[[283664]]

 一、運(yùn)維在廣告體系中的價(jià)值

運(yùn)維的工作來源已久，但直到近些年，隨著互聯(lián)網(wǎng)的發(fā)展，產(chǎn)品的維護(hù)工作越來越復(fù)雜，以及服務(wù)可用性的提升，都讓運(yùn)維的工作越來越重要。我們可以回顧下運(yùn)維發(fā)展至今都經(jīng)歷了哪些階段。

① 人工階段

這個(gè)階段的運(yùn)維主要通過人肉操作我們的服務(wù)，由于這個(gè)階段的服務(wù)大都是單實(shí)例，流量服務(wù)器都比較少，所以我們通過命令行就能夠解決絕大多數(shù)的問題。

② 工具階段

隨著互聯(lián)網(wǎng)影響逐漸變大，我們的流量也開始變大，我們的產(chǎn)品功能也開始變得豐富，曾經(jīng)我們單實(shí)例的服務(wù)也開始朝著多實(shí)例、分布式發(fā)展，為了應(yīng)對(duì)逐漸增加的服務(wù)器、服務(wù)數(shù)，我們開始使用一些如Puppet的運(yùn)維工具，通過Shell、Python寫一些腳本來提升運(yùn)維的工作效率，減少重復(fù)的勞動(dòng)。

③ DevOps

前幾年，運(yùn)維領(lǐng)域開始提出DevOps的理念，開始著手解決運(yùn)維與開發(fā)的合作問題，開始讓運(yùn)維的工作走向規(guī)范化、平臺(tái)化。讓一個(gè)產(chǎn)品從功能開發(fā)到測試交付、再到后期運(yùn)維能夠更加的快捷、頻繁、可靠，更快的響應(yīng)互聯(lián)網(wǎng)快速的發(fā)展和產(chǎn)品迭代。

④ AiOps

這兩年，人工智能和大數(shù)據(jù)的異?；馃?，而運(yùn)維領(lǐng)域的許多工作都為AI和大數(shù)據(jù)的實(shí)施落地提供了良好的土壤。我們也希望通過Ai和大數(shù)據(jù)等技術(shù)的引入，能夠?qū)⑦\(yùn)維的技術(shù)層次帶入一個(gè)更高的臺(tái)階。

通過以上描述，我們可以看到運(yùn)維的工作在互聯(lián)網(wǎng)的產(chǎn)品技術(shù)鏈中是不可或缺的一環(huán)，那么下面我們?cè)賮砜聪略谖⒉V告團(tuán)隊(duì)，我們都是通過哪些方案舉措來服務(wù)微博廣告的產(chǎn)品。

對(duì)于我們微博廣告團(tuán)隊(duì)來說，服務(wù)的可用性是至關(guān)重要的，也是我們的核心KPI，所以保障廣告服務(wù)的穩(wěn)定性也是我們運(yùn)維工作的重中之重。我們主要會(huì)通過優(yōu)化系統(tǒng)和提升效率兩個(gè)方面來保障和提升我們服務(wù)的可用性。

具體涉及的內(nèi)容包括系統(tǒng)性能評(píng)估、故障迅速定位、應(yīng)急事件處理、請(qǐng)求鏈路跟蹤、代碼快速迭代、指標(biāo)走勢預(yù)測等等。

▲ 圖1-1 運(yùn)維在微博廣告的價(jià)值

二、復(fù)雜業(yè)務(wù)場景下的運(yùn)維建設(shè)之路

1、服務(wù)治理

圖2-1是去年IG奪冠時(shí)，王思聰發(fā)了一條博文，而這條博文對(duì)微博廣告的影響就如圖2-2所示。這種突發(fā)的流量波動(dòng)是微博典型的特征之一，它不同于雙十一等活動(dòng)，可以提前預(yù)估流量，做好前期準(zhǔn)備工作。在傳統(tǒng)的運(yùn)維場景下，也許在你也還沒準(zhǔn)備好的情況下，流量的高峰就已經(jīng)過去了。所以如果應(yīng)對(duì)這樣突發(fā)的流量高峰是我們需要重點(diǎn)解決的問題之一。

