今天一大早就看到了一篇文章，叫【大數(shù)據(jù)對(duì)于運(yùn)維的意義】,。該文章基本上是從三個(gè)層面闡述的：

1. 工程數(shù)據(jù),，譬如工單數(shù)量，SLA可用性,，基礎(chǔ)資源,，故障率,，報(bào)警統(tǒng)計(jì)

2. 業(yè)務(wù)數(shù)據(jù)，譬如業(yè)務(wù)DashBoard,Trace調(diào)用鏈,，業(yè)務(wù)拓?fù)淝袚Q,，業(yè)務(wù)指標(biāo)，業(yè)務(wù)基準(zhǔn)數(shù)據(jù),，業(yè)務(wù)日志挖掘

3. 數(shù)據(jù)可視化

當(dāng)然,，這篇文章談的是運(yùn)維都有哪些數(shù)據(jù)，哪些指標(biāo),，以及數(shù)據(jù)呈現(xiàn),。并沒有談及如何和大數(shù)據(jù)相關(guān)的架構(gòu)做整合，從而能讓這些數(shù)據(jù)真的變得活起來,。

比較湊巧的是,，原先百度的桑文峰的分享也講到日志的多維度分析，吃完飯的時(shí)候,，一位優(yōu)酷的朋友也和我探討了關(guān)于業(yè)務(wù)監(jiān)控的的問題,。而我之前發(fā)表在肉餅鋪?zhàn)永锏囊黄恼隆敬髷?shù)據(jù)給公司帶來了什么】 也特地提到了大數(shù)據(jù)對(duì)于整個(gè)運(yùn)維的幫助，當(dāng)時(shí)因?yàn)檫@篇內(nèi)容的主旨是羅列大數(shù)據(jù)的用處,，自然沒法細(xì)講運(yùn)維和大數(shù)據(jù)的整合這一塊,。

上面的文字算引子，在步入正式的探討前,，有一點(diǎn)我覺得值得強(qiáng)調(diào)：

雖然這里講的是如何將大數(shù)據(jù)思維/架構(gòu)應(yīng)用于運(yùn)維,，平臺(tái)化運(yùn)維工作，但是和大數(shù)據(jù)本質(zhì)上沒有關(guān)系,，我們只是將大數(shù)據(jù)處理的方式和思想應(yīng)用在運(yùn)維工作上,。所以，即使你現(xiàn)在所在的公司沒有數(shù)據(jù)團(tuán)隊(duì)支撐,，也是完全可以通過現(xiàn)有團(tuán)隊(duì)完成這件事情的,。

運(yùn)維監(jiān)控現(xiàn)狀

很多公司的運(yùn)維的監(jiān)控具有如下特質(zhì)：

1. 只能監(jiān)控基礎(chǔ)運(yùn)維層次，通過zabbit等工具提供服務(wù)器,CPU,內(nèi)存等相關(guān)的監(jiān)控,。這部分重要，但確實(shí)不是運(yùn)維的核心,。

2. 對(duì)業(yè)務(wù)的監(jiān)控是最復(fù)雜的,，而現(xiàn)在很多公司的要么還處于Shell腳本的刀耕火種階段，要么開發(fā)能力較強(qiáng),，但是還是東一榔頭西一棒子,，不同的業(yè)務(wù)需要不同的監(jiān)控系統(tǒng)，人人都可以根據(jù)的自己的想法開發(fā)一個(gè)監(jiān)控的工具也好,，系統(tǒng)也好,，平臺(tái)也好,。總之是比較凌亂的,。

3. 使用第三方的監(jiān)控平臺(tái),。這個(gè)似乎在Rails/NodeJS/Pythone相關(guān)語系開發(fā)的產(chǎn)品中比較常見。我不做過多評(píng)價(jià),，使用后冷暖自知,。

當(dāng)然也有抽象的很好的，比如點(diǎn)評(píng)網(wǎng)的運(yùn)維監(jiān)控?fù)?jù)說就做的相當(dāng)好,，運(yùn)維很閑,，天天沒事就根據(jù)自己的監(jiān)控找開發(fā)的搽，讓開發(fā)持續(xù)改進(jìn),。不過他們的指導(dǎo)思想主要有兩個(gè)：

1. 運(yùn)維自動(dòng)化,。怎么能夠?qū)崿F(xiàn)這個(gè)目標(biāo)就怎么搞，這嚴(yán)重依賴于搞的人的規(guī)劃能力和經(jīng)驗(yàn),。

2. 抽象化,，根據(jù)實(shí)際面臨的問題做出抽象，得到對(duì)應(yīng)的系統(tǒng),，比如需要發(fā)布,，于是又發(fā)布系統(tǒng)，需要管理配置文件,，所以有配管系統(tǒng),，需要日志分析所以有了有日志分析系統(tǒng)。然而這樣是比較零散的,。

