【51CTO專訪】在2012年12月4日召開的Velocity China大會上，大家翹首以盼的、有關(guān)淘寶雙十一的分享，終于正式跟大家見面啦！雖然這一場被安排在了下午5點以后，但現(xiàn)場的觀眾們?nèi)匀缓軣崆?，同時很多場外的觀眾們也大呼可惜，感嘆自己沒能請假來跟臺上的講師交流一番。

《購物狂歡節(jié)的運維故事》，站在臺上的講述者是劉勇，花名仲明，阿里資深技術(shù)專家，任職阿里集團(tuán)技術(shù)保障-應(yīng)用運維一部。仲明跟其他很多運維的不同之處在于，他在進(jìn)入阿里集團(tuán)搞運維之前，是一名做開發(fā)的。而很多搞開發(fā)的觀眾們在聽了他做的這場分享之后，紛紛表示恨不得立刻跑去搞運維了。

[[105493]]

仲明在會后已經(jīng)將他本次分享的PPT公布了出來，大家可以在微盤上下載，也可以到微博上跟他交流。而另一方面，51CTO編輯本次也有幸跟仲明進(jìn)行了一些其他方面的溝通，做了下面這個專訪。

本次專訪的主題是：阿里集團(tuán)運維部的發(fā)布、監(jiān)控與故障響應(yīng)。

希望對大家有所幫助！

---采訪實錄正文---

軟件發(fā)布

51CTO：先請您介紹一下淘寶運維部的代碼部署機(jī)制是怎么樣的吧。首先，你們用什么工具？

仲明：其實整個公司的現(xiàn)狀我們是用自己研發(fā)的東西，但是里面也集成了一些第三方的東西。比方說我們一些打包的機(jī)制，用的是rpm。

51CTO：打包用rpm？

仲明：對。我們部署里面用到了yum這個工具。其實yum是基于rpm之上來發(fā)展的，它解決了rpm之間的依賴關(guān)系的問題，這個我們是集成在里面的。所以基于這個之上，我們再有一個叫做pubfree的東西，專門做發(fā)布的，內(nèi)部運維使用的工具系統(tǒng)。

51CTO：專門做publish？

仲明：對。我們yum解決的問題是說包與包之間的依賴關(guān)系的問題，它解決的是這個，它的使用場景更多的是在單機(jī)上做軟件的升級和發(fā)布。那么對pubfree來說，我們要解決的是我們的批量。我們維護(hù)網(wǎng)站的話，有很多集群，每個集群有幾百臺機(jī)器，我們怎么批量部署，同時又解決風(fēng)險控制的問題，比如說我們的發(fā)布——在生產(chǎn)環(huán)境下——一般走預(yù)發(fā)，再走分批發(fā)，因為這樣是為了規(guī)避風(fēng)險，比如預(yù)發(fā)有問題的話，能夠及時的退回來，而不影響用戶。

51CTO：預(yù)發(fā)和分批發(fā)是什么意思？

仲明：預(yù)發(fā)是這樣的，比如說一個集群有200臺機(jī)器，先把一臺機(jī)器摘下來不提供服務(wù)，把程序推上去，再驗證這個程序在這個地方是不是跑的正常。如果跑的正常，那么預(yù)發(fā)就結(jié)束了。然后我們可以在200臺的機(jī)器里面先推50臺，掛上去提供服務(wù)，如果運行一切正常，我再會把其他的全部更新程序。這些是為了規(guī)避一些潛在的隱患，因為有一些問題，在測試環(huán)境下，不一定百分之百覆蓋到的。

51CTO：所以你們都是用yum直接做包的操作，而沒有用git或者puppet這樣的機(jī)制？

仲明：沒有。git更多的是一個源代碼的工具，包括svn也是，它們都是用來管理source code。我們從運維的角度，更多的管理是生產(chǎn)環(huán)境的軟件。我們的source code主要是生產(chǎn)環(huán)境之前的過程：不管是Java還是C，都要有一個build的過程，就是先把source code給check出來，然后build，build完了會生成一個要發(fā)布的軟件包，這個包我們有可能做成rpm的，我們自己做一個tgz也可以，這個沒什么差別的。只有這個做完之后，我們才會拿這個做完的包推到生產(chǎn)環(huán)境上去運行。

所以生產(chǎn)環(huán)境不會直接git或者svn。在生產(chǎn)環(huán)境下，我們不會直接去check出來源代碼在上面build。

51CTO：所以你們都是以軟件包的形式控制的。

仲明：是的?？梢园l(fā)布的東西才可以轉(zhuǎn)到生產(chǎn)。

51CTO：那你們這樣比較可控。那版本控制是什么呢，就是軟件包自身的版本機(jī)制？

仲明：對，其實我們打軟件包的話就會產(chǎn)生一個版本，每一次build一個包，都有一個新的版本出來。就是說，只要你一build，就會有一個新的版本出來，這樣的話你每一個版本都不一樣的，就可以區(qū)分。那我們每次發(fā)布就會標(biāo)識，我這一次發(fā)布要發(fā)什么樣的程序過去，我們是看build出來的package的版本，要發(fā)布的人就說，我要發(fā)這個版本的package。

