隨著分布式架構逐漸成為了架構設計的主流，可觀測性（Observability）一詞也日益被人頻繁地提起。

2017 年的分布式追蹤峰會（2017 Distributed Tracing Summit）結(jié)束后，Peter Bourgon 撰寫了總結(jié)文章《Metrics, Tracing, and Logging》系統(tǒng)地闡述了這三者的定義、特征，以及它們之間的關系與差異。文中將可觀測性問題映射到了如何處理指標（metrics）、追蹤（tracing）、日志（logging）三類數(shù)據(jù)上。

其后，Cindy Sridharan 在其著作《Distributed Systems Observability》中，進一步講到指標、追蹤、日志是可觀測性的三大支柱（three pillars）。

到了 2018 年， CNCF Landscape 率先出現(xiàn)了 Observability 的概念，將可觀測性（ Observability ）從控制論（ Cybernetics ）中引入到 IT 領域。在控制論中，可觀測性是指系統(tǒng)可以由其外部輸出，來推斷其內(nèi)部狀態(tài)的程度，系統(tǒng)的可觀察性越強，我們對系統(tǒng)的可控制性就越強。

可觀測性可以解決什么問題？Google SRE Book 第十二章給出了簡潔明快的答案：快速排障。

There are many ways to simplify and speed troubleshooting. Perhaps the most fundamental are:

• Building observability—with both white-box metrics and structured logs—into each component from the ground up
• Designing systems with well-understood and observable interfaces between components.

Google SRE Book, Chapter 12

而在云原生時代，分布式系統(tǒng)越來越復雜，分布式系統(tǒng)的變更是非常頻繁的，每次變更都可能導致新類型的故障。應用上線之后，如果缺少有效的監(jiān)控，很可能導致遇到問題我們自己都不知道，需要依靠用戶反饋才知道應用出了問題。

本文主要講述如何建立應用業(yè)務指標Metrics監(jiān)控和如何實現(xiàn)精準告警。Metrics 可以翻譯為度量或者指標，指的是對于一些關鍵信息以可聚合的、數(shù)值的形式做定期統(tǒng)計，并繪制出各種趨勢圖表。透過它，我們可以觀察系統(tǒng)的狀態(tài)與趨勢。

技術棧選擇

我們的應用都是 Spring Boot 應用，并且使用 Spring Boot Actuator 實現(xiàn)應用的健康檢查。從 Spring Boot 2.0 開始，Actuator 將底層改為 Micrometer，提供了更強、更靈活的監(jiān)測能力。Micrometer 支持對接各種監(jiān)控系統(tǒng)，包括 Prometheus。

所以我們選擇 Micrometer 收集業(yè)務指標，Prometheus 進行指標的存儲和查詢，通過 Grafana 進行展示，通過阿里云的告警中心實現(xiàn)精準告警。

指標收集

對于整個研發(fā)部門來說，應該聚焦在能夠?qū)崟r體現(xiàn)公司業(yè)務狀態(tài)的最核心的指標上。例如 Amazon 和 eBay 會跟蹤銷售量， Google 和 Facebook 會跟蹤廣告曝光次數(shù)等與收入直接相關的實時指標。

Prometheus 默認采用一種名為 OpenMetrics 的指標協(xié)議。OpenMetrics 是一種基于文本的格式。下面是一個基于 OpenMetrics 格式的指標表示格式樣例。

# HELP http_requests_total The total number of HTTP requests.
# TYPE http_requests_total counter
http_requests_total{method="post",code="200"} 1027
http_requests_total{method="post",code="400"}    3

# Escaping in label values:
msdos_file_access_time_seconds{path="C:\\DIR\\FILE.TXT",error="Cannot find file:\n\"FILE.TXT\""} 1.458255915e9