有點(diǎn)扯遠(yuǎn),，我們還是focus在監(jiān)控上。

如果以大數(shù)據(jù)的思維去思考,，我們應(yīng)該如何做好監(jiān)控這件事情,？

羅列出你的數(shù)據(jù)源

【大數(shù)據(jù)對(duì)于運(yùn)維的意義】 這篇文章也講了，主要有工程數(shù)據(jù),，業(yè)務(wù)數(shù)據(jù),。所有的數(shù)據(jù)源都有一個(gè)共性，就是日志,。無論文本的也好,，二進(jìn)制的也好。也就是我們的數(shù)據(jù)源就是日志：所有業(yè)務(wù)的,，所有服務(wù)器自身的系統(tǒng)日志,。直觀的感受是，一旦出了問題,，你的第一反應(yīng)是查日志,。所以日志是整個(gè)信息的源頭,。

從日志我們可以挖掘出什么？

我覺得抽象起來就一個(gè)： 指標(biāo),。

指標(biāo)可以再進(jìn)行分類,，

1. 業(yè)務(wù)層面，如團(tuán)購業(yè)務(wù)每秒訪問數(shù),，團(tuán)購券每秒驗(yàn)券數(shù),，每分鐘支付、創(chuàng)建訂單等

2. 應(yīng)用層面,，每個(gè)應(yīng)用的錯(cuò)誤數(shù),，調(diào)用過程，訪問的平均耗時(shí),，最大耗時(shí),，95線等

3. 系統(tǒng)資源層面：如cpu、內(nèi)存,、swap,、磁盤、load,、主進(jìn)程存活等

4. 網(wǎng)絡(luò)層面： 如丟包,、ping存活、流量,、tcp連接數(shù)等

   
   

每個(gè)分類里的每個(gè)小點(diǎn)其實(shí)都是一個(gè)指標(biāo),。

如何統(tǒng)一實(shí)現(xiàn)

千萬不要針對(duì)具體問題進(jìn)行解決，大數(shù)據(jù)架構(gòu)上的一個(gè)思維就是：我能夠提供一個(gè)平臺(tái)讓大家方便解決這些問題么,？ 而不是,，這個(gè)問題我能解決么？

先來看看架構(gòu)圖：

因?yàn)槟壳拔邑?fù)責(zé)應(yīng)用層的研發(fā),，業(yè)務(wù)還比較少,，主要就需要監(jiān)控三個(gè)系統(tǒng)：

1. 推薦

2. 搜索

3. 統(tǒng)一查詢引擎

所以監(jiān)控的架構(gòu)設(shè)計(jì)略簡單些。如果你希望進(jìn)行日志存儲(chǔ)以及事后批量分析,，則可以采用淘寶的這套架構(gòu)方式：

稍微說明下,，日志收集Agent可以使用Flume,鷹眼Storm集群，其實(shí)就是Storm集群,，當(dāng)然有可能是淘寶內(nèi)部Java版的,，Storm(或第一幅圖的SparkStreaming)做兩件事情

1. 將日志過濾，格式化,，或存儲(chǔ)起來

2. 進(jìn)行實(shí)時(shí)計(jì)算，將指標(biāo)數(shù)據(jù)存儲(chǔ)到HBase里去

到目前為止,，我們沒有做任何的開發(fā),，全部使用大數(shù)據(jù)里通用的一些組件,。至于這些組件需要多少服務(wù)器，就看對(duì)應(yīng)的日志量規(guī)模了,，三五臺(tái)到幾百臺(tái)都是可以的,。

需要開發(fā)的地方只有兩個(gè)點(diǎn)，有一個(gè)是一次性的,，有一個(gè)則是長期,。

先說說一次性的，其實(shí)就是大盤展示系統(tǒng),。這個(gè)就是從HBase里取出數(shù)據(jù)做展示,。這個(gè)貌似也有開源的一套，ELK,。不過底層不是用的HBase存儲(chǔ),，而是ES。這里就不詳細(xì)討論,。

長期的則是SparkStreaming(淘寶是使用Storm,，我建議用SparkStreaming,因?yàn)镾parkStreaming可以按時(shí)間窗口，也可以按量統(tǒng)一做計(jì)算),，這里你需要定義日志的處理邏輯,，生成我上面提到的各項(xiàng)指標(biāo)。