51CTO：那像您提到的分批發(fā)布，比如說200臺的服務(wù)器的集群，我先走10臺再走一半，再全部走，這個是怎么實現(xiàn)的？

仲明：這個就是用剛才我說的pubfree的這個工具，這個工具就是解決這樣的問題，第一個是分批的問題。其實往一臺機(jī)器上推程序是很簡單的事情，我基于yum就可以更新這個程序。但是一個集群我要怎么管理，這就涉及到第一個是要分批的事情；第二個分批即使發(fā)了，你要校驗是不是正確，你還可以隨時停止；第三個就是你還可以隨時回滾，比如說第一批發(fā)上去，一check的時候，發(fā)現(xiàn)有問題，那我還可以退回來。

51CTO：比如說1.0.2發(fā)布了之后有問題，你們是再退回1.0.1？

仲明：差不多，比如說我現(xiàn)在的版本是1.0，我現(xiàn)在要發(fā)一個新的版本叫1.1，1.1推到一臺的時，預(yù)發(fā)的時候，大家沒有發(fā)現(xiàn)問題，我現(xiàn)在推10臺，結(jié)果到了10臺1.1后，發(fā)現(xiàn)出問題了，這種時候，我會把這10臺回到1.0的狀態(tài)。這就是pubfree這個工具能夠控制的事情。這個工具純粹是我們自己開發(fā)的。

51CTO：這么好的工具，以后會開源嗎？

仲明：這個，有可能會啊。

51CTO：機(jī)制我大概了解了。那么，整個發(fā)布的審查過程是怎么樣的？

仲明：審查過程是這樣的，兩種方式結(jié)合，第一是自動化的審查，我們每一個產(chǎn)品有一個preload的腳本，這個工具是可以調(diào)用這個腳本的，這個腳本運行的時候會做很多的探測，探測我的服務(wù)是不是正常的。說個最簡單的，比如web服務(wù)，有可能在web服務(wù)上加一個腳本或者是一個內(nèi)部頁面，這個頁面實際上是一段程序，程序員寫的，這個程序會check我們內(nèi)部的一些接口之類的。check接口會形成一個test的邏輯，返回一個結(jié)果告訴你是否正常，比如一個產(chǎn)品提供的接口有20個，每個都check是不是ok的。

51CTO：這部分就是機(jī)器自動在那里做么？

仲明：對，這就是一個程序，可以跑的，一個程序就可以調(diào)內(nèi)部的任何一個接口。那么跑完一看，這個程序就會反饋一個狀態(tài)（結(jié)果），我們這個平臺會去調(diào)這個程序，拿到結(jié)果，來做一個判斷，如果這20個接口你認(rèn)為都是ok的，那就ok。這是一個自動化的。

第二個就是我們的QA（測試人員）也會參與這個過程，他們?nèi)芤恍┖诵牡臏y試用例，一些關(guān)鍵的測試用例，來看這些用例是不是正常的。如果這些用例跑完都是ok的話，他就認(rèn)為這個服務(wù)是沒有問題的。

我們說的這個是預(yù)發(fā)階段，因為用戶沒有參與進(jìn)來。那么我們在預(yù)發(fā)階段的這些驗證的手段如果都過了，我們認(rèn)為預(yù)發(fā)就ok了。然后我們就推一批機(jī)器，比如說200臺，我先推20臺。那么推20臺的時候，這些機(jī)器就會對外提供服務(wù)，用戶可以訪問這20臺機(jī)器，用戶的流量就會進(jìn)來。流量進(jìn)來之后我們還會觀察，包括我們的監(jiān)控系統(tǒng)都會看，去分析這些日志，是不是有錯誤日志啊，會不會有不正常的日志打出來。即使我們的日志方面沒有任何告警出來，有時候也有用戶的反饋進(jìn)來。

51CTO：所以這個階段就是看log和用戶反饋了。

仲明：對。實際上這時候?qū)τ脩羰怯袚p傷的，但是沒辦法，因為我們之前做完了離線的測試，包括我們生產(chǎn)環(huán)境的預(yù)發(fā)，用了這么多的檢測手段，都沒有辦法出發(fā)現(xiàn)這個問題的話，那么我們唯一能夠規(guī)避的，就是縮小對用戶的影響，所以這是我們批量發(fā)布的原因。我200臺分幾次發(fā)，第一次發(fā)20臺，也就是十分之一的用戶受到影響，就縮小了影響的范圍。分批發(fā)布的目的是這個。

如果這一關(guān)還過了的話，那證明我們真的是正常的，這時候就200臺機(jī)器全部把新的程序推上去。

51CTO：這個有不同的級別嗎？

仲明：是有級別的。我剛才說的是一個全流程。其實分批有一個東西，我們有一個名詞叫灰度，我剛才說的分批有幾種情況，一種分批就是我們平時的操作過程可以做分批，這種分批的間隔是比較短的，有可能是一個小時；但是我們?nèi)绻f到灰度的話，這個間隔是很長的，我們一般的灰度至少要求24個小時的間隔，就是說，200臺，我發(fā)了20臺上去，我要觀察24個小時，然后才可以決定是不是要推新的上去。