# Minimalistic line:
metric_without_timestamp_and_labels 12.47

# A weird metric from before the epoch:
something_weird{problem="division by zero"} +Inf -3982045

# A histogram, which has a pretty complex representation in the text format:
# HELP http_request_duration_seconds A histogram of the request duration.
# TYPE http_request_duration_seconds histogram
http_request_duration_seconds_bucket{le="0.05"} 24054
http_request_duration_seconds_bucket{le="0.1"} 33444
http_request_duration_seconds_bucket{le="0.2"} 100392
http_request_duration_seconds_bucket{le="0.5"} 129389
http_request_duration_seconds_bucket{le="1"} 133988
http_request_duration_seconds_bucket{le="+Inf"} 144320
http_request_duration_seconds_sum 53423
http_request_duration_seconds_count 144320

# Finally a summary, which has a complex representation, too:
# HELP rpc_duration_seconds A summary of the RPC duration in seconds.
# TYPE rpc_duration_seconds summary
rpc_duration_seconds{quantile="0.01"} 3102
rpc_duration_seconds{quantile="0.05"} 3272
rpc_duration_seconds{quantile="0.5"} 4773
rpc_duration_seconds{quantile="0.9"} 9001
rpc_duration_seconds{quantile="0.99"} 76656
rpc_duration_seconds_sum 1.7560473e+07
rpc_duration_seconds_count 2693

指標的數(shù)據(jù)由指標名(metric_name)，一組 key/value 標簽（label_name=label_value)，數(shù)字類型的指標值(value)，時間戳組成。

metric_name [
  "{" label_name "=" `"` label_value `"` { "," label_name "=" `"` label_value `"` } [ "," ] "}"
] value [ timestamp ]

Meter

Micrometer 提供了多種度量類庫(Meter)，Meter 是指一組用于收集應用中的度量數(shù)據(jù)的接口。Micrometer 中，Meter 的具體類型包括：Timer, Counter, Gauge, DistributionSummary, LongTaskTimer, FunctionCounter, FunctionTimer, and TimeGauge

• Counter 用來描述一個單調(diào)遞增的變量，如某個方法的調(diào)用次數(shù)，緩存命中/訪問總次數(shù)等。支持配置 recordFailuresOnly，即只記錄方法調(diào)用失敗的次數(shù)。Counter 的指標數(shù)據(jù)，默認有四個 label：class, method, exception, result。
• Timer 會同時記錄 totalcount, sumtime, maxtime 三種數(shù)據(jù)，有一個默認的 label: exception。
• Gauge 用來描述在一個范圍內(nèi)持續(xù)波動的變量。Gauge 通常用于變動的測量值，比如隊列中的消息數(shù)量，線程池任務隊列數(shù)等。
• DistributionSummary 用于統(tǒng)計數(shù)據(jù)分布。

應用接入流程

為了方便微服務應用接入，我們封裝了
micrometer-spring-boot-starter。micrometer-spring-boot-starter 的具體實現(xiàn)如下。

1.入 Spring Boot Actuator 依賴

<dependency>
  <groupId>org.springframework.boot</groupId>
  <artifactId>spring-boot-starter-actuator</artifactId>
</dependency>

<dependency>
  <groupId>io.micrometer</groupId>
  <artifactId>micrometer-registry-prometheus</artifactId>
  <version>${micrometer.version}</version>
</dependency>

進行初始配置

Actuator 默認開啟了一些指標的收集，比如 system, jvm, http，可以通過配置關閉它們。其實僅僅是我們需要關閉，因為我們已經(jīng)接了 jmx exporter 了。

management.metrics.enable.jvm=false
management.metrics.enable.process=false
management.metrics.enable.system=false

如果不希望 Web 應用的 Actuator 管理端口和應用端口重合的話，可以使用 management.server.port 設置獨立的端口。這是好的實踐，可以看到針對 actuator 的破壞，但是換了端口號，不暴露公網(wǎng)問題會少很多。

1management.server.port=xxxx

配置 spring bean

TimedAspect 的 Tags.empty() 是故意的，防止產(chǎn)生太長的 class 名稱對 prometheus 造成壓力。

@PropertySource(value = {"classpath:/micrometer.properties"})
@Configuration
public class MetricsConfig {

    @Bean
    public TimedAspect timedAspect(MeterRegistry registry){
        return new TimedAspect(registry, (pjp) -> Tags.empty());
    }

