的復雜過程。接著是根因分析部分，隨著監控的覆蓋面越來越廣，監控精確性越來越高。
等故障出現的時候，開發人員就會去翻監控圖，去查看大概是哪些原因導致了故障。隨著Dashboard越來越多，即便是經驗非常豐富的工作人員也很難快速地定位到原因會出現哪個方面、該去去看哪張個監控圖。
出現流量突增的情況時，Skyline會通過內部的算法Luminosity尋找相似的情況，查看相同的時間內是否有其他地方出現流量異常，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的前后哪些業務也出現了流量變化，方便對故障原因進行分析和定位。
圖片來源于：《2019DAMS中國數據智能管理峰會》PPT
還有一項非常重要的工作——服務治理，這里只進行簡單的介紹。
1、為什么需要服務治理
微博廣告現階段所出現的問題主要有：架構越來越復雜，上文提到微博廣告的服務器已經達到3000臺，所以在這種服務器數量情況下，架構會越來越復雜，穩定性要求也變得非常高；開發的多語言環境對上線發布也造成了挑戰；資源使用是否合理性，對運維來說也是一個挑戰。
圖片來源于：《2019DAMS中國數據智能管理峰會》PPT
2、低成本和高可用的平衡
針對這些問題，我們進行了低成本和高可用的平衡，爭取用最小的服務器達到最穩定的架構。在保證服務穩定的情況下，將流量進行均分，分到最小服務單元三機房部署為基本規則，保障在一個機房掛掉的情況下，另外2/3的服務器能承載全部的流量。
關于上下游之間調用的平衡，盡量減少跨運營商的調用，微博廣告每一毫秒的消耗都會影響到收入。我們的請求時間是1毫秒、1毫秒地優化下來的，這些損耗產生在網絡和服務器上，很難通過人力彌補，因此在這方面我們也非常謹慎。
另外，小功能會抽象出功能的共同點，將這些功能服務化，服務則按單元化部署。
圖片來源于：《2019DAMS中國數據智能管理峰會》PPT
3、服務發現及負載均衡
在服務治理過程中，我們會根據服務的引入服務自動發現，盡量減少服務變更環節的人工干預，提高安全性和實時性，自建負載均衡會有標準的數據輸入和數據發布的過程，可以大大提升后期的可擴展性和可用性。
圖片來源于：《2019DAMS中國數據智能管理峰會》PPT
4、服務治理成績
經過近半年的服務治理，我們達到了這樣的成績：
架構更加強健，容災能力提高；
系統、數據、配置標準化；
服務器的合理使用，成本控制。
圖片來源于：《2019DAMS中國數據智能管理峰會》PPT
其中，我覺得最重要的是系統、數據、配置標準化的過程。
今天好多分享的嘉賓也提到了AIops，這些上層的建設都是依賴于整個業務標準化的過程，中國有句古話，工欲善其事，必先利其器，我們所有的標準化過程就是為下一步人工智能打下堅實的基礎，希望我們的工作能夠以技術保證微博系統穩定，助力微博廣告的收入。
我們立即與您溝通
營銷產品
旗下平臺
聯系我們
關注天擎天拓