灰度實際上專業(yè)名詞叫bucket test，就是桶檢測，抽一部分用戶去檢測。這個有幾種方式，一個是按流量比例來抽，按流量比例來抽就是隨機(jī)命中的，有可能百分之百的用戶有可能都會被命中。還有一種情況是根據(jù)用戶來抽，比如說根據(jù)用戶的cookie來判斷是不是該進(jìn)入到桶里面。這是另外一種方式。

我們現(xiàn)在對于灰度的應(yīng)用是可以選擇的，不是每一次發(fā)布我們都要做灰度，因為這個代價太高，會導(dǎo)致發(fā)布的效率很低，剛才說了一個灰度至少24小時，這種是對我們很核心的應(yīng)用。比如說淘寶，淘寶最核心的交易流程上的應(yīng)用我們是這樣控制的，讓你去走灰度。但是對于非核心應(yīng)用，我們一般不嚴(yán)格要求你去走灰度的。

51CTO：所以一般涉及到支付的更新肯定是要做灰度的。

仲明：對，涉及到交易付款，這些程序的變動我們是要求走灰度的。

51CTO：其他的像頁面展示之類的就不用了吧。

仲明：其他的我們就是普通的預(yù)發(fā)，分批發(fā)。

51CTO：這種觀察期都在1小時？

仲明：對，一般控制在一個小時之內(nèi)，所以這樣效率高很多。

51CTO：那你們的發(fā)布頻率很高啊。

仲明：對，發(fā)布頻率非常高。因為我們分很多應(yīng)用，應(yīng)用實際上說白了就是集群，node group，每個node group是可以單獨發(fā)的。像簡單的，比如淘寶網(wǎng)，淘寶網(wǎng)就有好幾百個node group。

51CTO：相當(dāng)于幾百個業(yè)務(wù)？

仲明：應(yīng)該算是幾百個service吧。這些服務(wù)當(dāng)然不能單獨對外提供一個業(yè)務(wù)流程，一個完整的業(yè)務(wù)流程會把很多服務(wù)串起來，這樣的話，我們是切分成很多這樣的服務(wù)的。一臺機(jī)器是一個node，一組機(jī)器做一個group，里面的每臺機(jī)器做同樣的事情，這樣的一組node group 提供相同的一個服務(wù)，我們多個這樣的集群才會完成一個完整的業(yè)務(wù)流。這樣一個完整業(yè)務(wù)流上的每一個node group都可以單獨升級的，所以你就發(fā)現(xiàn)發(fā)布量是很大的。

淘寶網(wǎng)大概有500個以上node group。每個node group一周只發(fā)一次的話，一周就要發(fā)幾百次。當(dāng)然，實際上沒有這么恐怖了，因為每一個node group更新的頻率是不一樣的，越往底層的node group更新的頻率就越低，越接近用戶展現(xiàn)層面的，這個node group更新頻率就越高。一周一百個左右是有的。

51CTO：那也很多了，一天是十幾二十個？其實挺緊張的吧。

仲明：當(dāng)然我們不是串行的，它有可能會是并行的，根據(jù)業(yè)務(wù)的相互的關(guān)系來判斷。比如說你兩個node group之間的變更如果沒有依賴關(guān)系，他們是可以并行去做的。

下一部分：監(jiān)控

#p#

51CTO：那部署這一塊的大概情況基本上您也介紹的差不多了。下一個問題是有關(guān)監(jiān)控方面，首先主要是想了解一下你們主要都做哪方面的監(jiān)控，可能尤其是網(wǎng)絡(luò)方面，我們會比較關(guān)注一些。

仲明：這樣來說吧，我們是分三層做監(jiān)控的。一層是基礎(chǔ)的，這種基礎(chǔ)的包括網(wǎng)絡(luò)，比如說我們的路由器是不是通的，我們的交換是不是有問題啊，DNS服務(wù)是不是有問題啊，等等，就是一些基礎(chǔ)服務(wù)，我們都放在基礎(chǔ)里面，包括我們OS層面的，比如磁盤是不是已經(jīng)快滿了，包括我們內(nèi)存的使用問題，這都屬于基礎(chǔ)層面的，我們叫基礎(chǔ)的監(jiān)控。

基礎(chǔ)層面之上我們叫應(yīng)用監(jiān)控，應(yīng)用監(jiān)控更多監(jiān)控的是這些容器，比如說我們的JVM，是不是跑的正常，是不是有頻繁的GC（垃圾回收），這些是應(yīng)用層面的，包括我們近來的流量是多少，每秒的請求量QPS是多少，是不是QPS有抖動。然后我們的RT（反饋時間），也要監(jiān)控，比如說平時的反饋時間都是100ms，是不是有突然的變化，比如超過了200ms我們就要報警，因為我們的服務(wù)質(zhì)量已經(jīng)下降了，這是應(yīng)用層面的監(jiān)控。

再往上是業(yè)務(wù)層面的，業(yè)務(wù)層面就很多了，比如說像淘寶的業(yè)務(wù)，有創(chuàng)建訂單，用戶下單買這個東西我們叫創(chuàng)建訂單，那么我會監(jiān)控這個創(chuàng)建訂單的數(shù)量。比如說每秒創(chuàng)建多少筆，這個曲線發(fā)現(xiàn)突然的一個波動，本來每秒創(chuàng)建是2000筆的，現(xiàn)在突然一下降成500筆了，這就有問題了，但是這個東西要通過業(yè)務(wù)層面的數(shù)據(jù)才可以發(fā)現(xiàn)的，不是說系統(tǒng)。系統(tǒng)還很正常，load很低，CPU也沒有什么消耗，但是它已經(jīng)出問題了。