    @Bean
    public CountedAspect countedAspect(MeterRegistry registry){
        return new CountedAspect(registry);
    }

    @Bean
    public PrometheusMetricScrapeEndpoint prometheusMetricScrapeEndpoint(CollectorRegistry collectorRegistry){
        return new PrometheusMetricScrapeEndpoint(collectorRegistry);
    }

    @Bean
    public PrometheusMetricScrapeMvcEndpoint prometheusMvcEndpoint(PrometheusMetricScrapeEndpoint delegate){
        return new PrometheusMetricScrapeMvcEndpoint(delegate);
    }

}

應用接入時，引入
micrometer-spring-boot-starter 依賴

<dependency>
  <groupId>xxx</groupId>
  <artifactId>micrometer-spring-boot-starter</artifactId>
</dependency>

現(xiàn)在，就可以通過訪問
http://ip:port/actuator/prometheus，來查看 Micrometer 記錄的數(shù)據(jù)。

自定義業(yè)務指標

Micrometer 內(nèi)置了 Counted 和 Timed 兩個 annotation。可以通過在對應的方法上加上 @Timed 和 @Counted 注解，來收集方法的調(diào)用次數(shù)，時間和是否發(fā)生異常等信息。

@Timed

如果想要記錄打印方法的調(diào)用次數(shù)和時間，需要給 print 方法加上 @Timed 注解，并給指標定義一個名稱。

@Timed(value = "biz.print", percentiles = {0.95, 0.99}, description = "metrics of print")
public String print(PrintData printData) {

}

在 print 方法上加上 @Timed 注解之后，Micrometer 會記錄 print 方法的調(diào)用次數(shù)(count)，方法調(diào)用最大耗時(max)，方法調(diào)用總耗時(sum)三個指標。percentiles = {0.95, 0.99} 表示計算 p95，p99 的請求時間。記錄的指標數(shù)據(jù)如下。

biz_print_seconds_count{exception="none"} 4.0
biz_print_seconds_sum{exception="none"} 7.783213927
biz_print_seconds_max{exception="none"} 6.14639717
biz_print_seconds{exception="NullPointerException"} 0.318767104
biz_print_seconds{exception="none",quantile="0.95",} 0.58720256
biz_print_seconds{exception="none",quantile="0.99",} 6.157238272

@Timed 注解支持配置一些屬性：

• value：必填，指標名
• extraTags：給指標定義標簽，支持多個，格式 {"key", "value", "key", "value"}
• percentiles：小于等于 1 的數(shù)，計算時間的百分比分布，比如 p95，p99
• histogram：記錄方法耗時的 histogram 直方圖類型指標

@Timed 會記錄方法拋出的異常。不同的異常會被記錄為獨立的數(shù)據(jù)。代碼邏輯是先 catch 方法拋出的異常，記錄下異常名稱，然后再拋出方法本身的異常：

try {
    return pjp.proceed();
} catch (Exception ex) {
    exceptionClass = ex.getClass().getSimpleName();
    throw ex;
} finally {
    try {
        sample.stop(Timer.builder(metricName)
                    .description(timed.description().isEmpty() ? null : timed.description())
                    .tags(timed.extraTags())
                    .tags(EXCEPTION_TAG, exceptionClass)
                    .tags(tagsBasedOnJoinPoint.apply(pjp))
                    .publishPercentileHistogram(timed.histogram())
                    .publishPercentiles(timed.percentiles().length == 0 ? null : timed.percentiles())
                    .register(registry));
    } catch (Exception e) {
        // ignoring on purpose
    }
}

@Counted

如果不關心方法執(zhí)行的時間，只關心方法調(diào)用的次數(shù)，甚至只關心方法調(diào)用發(fā)生異常的次數(shù)，使用 @Counted 注解是更好的選擇。recordFailuresOnly = true 表示只記錄異常的方法調(diào)用次數(shù)。

@Timed(value = "biz.print", recordFailuresOnly = true, description = "metrics of print")
public String print(PrintData printData) {