▲ 圖2-1

▲ 圖2-2

從去年開始，我們運(yùn)維團(tuán)隊(duì)開始進(jìn)行基于機(jī)房的服務(wù)治理工作。在以前，廣告的很多服務(wù)部署都是單點(diǎn)單機(jī)房、很多多機(jī)房的部署也面臨部署不均衡，流量不均勻等現(xiàn)象。跨機(jī)房的請(qǐng)求更是無形的增加了整個(gè)廣告鏈路的請(qǐng)求耗時(shí)。所以再出現(xiàn)機(jī)房級(jí)故障時(shí)，我們的服務(wù)就可能像圖2-4所示的那樣，那么服務(wù)的高可用性也就無從談起了。

[[283666]]

▲ 圖2-3

▲ 圖2-4

在19年的上半年，經(jīng)過大半年的時(shí)間，我們完成了微博廣告基于機(jī)房級(jí)別的服務(wù)優(yōu)化改造。共治理服務(wù)一百多個(gè)，所有的服務(wù)都分布在兩個(gè)及以上的運(yùn)營商和機(jī)房中，從而避免了單機(jī)房出現(xiàn)故障時(shí)，造成廣告服務(wù)的不可用。而我們治理過程中堅(jiān)持的準(zhǔn)備主要有以下幾點(diǎn)：

• 服務(wù)多機(jī)房均衡部署
• 分布在不同運(yùn)營商
• 機(jī)房承載能力冗余
• 流量請(qǐng)求均勻分布
• 上下游同機(jī)房請(qǐng)求

同時(shí)，我們還會(huì)定期做流量壓測，來發(fā)現(xiàn)我們系統(tǒng)鏈路中的服務(wù)瓶頸。我們將生產(chǎn)環(huán)境的流量重新拷貝到生產(chǎn)環(huán)境中去，來增加線上流量，發(fā)現(xiàn)服務(wù)性能瓶頸。

圖2-5是我們對(duì)某廣告產(chǎn)品的整體性能壓測所展示的效果，我們可以清楚的發(fā)現(xiàn)圖中有兩個(gè)模塊的在流量高峰下，出現(xiàn)了耗時(shí)波動(dòng)較大的問題。由此我們可以針對(duì)性的進(jìn)行優(yōu)化。

▲ 圖2-5

2、自動(dòng)化運(yùn)維平臺(tái)

隨著互聯(lián)網(wǎng)的發(fā)展，我們的廣告產(chǎn)品也是日新月異，迭代頻繁。我們運(yùn)維團(tuán)隊(duì)每天需要面對(duì)來自三百多個(gè)業(yè)務(wù)方提過來的上線需求，在三千多臺(tái)機(jī)器上進(jìn)行服務(wù)的變更等操作，如何提升服務(wù)上線的效率和質(zhì)量，如何讓變更變得安全可靠也是我們重要的目標(biāo)之一。

▲ 圖2-6

從17年開始，我們運(yùn)維團(tuán)隊(duì)自研了一套自動(dòng)化運(yùn)維平臺(tái)Kunkka，該平臺(tái)主要基于SaltStack、Jenkins等技術(shù)，可以實(shí)現(xiàn)服務(wù)的快速上線、快速回滾等操作。整體架構(gòu)如圖2-7所示。

▲ 圖2-7 Kunkka整體架構(gòu)圖

開發(fā)同學(xué)在提交代碼到Gitlab后，自動(dòng)觸發(fā)Jenkins的編譯操作，并將編譯后的包上傳至Nexus中，這時(shí)開發(fā)同學(xué)只需要選擇他們想要部署的目標(biāo)主機(jī)就可以了。

同時(shí)，為了應(yīng)對(duì)平常突發(fā)的流量高峰和節(jié)假日的流量高峰，我們還對(duì)接了公司的DCP平臺(tái)，可以在我們的Kunkka平臺(tái)上自動(dòng)生成Docker鏡像文件，并上傳公司的鏡像倉庫中，這樣就可以在快速的將服務(wù)部署到云主機(jī)上，實(shí)現(xiàn)服務(wù)動(dòng)態(tài)擴(kuò)縮容。

整個(gè)服務(wù)部署過程中，我們還加入了多級(jí)審核機(jī)制，保障服務(wù)上線的安全性。具體流程如圖2-8所示。

▲ 圖2-8 Kunkka上線流程圖

3、有效的報(bào)警

在服務(wù)上線后，我們要做的一個(gè)很重要的工作就是給我們的服務(wù)添加監(jiān)控報(bào)警機(jī)制，否則我們就像瞎子一樣，對(duì)我們系統(tǒng)服務(wù)運(yùn)行情況一無所知。