所以說三個層面去做。

你說的這個網(wǎng)絡(luò)監(jiān)控，我這么認(rèn)為，一個是包括內(nèi)部的網(wǎng)絡(luò)狀況的監(jiān)控，第二個包括外部用戶的網(wǎng)絡(luò)狀態(tài)。從用戶端看我們的行為，用戶端是一個完整的訪問過程，從客戶端發(fā)起到服務(wù)端響應(yīng)，到用戶拿到結(jié)果，這么一個完整的過程來看，我們的應(yīng)用是不是正常的。

51CTO：對，因為有時候我們的監(jiān)控是正常的，用戶訪問起來就有問題。

仲明：在我們公司有兩套手段，一個就像基調(diào)這個，我們是用了他們的服務(wù)的。他會從全國各個點探測我們的服務(wù)是不是正常的，我們判斷是不是某些區(qū)域出了問題之類的。另外我們公司有一個工具叫Alibench，它在全國有很多client，在用戶這一端有很多的志愿者會去裝這個客戶端。這個client會去探測我們的服務(wù)，我們拿到探測的數(shù)據(jù)進(jìn)行分析，我們的服務(wù)是在DNS解析上有問題，還是在建立連接過程慢，還是什么其他原因。這些數(shù)據(jù)我們可以看到，我們怎么去優(yōu)化我們的網(wǎng)站，是不是有哪些用戶訪問的網(wǎng)站已經(jīng)出現(xiàn)了性能瓶頸。這是我們現(xiàn)在主要使用的兩套工具，來判斷用戶使用網(wǎng)站的體驗。

51CTO：剛才您說的應(yīng)用層面和業(yè)務(wù)層面的監(jiān)控，能不能多介紹一下？

仲明：應(yīng)用層面更多的還是從內(nèi)部在看。剛才我說的Alibench和基調(diào)，其實是從用戶的角度去看，完全從用戶端去看。

從服務(wù)提供端來看，我們說應(yīng)用監(jiān)控，大部分都是在這個地方做的。我們會在內(nèi)網(wǎng)，就是我們的機(jī)房，去發(fā)起這個探測。一種是我去探測我業(yè)務(wù)的接口是不是正常的，模擬用戶行為去看我這個服務(wù)反饋是不是正常的。

51CTO：這個也是自己編寫的功能？

仲明：對，這是一種。還有一種我會檢測各個業(yè)務(wù)流程的數(shù)據(jù)。比如說我會看，現(xiàn)在用戶過來請求任何一個服務(wù)，他的QPS是多少，他的RT怎么樣，反饋出來的響應(yīng)時間是不是正常的。我還會監(jiān)控我們的slow query（慢查詢），就是用戶訪問我們網(wǎng)站的時候，我會把slow query全部記錄下來。比如說一個網(wǎng)站，用戶會有很多的URL來訪問我們的網(wǎng)站，那么我就會把響應(yīng)時間超過一秒的，所有的URL 日志里面全部會拿出來。這個URL ，一般來說我們會有一個比例，比如說我這個網(wǎng)站每秒的請求數(shù)是1000個，那這個slow query有可能根據(jù)我網(wǎng)站的特點，我應(yīng)用的特點，有可能是千分之一的，我會去監(jiān)測它。如果這個slow query出現(xiàn)了波動，我就知道，我的網(wǎng)站有可能出現(xiàn)了問題，這個問題有可能來自于一個新的發(fā)布，我新的一個程序更新，導(dǎo)致我slow query的比例提升了。這種情況下，我就知道應(yīng)用發(fā)上去之后，網(wǎng)站對用戶的感受是降低的。因為我服務(wù)端去響應(yīng)的時候，服務(wù)端耗時已經(jīng)變長了。這種情況下，我們會把這些slow query抓出來分析，到底是哪些slow query新增了，要求開發(fā)團(tuán)隊把它改掉。

51CTO：意思是找到造成slow query的那些URL么？

仲明：其實我們每個人請求網(wǎng)站的時候，web服務(wù)端都會留下一個日志，這些日志會記錄下誰來請求我，請求我的哪個URL地址，你耗費了多長時間。所以我們會基于這個東西來做分析。

51CTO：這個抓取數(shù)據(jù)是用什么做的？

仲明：我們的web容器都會打一個日志文件叫access log，這個里面你是可以配置的，我記錄哪些信息。最主要的信息就是我剛才說的，從哪來的請求，誰來訪問我，訪問我什么URL ，返回的狀態(tài)是什么，花費了多長時間，你是什么agent過來訪問的，是IE瀏覽器還是Chrome瀏覽器，它會記錄這些信息在里面，那我根據(jù)這些信息可以做很多分析的。