}

記錄的指標數(shù)據(jù)如下。

biz_print_failure_total{class="com.xxx.print.service.impl.PrintServiceImpl",exception="NullPointerException",method="print",result="failure",} 4.0

counter 是一個遞增的數(shù)值，每次方法調(diào)用后，會自增 1。

private void record(ProceedingJoinPoint pjp, Counted counted, String exception, String result){
    counter(pjp, counted)
            .tag(EXCEPTION_TAG, exception)
            .tag(RESULT_TAG, result)
            .register(meterRegistry)
            .increment();
}

private Counter.Builder counter(ProceedingJoinPoint pjp, Counted counted){
    Counter.Builder builder = Counter.builder(counted.value()).tags(tagsBasedOnJoinPoint.apply(pjp));
    String description = counted.description();
    if (!description.isEmpty()) {
        builder.description(description);
    }
    return builder;
}

Gauge

Gauge 用來描述在一個范圍內(nèi)持續(xù)波動的變量。Gauge 通常用于變動的測量值，例如雪花算法的 workId，打印的模板 id，線程池任務隊列數(shù)等。

1. 注入 PrometheusMeterRegistry
2. 構造 Gauge。給指標命名并賦值。

@Autowired
private PrometheusMeterRegistry meterRegistry;

public void buildGauge(Long workId) {
    Gauge.builder("biz.alphard.snowFlakeIdGenerator.workId", workId, Long::longValue)
            .description("alphard snowFlakeIdGenerator workId")
            .tag("workId", workId.toString())
            .register(meterRegistry).measure();
}

記錄的指標數(shù)據(jù)如下。

biz_alphard_snowFlakeIdGenerator_workId{workId="2"} 2

配置 SLA 指標

如果想要記錄指標時間數(shù)據(jù)的 sla 分布，Micrometer 提供了對應的配置：

management.metrics.distribution.sla[biz.print]=300ms,400ms,500ms,1s,10s

記錄的指標數(shù)據(jù)如下。

biz_print_seconds_bucket{exception="none",le="0.3",} 1.0
biz_print_seconds_bucket{exception="none",le="0.4",} 3.0
biz_print_seconds_bucket{exception="none",le="0.5",} 10.0
biz_print_seconds_bucket{exception="none",le="0.6",} 11.0
biz_print_seconds_bucket{exception="none",le="1.0",} 11.0
biz_print_seconds_bucket{exception="none",le="10.0",} 12.0
biz_print_seconds_bucket{exception="none",le="+Inf",} 12.0

存儲查詢

我們使用 Prometheus 進行指標數(shù)據(jù)的存儲和查詢。Prometheus 采用拉取式采集（Pull-Based Metrics Collection）。Pull 就是 Prometheus 主動從目標系統(tǒng)中拉取指標，相對地，Push 就是由目標系統(tǒng)主動推送指標。Prometheus 官方解釋選擇 Pull 的原因。

Pulling over HTTP offers a number of advantages:

• You can run your monitoring on your laptop when developing changes.
• You can more easily tell if a target is down.
• You can manually go to a target and inspect its health with a web browser.
  Overall, we believe that pulling is slightly better than pushing, but it should not be considered a major point when considering a monitoring system.

Prometheus 也支持 Push 的采集方式，就是 Pushgateway。

For cases where you must push, we offer the Pushgateway.

為了讓 Prometheus 采集應用的指標數(shù)據(jù)，我們需要做兩件事：

應用通過 service 暴露出 actuator 端口，并添加 label: monitor/metrics

apiVersion: v1
kind: Service
metadata:
  name: print-svc
  labels:
    monitor/metrics: ""
spec:
  ports:
  - name: custom-metrics
    port: xxxx
    targetPort: xxxx
    protocol: TCP
  type: ClusterIP
  selector:
    app: print-test

添加 ServiceMonitor

apiVersion: monitoring.coreos.com/v1
kind: ServiceMonitor
metadata:
  name: metrics
  labels:
    app: metric-monitor
spec:
  namespaceSelector:
    any: true
  endpoints:
  - interval: 15s
    port: custom-metrics
    path: "/manage/prometheusMetric"
  selector:
    matchLabels:
      monitor/metrics: ""