關(guān)于報(bào)警系統(tǒng)業(yè)界優(yōu)秀的報(bào)警系統(tǒng)有很多，使用的方案也基本大同小異。我們目前主要用的是開源的Prometheus報(bào)警系統(tǒng)，這里就不詳細(xì)介紹了。

這里主要想說下我們?cè)谧鰣?bào)警的一些想法。比如我們經(jīng)常遇到的一個(gè)問題就是報(bào)警郵件狂轟濫炸，每天能收到成百上千的報(bào)警郵件，這樣很容易讓系統(tǒng)中一些重要的報(bào)警信息石沉大海。對(duì)此，我們主要以下三個(gè)方面來考慮：

• 質(zhì)疑需求的合理性
• 報(bào)警聚合
• 追蹤溯源

首先，在業(yè)務(wù)方提出報(bào)警需求的時(shí)候，我們就需要學(xué)會(huì)質(zhì)疑他們的需求，因?yàn)椴⒉皇敲總€(gè)需求都是合理的，其實(shí)很多開發(fā)他們并不懂報(bào)警，也不知道如果去監(jiān)控自己的服務(wù)。這時(shí)候就是發(fā)揮我們運(yùn)維人員的價(jià)值了。我們可以在充分了解服務(wù)架構(gòu)屬性的前提下提出我們的意見，和開發(fā)人員共同確定每個(gè)服務(wù)需要報(bào)警的關(guān)鍵指標(biāo)。

其次，我們可以對(duì)報(bào)警做預(yù)聚合?，F(xiàn)在我們的服務(wù)大都都是多機(jī)部署的，一個(gè)服務(wù)有可能部署到成百上千臺(tái)機(jī)器上。有時(shí)候因?yàn)槿藶槭д`或者上線策略等原因，可能導(dǎo)致該服務(wù)集體下線，這時(shí)就會(huì)有成百上千來自不同主機(jī)的相同報(bào)警信息發(fā)送過來。

對(duì)于這種場景，我們可以通過報(bào)警聚合的方式，將一段時(shí)間內(nèi)相同的報(bào)警合并成一條信息，放在一封郵件里面發(fā)送給開發(fā)人員，從而避免郵件轟炸的情況發(fā)生。關(guān)于報(bào)警聚合，像Prometheus這樣的報(bào)警系統(tǒng)自身已經(jīng)支持，所以也不會(huì)有太多的開發(fā)量。

最后，再高層次，我們就可以通過一些策略、算法去關(guān)聯(lián)我們的報(bào)警。很多時(shí)候，一條服務(wù)鏈路上的某個(gè)環(huán)節(jié)出現(xiàn)問題可能導(dǎo)致整條鏈路上的多個(gè)服務(wù)都觸發(fā)了報(bào)警，這個(gè)時(shí)候，我們就可以通過服務(wù)與服務(wù)之間的相關(guān)性，上下游關(guān)系，通過一些依賴、算法等措施去屏蔽關(guān)聯(lián)的報(bào)警點(diǎn)，只對(duì)問題的根因進(jìn)行報(bào)警，從而減少報(bào)警觸發(fā)的數(shù)量。

圖2-9是我們運(yùn)維團(tuán)隊(duì)17年優(yōu)化報(bào)警期間，報(bào)警數(shù)量的走勢。

▲ 圖2-9 有效的報(bào)警

4、全鏈路Trace系統(tǒng)

除了添加報(bào)警以外，在服務(wù)上線后，我們還會(huì)經(jīng)常需要跟蹤我們整個(gè)服務(wù)鏈路處理請(qǐng)求的性能指標(biāo)需求。這時(shí)就需要有一套全鏈路的Trace系統(tǒng)來方便我們實(shí)時(shí)監(jiān)控我們系統(tǒng)鏈路，及時(shí)排查問題，定位問題。

在全鏈路Trace系統(tǒng)中，最重要的就是Traceid，它需要貫穿整個(gè)鏈路，我們?cè)偻ㄟ^Traceid來關(guān)聯(lián)所有的日志，從而跟蹤一條請(qǐng)求在整個(gè)系統(tǒng)鏈路上的指標(biāo)行為。圖2-10是我們約定的用于全鏈路Trace的日志格式信息。