服務(wù)端的東西其實完全都在我們的控制之內(nèi)，因為用戶只要訪問網(wǎng)站就會留下痕跡，我都可以記錄下來。服務(wù)端是可控的。因為這個服務(wù)器都在我們手上，包括服務(wù)端的網(wǎng)絡(luò)，路由，網(wǎng)關(guān)，我們都是可以控制的。但是用戶的感受是什么樣子，比如說用戶的接入端，其實是不可控的，它的接入我們是不知道的，有的用戶接入網(wǎng)很差，他的體驗就會很差，這個我們是不知道的。這就只有通過基調(diào)或者Alibench這種工具來看。

51CTO：那除了您提到的響應(yīng)時間這些，其他監(jiān)控的參數(shù)還有哪些？

仲明：QPS和response time這是最基本的，每個服務(wù)都會有。跟業(yè)務(wù)相關(guān)的監(jiān)控，不同的服務(wù)會不一樣，比如說web容器，QPS和RT是最核心的指標(biāo)，代表我是不是可以快速的響應(yīng)用戶需求。再就是看容器的一些狀態(tài)，剛才也說過，比如說我們的JVM，是不是頻繁的發(fā)生GC。還有系統(tǒng)層面的很多東西，包括內(nèi)存的使用。JVM實際上是一個虛擬機(jī)，它自己會控制一部分內(nèi)存，這部分內(nèi)存的使用是什么狀態(tài)，這個是我們隨時要跟蹤的。

再往上走，到不同的業(yè)務(wù)，比如說我是一個cache，那跟web容器又不太一樣，cache更多的是看命中率怎么樣，命中率有沒有變化，比如說以前的命中率90%，你現(xiàn)在命中率可能下降到70%，這個是很危險的，所以對于cache來說，我們監(jiān)控的東西就不一樣，首先同樣的我們會監(jiān)控QPS和RT，另外我們主要看他的命中率怎么樣，數(shù)據(jù)交換出來的速度怎么樣。

還有其他的，比如說像消息隊列，這個監(jiān)控又不太一樣了，我要看隊列的長度。你隊列太長的話，證明這個消息在里面等的時間太長，代表著你的服務(wù)對用戶的響應(yīng)時間會變的越來越長，不夠及時。

51CTO：怎么算長呢？

仲明：不同的業(yè)務(wù)是不一樣的，因為不同的數(shù)據(jù)我們需要的響應(yīng)時間是不一樣的。如果你要做隊列的話，證明你已經(jīng)是異步的處理了，就是說你沒必要同步響應(yīng)用戶，是一個異步的過程。但是，其實又有很多的異步服務(wù)是為了響應(yīng)用戶的實時服務(wù)的。這是什么意思？比如說用戶現(xiàn)在要下單，下單的時候，我為什么要加一個隊列呢？就是因為我后面依賴于另一個服務(wù)，另一個服務(wù)的速度和我前面服務(wù)的速度不匹配，那就必須有一個隊列做緩沖。比如前面的服務(wù)每秒鐘處理1000個請求，后面服務(wù)每秒鐘只能處理800個請求，這就出問題了，當(dāng)你達(dá)到峰值一千的話，你發(fā)現(xiàn)后面響應(yīng)不過來了。這種時候我就有一個隊列做緩沖，緩沖你200個，那么因為你的服務(wù)不可能一天一直是滿的，你會有一個低谷，稍微峰值一過，低谷來的時候，就可以把這個隊列消化掉。

但是我們又要去看，這個隊列到底排多長，如果隊列太長的話，你發(fā)現(xiàn)就出問題了，比如說我們以前用戶從前端過來，200個ms回去，當(dāng)我出現(xiàn)隊列的時候，有可能變成300個MS回去，那這個有可能還是可以接受的。如果說我們的業(yè)務(wù)要求這個用戶超過了500個ms就不可以接受，那我們就可以算出隊列多長是合理的。所以就是根據(jù)不同的業(yè)務(wù)判斷你的隊列到底多長是一個可以接受的范圍。

51CTO：500個ms算是一個標(biāo)準(zhǔn)嗎？

仲明：不一定了，對于不同的業(yè)務(wù)，不同用戶的忍受程度是不一樣的。從服務(wù)端來說，500個ms其實已經(jīng)算不短了，因為服務(wù)端的響應(yīng)時間，還要加上用戶網(wǎng)絡(luò)請求、往返的時間，建立連接的時間，DNS解析的時間，在用戶端的反應(yīng)有可能已經(jīng)超過1秒了。

當(dāng)然了，對用戶來說，一般覺得1秒是可以接受的。就像今天上午Google的那位同學(xué)講的，有可能到3~5秒，用戶才可能不訪問你的網(wǎng)站了，走了。其實用戶的接受度還是比較高的，1秒是可以接受的。

51CTO：那CDN方面，也是您關(guān)注的范圍吧？

仲明：當(dāng)然是了，CDN也是我們的服務(wù)內(nèi)容之一。CDN的目的很簡單，就是加速——提升我們網(wǎng)站的速度，因為我們一個網(wǎng)頁下來，你發(fā)現(xiàn)，特別是像淘寶、天貓這樣的網(wǎng)站，有大量的圖片。你說我們打開Google首頁看一下，內(nèi)容很少，所以很快，但是電子商務(wù)不可能做成那個樣子，因為用戶就是為了看商品的，不可能說圖片沒有了，那這個用戶的體驗就會下降很多。所以電子商務(wù)網(wǎng)站面臨著很大的問題，用戶一個頁面打開，請求數(shù)是很多的，他要請求大量的圖片和網(wǎng)頁內(nèi)容。這種情況下，我們就會很依賴CDN。我們在全國布很多點，用戶拿數(shù)據(jù)的時候，直接從離他最近的CDN服務(wù)器上拿想要的數(shù)據(jù)，這樣的話，用戶的體驗就很好，速度就會很快，所以CDN對我們很重要。