Prometheus 會定時訪問 service 的 endpoints (
http://podip:port/manage/prometheusMetric)，拉取應用的 metrics，保存到自己的時序數(shù)據(jù)庫。

Prometheus 存儲的數(shù)據(jù)是文本格式，雖然 Prometheus 也有 Graph，但是不夠炫酷，而且功能有限。還需要有一些可視化工具去展示數(shù)據(jù)，通過標準易用的可視化大盤去獲知當前系統(tǒng)的運行狀態(tài)。比較常見的解決方案就是 Grafana。Prometheus 內(nèi)置了強大的時序數(shù)據(jù)庫，并提供了 PromQL 的數(shù)據(jù)查詢語言，能對時序數(shù)據(jù)進行豐富的查詢、聚合以及邏輯運算。通過在 Grafana 配置 Prometheus 數(shù)據(jù)源和 PromQL，讓 Grafana 去查詢 Prometheus 的指標數(shù)據(jù)，以圖表的形式展示出來。

1. grafana 配置 Prometheus 數(shù)據(jù)源

2. 添加看板，配置數(shù)據(jù)源，query 語句，圖表樣式

3. 可以在一個 dasborad 添加多個看板，構成監(jiān)控大盤。

精準告警

任何系統(tǒng)都不是完美的，當出現(xiàn)異常和故障時，能在第一時間發(fā)現(xiàn)問題且快速定位問題原因就尤為重要。但要想做到以上這兩點，只有數(shù)據(jù)收集是不夠的，需要依賴完善的監(jiān)控和告警體系，迅速反應并發(fā)出告警。

我們最初的方案是，基于 Prometheus operator 的 PrometheusRule 創(chuàng)建告警規(guī)則， Prometheus servers 把告警發(fā)送給 Alertmanager，Alertmanager 負責把告警發(fā)到釘釘群機器人。但是這樣運行一段時間之后，我們發(fā)現(xiàn)這種方式存在一些問題。SRE 團隊和研發(fā)團隊負責人收到的告警太多，所有的告警都發(fā)到一個群里，打開群消息，滿屏的告警標題，告警級別，告警值。其中有需要運維處理的系統(tǒng)告警，有需要研發(fā)處理的應用告警，信息太多，很難快速篩選出高優(yōu)先級的告警，很難快速轉(zhuǎn)派告警到對應的處理人。所以我們希望應用告警可以精準發(fā)送到應用歸屬的研發(fā)團隊。

經(jīng)過一段時間的調(diào)研，我們最終選擇阿里云的《ARMS 告警運維中心》來負責告警的管理。ARMS 告警運維中心支持接入 Prometheus 數(shù)據(jù)源，支持添加釘釘群機器人作為聯(lián)系人。

1. 收集研發(fā)團隊的釘釘群機器人的 webhook 地址，創(chuàng)建機器人作為聯(lián)系人。

2. 給每個研發(fā)團隊分別配置通知策略，通知策略篩選告警信息里的 team 字段，并綁定對應的釘釘群機器人聯(lián)系人。

通過這個方式，實現(xiàn)了應用的告警直接發(fā)送到對應的研發(fā)團隊，節(jié)省了信息篩選和二次轉(zhuǎn)派的時間，提高了告警處理效率。

效果如下：

ARMS 告警運維中心支持接入 grafana，zabbix，arms 等多種數(shù)據(jù)源，具有告警分派和認領，告警匯總?cè)ブ?，通過升級通知方式對長時間沒有處理的告警進行多次提醒，或升級通知到領導，保證告警及時解決。

作者簡介：

趙君｜南京愛福路汽車科技有限公司基礎設施部云原生工程師，過去一直從事 java 相關的架構和研發(fā)工作。目前主要負責公司的云原生落地相關工作，負責 F6 基礎設施和業(yè)務核心應用全面上云和云原生化改造。

徐航｜南京愛福路汽車科技有限公司基礎設施部云原生工程師，過去一直負責數(shù)據(jù)庫高可用以及相關運維和調(diào)優(yōu)工作。目前主要負責研發(fā)效能 DevOps 的落地以及業(yè)務系統(tǒng)云原生可觀測性的改造。