▲ 圖2-10 日志格式與解析

有了日志后，我們就可以基于這些日志進(jìn)行分析關(guān)聯(lián)，就像上面說的，Traceid是我們整個(gè)系統(tǒng)的核心，我們通過Traceid來關(guān)聯(lián)所有的日志。如圖2-11所示，所有的日志會(huì)寫入Kafka中，并通過Flink進(jìn)行實(shí)時(shí)的日志解析處理，寫入ClickHouse中。有了這些關(guān)鍵指標(biāo)數(shù)據(jù)后，我們就可以在此基礎(chǔ)上去做我們想做的事，比如形成服務(wù)拓?fù)溥M(jìn)行請(qǐng)求跟蹤、日志的檢索以及指標(biāo)的統(tǒng)計(jì)分析等。

▲ 圖2-11 數(shù)據(jù)收集與處理

在所有的數(shù)據(jù)收集解析完成后，業(yè)務(wù)方就可以根據(jù)一些維度，比如UID，來跟蹤用戶的在整個(gè)廣告系統(tǒng)中請(qǐng)求處理情況，如圖2-12所示。隨后再將查詢的數(shù)據(jù)以Traceid維度進(jìn)行關(guān)聯(lián)展示給用戶。

▲ 圖2-12 業(yè)務(wù)查詢

三、海量指標(biāo)監(jiān)控平臺(tái)Oops實(shí)踐

最后我們看下我們?nèi)绾螒?yīng)對(duì)微博廣告海量指標(biāo)數(shù)據(jù)下多維的監(jiān)控需求。前文也說了，監(jiān)控報(bào)警就像我們的眼睛，能夠讓我們實(shí)時(shí)的看到我們系統(tǒng)內(nèi)部的運(yùn)行情況，因此，每一個(gè)服務(wù)都應(yīng)該有一些關(guān)鍵指標(biāo)通過我們的監(jiān)控報(bào)警系統(tǒng)展示出來，實(shí)時(shí)反饋系統(tǒng)的健康狀態(tài)。

如圖3-1所示，做一個(gè)監(jiān)控平臺(tái)很容易，我們將指標(biāo)、日志等數(shù)據(jù)進(jìn)行ETL清洗后寫入一個(gè)時(shí)序數(shù)據(jù)庫中，再通過可視化工具展示出來，對(duì)于有問題的指標(biāo)通過郵件或者微信的方式報(bào)警出來。但是在這個(gè)過程中，隨著我們數(shù)據(jù)量的增長、我們指標(biāo)的增長以及查詢復(fù)雜度的增加，我們可能會(huì)遇到監(jiān)控指標(biāo)延遲、數(shù)據(jù)偏差以及系統(tǒng)不穩(wěn)定等問題。

▲ 圖3-1 監(jiān)控平臺(tái)的挑戰(zhàn)

因此，在設(shè)計(jì)我們的監(jiān)控系統(tǒng)時(shí)，就不能僅僅基于實(shí)現(xiàn)考慮，還需要考慮它的穩(wěn)定性、實(shí)施性、準(zhǔn)確性，同時(shí)還應(yīng)盡量把系統(tǒng)做的簡單易用。

▲ 圖3-2 監(jiān)控平臺(tái)的目標(biāo)

而我們目前的監(jiān)控平臺(tái)Oops，也是基于上述原則，經(jīng)歷了多年的迭代和考驗(yàn)。圖3-3是我們Oops監(jiān)控平臺(tái)當(dāng)前的整體架構(gòu)。

▲ 圖3-3 Oops監(jiān)控平臺(tái)架構(gòu)

① 數(shù)據(jù)采集

整個(gè)平臺(tái)分為四個(gè)層次，首先是我們的數(shù)據(jù)采集。我們當(dāng)前主要通過Filebeat這樣一款優(yōu)秀的開源采集客戶端來采集我們的日志。對(duì)我們使用而言，F(xiàn)ilebeat足夠的高效、輕量，使用起來也很靈活易用。

▲ 圖3-4 Filebeat架構(gòu)圖

② 指標(biāo)清洗

數(shù)據(jù)采集到Kafka后，我們?cè)俑鶕?jù)具體的業(yè)務(wù)需求將指標(biāo)提取出來。如圖3-5所示，當(dāng)前我們主要通過Flink來解析日志，并寫入ClickHouse中。