我們CDN的建設(shè)，今年已經(jīng)是超過了兩個T的帶寬了，就是在峰值的時候，每秒出去兩個T的數(shù)據(jù)。

51CTO：那你們現(xiàn)在整個的監(jiān)控力度是什么樣的，到秒級還是分鐘級？

仲明：監(jiān)控力度現(xiàn)在還是在分鐘級的，一般是兩分鐘計算一次數(shù)據(jù)。所以說有可能最晚的情況是兩分鐘之前出現(xiàn)問題，我們現(xiàn)在才知道。

51CTO：這樣的話，你們這個監(jiān)控系統(tǒng)本身的數(shù)據(jù)和處理量也是很大的？

仲明：對。但是我們現(xiàn)在監(jiān)控系統(tǒng)是分布式處理。所謂分布式處理就是說，有一部分計算邏輯是在本機(jī)的，就是被監(jiān)控對象上的。比如說我們有一萬臺機(jī)器，那我們會向每臺機(jī)器要數(shù)據(jù)。如果我把所有的數(shù)據(jù)拉過來再集中運算的話，會有兩個問題：一個是我要拉的數(shù)據(jù)量太大，會占用很多帶寬；第二，去集中運算的話，運算的成本太高，發(fā)現(xiàn)你會算不過來，好比我們兩分鐘拉一次數(shù)據(jù)的話，這么多數(shù)據(jù)有可能兩分鐘還沒有算完，這就麻煩大了。

所以我們現(xiàn)在是分兩階段計算，一階段就是在本地我去找你要數(shù)據(jù)的時候你計算一次，這個時候你會發(fā)現(xiàn)，你的數(shù)據(jù)量已經(jīng)變的很少了，比如說兩分鐘你要分析，舉個最簡單的例子，分析日志，access log，兩分鐘的log有可能有幾十個兆，或者是上百兆的原始日志。如果把100兆拉回去的話，這個就很麻煩了。所以我們在本地會做第一次分析，把100兆分析完，分析完之后，有可能形成了兩K的文件。那么1-2K的數(shù)據(jù)上傳到服務(wù)端，然后再去做二次運算。二次運算基本上是做什么樣的運算呢，因為我們很多數(shù)據(jù)是按集群來看的，在本地這臺機(jī)器上，只能運算本機(jī)的數(shù)據(jù)；如果我要看集群的QPS，就是整個集群的請求數(shù)，那我就會看，在一臺機(jī)器上我的QPS是多少，再把整個集群的數(shù)據(jù)拿到一個集中的監(jiān)控平臺之后，它會做二次運算，運算的時候就能看出這個集群的指標(biāo)是一個什么樣的值。

所以說是兩階段來算的。

51CTO：這樣，基本上兩分鐘拉過來的數(shù)據(jù)可以幾秒處理完？

仲明：很快，在秒級就處理完了。實際上你會發(fā)現(xiàn)在本地運算是在毫秒級的。本地分析是很快的。當(dāng)然，這個對本機(jī)會有一些性能消耗，但是這個基本上可以忽略不計的。因為兩分鐘才運行一次。本地做簡單的日志分析是非常快的。

下一部分：故障響應(yīng)機(jī)制

#p#

51CTO：監(jiān)控這方面有很多細(xì)節(jié)，我想很多人都會感興趣；但是今天時間有限，我想我們先進(jìn)入下一個話題吧。您能大概介紹一下淘寶運維系統(tǒng)的故障響應(yīng)機(jī)制么？

仲明：故障是這樣的。我們會對故障進(jìn)行定級，定級有P1-P4，四個等級的故障級別。P1是最嚴(yán)重的故障，P4是最輕微的故障，每個定級是根據(jù)每個產(chǎn)品，每個業(yè)務(wù)來定的。你會發(fā)現(xiàn)沒有一個統(tǒng)一的標(biāo)準(zhǔn)，它不是說，整個所有的業(yè)務(wù)，什么樣的是P1——不是這樣的。我們會分開業(yè)務(wù)，根據(jù)業(yè)務(wù)的特質(zhì)來確定，你應(yīng)該根據(jù)什么樣的指標(biāo)判斷，這個是不是一個P1。

舉個最簡單的例子，對于淘寶網(wǎng)來說，很多是看交易的，因為交易是一個很核心的指標(biāo)，影響到用戶，這是用戶最核心的指標(biāo)：一個電子商務(wù)網(wǎng)站，用戶不能買東西了，你想想這是什么影響。所以，一個故障如果影響到用戶在上面買東西了，我們會根據(jù)這個比例，你影響了多少用戶買東西，來判斷你是P1還是P2。這是一個核心指標(biāo)。