同時(shí)，針對(duì)一些業(yè)務(wù)需求，我們需要將一些指標(biāo)維度做關(guān)聯(lián)處理，這里主要通過HBase實(shí)現(xiàn)指標(biāo)的關(guān)聯(lián)，比如，有曝光和互動(dòng)兩個(gè)日記，我們將曝光日志中的mark_id字段作為rowkey寫入HBase中，并儲(chǔ)存一個(gè)小時(shí)，當(dāng)在時(shí)間窗口內(nèi)互動(dòng)日志匹配到相同的mark_id時(shí)，就將曝光日志的內(nèi)容從HBase中取出，并與互動(dòng)日志組合成一條新的日志，寫入到一個(gè)新的Kafka Topic中。

此外，我們還將Kafka中數(shù)據(jù)消費(fèi)寫入ElasticSearch和HDFS中，用于日志檢索和離線計(jì)算。

▲ 圖3-5 指標(biāo)清洗

③ 指標(biāo)儲(chǔ)存

當(dāng)前，我們通過ClickHouse來儲(chǔ)存查詢我們的監(jiān)控指標(biāo)。最初也是選擇了流行的時(shí)序數(shù)據(jù)庫Graphite。但是在長期的使用中，我們發(fā)現(xiàn)在復(fù)雜的多維分析上，Graphite并沒有很好的體驗(yàn)。在去年，我們將我們的監(jiān)控指標(biāo)引擎替換成了現(xiàn)在的ClickHouse，ClickHouse是一款優(yōu)秀的開源OLAP引擎，它在多維分析等功能上相比傳統(tǒng)的時(shí)序數(shù)據(jù)庫具有很大的優(yōu)勢。

同時(shí)，我們基于ClickHouse強(qiáng)大的函數(shù)功能和物化視圖表引擎構(gòu)建了一個(gè)實(shí)時(shí)的指標(biāo)倉庫。如圖3-6所示，我們會(huì)將清洗后的指標(biāo)寫入到一張?jiān)急碇?，比如這里的ods_A,我們?cè)俑鶕?jù)具體的監(jiān)控需求在ods_A表上進(jìn)行維度的聚合。再比如，我們將請(qǐng)求維度按秒聚合成agg_A_1s，或者按照psid維度按分鐘聚合成agg_A_1m_psid，又或者我們按照用戶id維度來統(tǒng)計(jì)每個(gè)用戶的訪問次數(shù)。

由此我們可以實(shí)現(xiàn)不同時(shí)間維度和不同業(yè)務(wù)維度的組合分析查詢，同時(shí)提升了查詢響應(yīng)速度，以及數(shù)據(jù)的重復(fù)利用率。而原始表的存在也讓我們可以根據(jù)不同的需求定制不同的復(fù)雜的聚合表數(shù)據(jù)。

▲ 圖3-6 實(shí)時(shí)指標(biāo)倉庫

④ 指標(biāo)可視化

最后，我們通過Grafana實(shí)現(xiàn)我們的指標(biāo)可視化，Grafana應(yīng)該是當(dāng)前全球最受歡迎的監(jiān)控可視化開源軟件，它支持很多的數(shù)據(jù)源，而ClickHouse也是其中之一，我們只需要寫一條SQL就可以按照我們的想法在Grafana上以圖表的形式呈現(xiàn)出來。如圖3-7呈現(xiàn)的監(jiān)控圖就是圖3-8這樣一條簡單的SQL實(shí)現(xiàn)的。

▲ 圖3-7 折線圖監(jiān)控指標(biāo)

▲ 圖3-8 折線圖監(jiān)控指標(biāo)SQL語句

對(duì)于表格的指標(biāo)監(jiān)控展示，也很簡單，也是一條SQL就能完成的，如圖3-9所示。

▲ 圖3-9 表格監(jiān)控指標(biāo)

當(dāng)前我們的實(shí)時(shí)指標(biāo)倉庫存儲(chǔ)120T的數(shù)據(jù)量，峰值處理QPS在125萬左右，秒級(jí)查詢、多維分析，為微博廣告的指標(biāo)監(jiān)控、數(shù)據(jù)分析以及鏈路跟蹤等場景提供了底層數(shù)據(jù)支撐。

[[283671]]

講師介紹

朱偉，微博廣告SRE團(tuán)隊(duì)負(fù)責(zé)人，書籍《智能運(yùn)維：從0搭建大規(guī)模分布式AIOps系統(tǒng)》作者之一。目前負(fù)責(zé)微博廣告業(yè)務(wù)可用性的保障與優(yōu)化、資源利用率的提升、監(jiān)控報(bào)警系統(tǒng)的建設(shè)以及自動(dòng)化體系的推進(jìn)。