P3、P4，這種我們認(rèn)為是比較小的故障是怎么產(chǎn)生的呢，它是跟用戶的體驗相關(guān)的。比如說我們有一些用戶投訴過來，用戶的投訴量達(dá)到一定的數(shù)量的時候，我們就認(rèn)為是一個P4故障了。比如說我們發(fā)生了幾例相同問題的投訴，同一個點，同一時間，發(fā)現(xiàn)了好幾例用戶投訴過來，那我們認(rèn)為這是一個很輕微的P4故障。

為什么定級呢，有幾個方面，第一個就是你剛才問到的響應(yīng)的問題，故障發(fā)生了我們怎么響應(yīng)。不同的P級，響應(yīng)級別是不一樣的。像P4的故障，我們會走到技術(shù)支持，技術(shù)支持會響應(yīng)它，他們會排查這個問題到底是什么樣的，去聯(lián)系投訴的用戶，分析判斷這個問題。這個不是很緊急。像P1的故障就很緊急，它的響應(yīng)級別是不一樣的。如果我們出現(xiàn)了P1的故障，會需要通報到副總裁。

51CTO：其實是上升到一個行政層面了。

仲明：升級是深度和廣度兩方面都有的，不僅在行政層面，更大范圍的相關(guān)人員會知道。為什么非要上升這個東西呢？是因為讓更多的人知道，并且會有更多的人來協(xié)助處理。對于P1的故障，我們要求一定要在最短的時間內(nèi)處理掉。那P1的故障，如果問題停留在某個一線員工手上，他可能無法最快解決故障。有幾種情況，一種是這個員工不知道公司有哪些資源可以幫助他處理這些問題，這是一個現(xiàn)實的狀況，不是所有的員工清楚公司所有的資源。而且，即使他知道，也不知道該找誰，因為公司大了，上萬人的公司，很難每個員工明確知道，什么事情找誰。

所以，我們要求有一個升級的機(jī)制。像P1級的故障，我們會升級到副總裁的，他需要知道我們的服務(wù)出現(xiàn)了什么重大問題，對用戶的影響范圍。像P2的故障到總監(jiān)這一層的。P3的故障，到經(jīng)理層，他們會為一線工程師處理故障提供合適的幫助。

51CTO：是不是可以理解為，故障升級之后，一線員工已經(jīng)沒有辦法把控了，不能預(yù)估什么時候可以解決這個問題？

仲明：一線員工對系統(tǒng)最熟悉，他們有能力解決問題，但我們的故障信息要透明出來，方便其它部門和管理人員提供幫助，這些會提升故障處理速度。比如說我們發(fā)生一個故障，最開始根據(jù)我們的故障定級判斷是一個P3級，那么一線的leader就會指揮一線的員工去處理。但是處理了一小段時間，比如說處理了20分鐘，發(fā)現(xiàn)還不知道怎么搞定這個事情，那么這個時候，這個故障就會發(fā)生變化，它會從P3升級到P2故障。這樣的話，他就必須通知到這條線上面的主管，比如說有可能是一個總監(jiān)，他要跟總監(jiān)說明，這個問題我們已經(jīng)處理了一段時間，現(xiàn)在還不知道什么時候能處理完，現(xiàn)在已經(jīng)升級為P2故障了，那這個總監(jiān)就會參與進(jìn)來，調(diào)度相關(guān)的資源，協(xié)助整個故障處理。尤其當(dāng)你上升到P1故障的時候，就不僅僅是技術(shù)方面的問題了，包括我們客服的問題，因為你會有大量的投訴進(jìn)來；包括公關(guān)的問題，我們怎么向用戶解釋這個問題，這個范圍就比較大。

51CTO：一開始定級有一個算法嗎，還是都是人工定？

仲明：定級方面，正如我剛才所說，不同的業(yè)務(wù)有不同的指標(biāo)來衡量。但這個定級的過程是一個協(xié)商的過程，也不能說誰說我該給你多少，比如說你這個業(yè)務(wù)就是按PV來做了，PV降多少就是P1、P2，這樣作為一個建議當(dāng)然是可以的，不過我們做為互聯(lián)網(wǎng)公司，像這種生產(chǎn)環(huán)境的故障，第一責(zé)任人是我們運維的人，但是實際上，你要知道，大家都是要去負(fù)這個責(zé)任的，不管是研發(fā)還是測試，他們相應(yīng)的要去承擔(dān)這樣的責(zé)任。因為我們知道，一個故障的發(fā)生有很多的環(huán)節(jié)。有可能是你程序的bug；從測試的角度也會承擔(dān)一定的責(zé)任，比如用例覆蓋不全，漏掉了這個bug；從運維的角度也會承擔(dān)責(zé)任，你雖然有這么一個bug，但是你在運維的過程當(dāng)中，你是不是按照標(biāo)準(zhǔn)的流程執(zhí)行了，這是第一個，第二個你是不是執(zhí)行到位了，還有的時候，運維的人直接接觸生產(chǎn)環(huán)境，你的操作是不是導(dǎo)致了一些這樣的隱患在里面，都是有可能的。我們故障是共擔(dān)的。

所以在我們的故障定級這個方面，一定會達(dá)成一致的，讓大家心里都清楚。在我服務(wù)出現(xiàn)什么情況的時候，大家都心里很清楚，這是一個P1，而不是說有的人認(rèn)為這是一個P1故障，有的人認(rèn)為這就是一個小故障，P3。這樣的話，會不利于我們調(diào)動資源。比如說我們出現(xiàn)了一個P1故障，我們會要求客服、運營、公關(guān)都要快速協(xié)同做事情，如果客服的人認(rèn)為這是一個P4，我們運維的人認(rèn)為是一個P1，公關(guān)的人認(rèn)為是一個P3，這就麻煩啦。所以說這個東西一定是要概念一致的。

51CTO：能談?wù)勀銈冏罱l(fā)生的一次故障么？

仲明：最近是有一個P2級的故障。這其實是一個很隱藏的故障：我們天貓的一個服務(wù)，把程序發(fā)上去以后，發(fā)現(xiàn)服務(wù)的性能下降了很多，用戶響應(yīng)的時間變長了。我們發(fā)現(xiàn)這個問題其實是在預(yù)發(fā)之后，因為一開始做預(yù)發(fā)的時候，沒有用戶流量進(jìn)來，這個性能下降你感受不到的——測試請求是很少的。但是我們發(fā)了一批機(jī)器上去，用戶流量進(jìn)來了，發(fā)現(xiàn)性能下降了。

51CTO：在分批發(fā)之后的1個小時后發(fā)現(xiàn)了？

仲明：用戶性能下降其實一發(fā)上去就知道了。我們的服務(wù)都是有監(jiān)控的，它的RT變長了我們是知道的。所以一推上去我們就知道了。那么知道這個問題了，知道用戶的訪問時間變長了，但是并不知道是哪有問題了，到底哪里出了問題導(dǎo)致的。對于我們來說，我們不是去查問題的，我們處理故障都是用最可靠、最快速的方法去解決這個問題。

很簡單，我不管你是什么問題，回滾程序。這是我們的處理方法。

那么我們就去回滾。但是，回滾完了以后，我們發(fā)現(xiàn)有一些小問題：回滾的版本有一些依賴的包出現(xiàn)了沖突。這是一個很復(fù)雜的問題。你就發(fā)現(xiàn)這個服務(wù)還是沒法正常的提供，這個時候這個問題就開始升級了，就升級到我這里來了，我就知道這個問題了，我就會上線去參與他們的處理，為他們提供一些幫助。當(dāng)時做了一個決定，很簡單，我們把流量分流。因為當(dāng)時我們還有正常的服務(wù)存在，那我們就把這些所有已經(jīng)壞掉的這些服務(wù)上面的流量全部切走了。

51CTO：當(dāng)時已經(jīng)推到多少了？

仲明：大概已經(jīng)到一半的樣子了。我們就把所有的流量切到另外的一個集群，那個集群還是正常的，讓它提供服務(wù)；這個集群留下來，大家來排查問題。

這個時候你會發(fā)現(xiàn)，故障已經(jīng)結(jié)束了。因為對于用戶已經(jīng)沒有影響了。這時候我們的系統(tǒng)其實還是在做恢復(fù)的事情，不過這個沒關(guān)系，故障到這個時候就已經(jīng)close掉了。

51CTO：所以，你們一般還是會優(yōu)先考慮回滾。

仲明：對。如果我們在生產(chǎn)環(huán)境上做了變更、發(fā)布程序之類的，只要出現(xiàn)故障，第一策略就是回滾。因為這個時間是很寶貴的，我們總是要找最可靠的方法去把問題解決掉。

51CTO：不管哪個級別，都優(yōu)先回滾？

仲明：對，變更引起的故障優(yōu)先回滾。具體是什么問題，我們線下可以分析，因為我們的系統(tǒng)會保留所有的日志。你可以分析，還有我們歷史的監(jiān)控數(shù)據(jù)都是有的。出故障的時間點，這時候的請求是什么樣，響應(yīng)時間是什么樣，當(dāng)時的memory使用是什么樣，IO狀況是什么樣，CPU運行是什么樣，各種指標(biāo)你可以看得到，你可以故障結(jié)束后過來分析的。

51CTO：像這種因為變更造成的問題，占的比例大概是多少？

仲明：這個肯定是比例最高的。

做運維的人都知道，變更是萬惡之源。大部分問題都是因為變更引起的，我們知道引起故障有幾方面，大概可以分為三方面：一方面是發(fā)起變更，程序的變化，不管是什么樣的變化，包括網(wǎng)絡(luò)結(jié)構(gòu)的變化等等，這些都是我們發(fā)起的變化；另一方面是用戶行為的變化，用戶行為的變化也可能導(dǎo)致故障，比如說突然間一個大的流量進(jìn)來，已經(jīng)超過了你的服務(wù)的處理能力，這個時候你就會出現(xiàn)故障；第三方面就是我們本身誰都沒動，但是有一臺交換機(jī)，壞了，它跑的時間太長了，累了，休息一下，那這也有可能導(dǎo)致你的系統(tǒng)出故障。

那這三方面，我們內(nèi)部在運維過程當(dāng)中發(fā)起的變更，其實是導(dǎo)致故障最大的來源，差不多到70~80%這樣。

51CTO：好的，那這次問題就到這里結(jié)束。十分感謝仲明的精彩回答！