這里有一個(gè)什么好處呢,，就是平臺(tái)化了,，對(duì)新的監(jiān)控需求響應(yīng)更快了，開發(fā)到上線可能只要幾個(gè)小時(shí)的功夫,。如果某個(gè)系統(tǒng)某天需要一個(gè)新的監(jiān)控指標(biāo),，我們只要開發(fā)個(gè)SparkStreaming程序，丟到平臺(tái)里去,，這事就算完了,。

第一幅圖的平臺(tái)我是已經(jīng)實(shí)現(xiàn)了的。我目前在SparkStreaming上只做了三個(gè)方面比較基礎(chǔ)的監(jiān)控,，不過應(yīng)該夠用了,。

1. 狀態(tài)碼大盤。HTTP響應(yīng)碼的URL(去掉query參數(shù))排行榜,。比如你打開頁面就可以看到發(fā)生500錯(cuò)誤的top100的URL,，以及該URL所歸屬的系統(tǒng)。

2. 響應(yīng)耗時(shí)大盤,。URL請求耗時(shí)排行榜,。比如你打開頁面就可以看到5分鐘內(nèi)平均響應(yīng)耗時(shí)top100的URL(去掉query參數(shù)).

3. 還有就是Trace系統(tǒng)。類似Google的Dapper,淘寶的EagleEye,。給出一個(gè)唯一的UUID,可以追蹤到特定一個(gè)Request的請求鏈路,。每個(gè)依賴服務(wù)的響應(yīng)情況,，比如響應(yīng)時(shí)間。對(duì)于一個(gè)由幾個(gè)甚至幾百個(gè)服務(wù)組成的大系統(tǒng),，意義非常大,，可以方便的定位出到底是那個(gè)系統(tǒng)的哪個(gè)API的問題。這個(gè)最大的難點(diǎn)是需要統(tǒng)一底層的RPC/HTTP調(diào)用框架,，進(jìn)行埋點(diǎn),。因?yàn)槲沂褂玫氖亲匝械腟erviceFramework框架，通訊埋點(diǎn)就比較簡單,。如果是在一個(gè)業(yè)務(wù)線復(fù)雜,，各個(gè)系統(tǒng)使用不同技術(shù)開發(fā)，想要做這塊就要做好心理準(zhǔn)備了,。

現(xiàn)在,，如果你想要監(jiān)控一個(gè)系統(tǒng)是不是存活，你不在需要取寫腳本去找他的pid看進(jìn)程是不是存在,，系統(tǒng)發(fā)現(xiàn)在一定的周期內(nèi)沒有日志,，就可以認(rèn)為它死了。而系統(tǒng)如果有異常,，比如有大量的慢查詢,，大盤一定能展示出來。

描述到這,，我們可以看到,，這套架構(gòu)的優(yōu)勢在哪：

1. 基本上沒有需要自己開發(fā)的系統(tǒng)。從日志收集,，到日志存儲(chǔ),，到結(jié)果存儲(chǔ)等，統(tǒng)統(tǒng)都是現(xiàn)成的組件,。

2. 可擴(kuò)展性好,。每個(gè)組件都是集群模式的，沒有單點(diǎn)故障,。每個(gè)組件都是可水平擴(kuò)展的,，日志量大了，加機(jī)器就好,。

3. 開發(fā)更集中了,。你只要關(guān)注日志實(shí)際的分析處理，提煉指標(biāo)即可,。

大數(shù)據(jù)思維

對(duì)于運(yùn)維的監(jiān)控,，利用大數(shù)據(jù)思維，需要分三步走：

1. 找到數(shù)據(jù)

2. 分析定義從數(shù)據(jù)里中我能得到什么

3. 從大數(shù)據(jù)平臺(tái)中挑選你要的組件完成搭積木式開發(fā)

所有系統(tǒng)最可靠的就是日志輸出，系統(tǒng)是不是正常,，發(fā)生了什么情況,，我們以前是出了問題去查日志，或者自己寫個(gè)腳本定時(shí)去分析?，F(xiàn)在這些事情都可以整合到一個(gè)已有的平臺(tái)上，我們唯一要做的就是定義處理日志的的邏輯,。

這里有幾點(diǎn)注意的：

1. 如果你擁有復(fù)雜的產(chǎn)品線,，那么日志格式會(huì)是一個(gè)很痛苦的事情。以為這中間Storm(或者SparkStreaming)的處理環(huán)節(jié)你需要做大量的兼容適配,。我個(gè)人的意見是,，第一，沒有其他更好的辦理,，去兼容適配吧,，第二，推動(dòng)大家統(tǒng)一日志格式,。兩件事情一起做,。我一個(gè)月做不完，那我用兩年時(shí)間行么,？總有一天大家都會(huì)有統(tǒng)一的日志格式的,。

2. 如果你的研發(fā)能力有富余,或者有大數(shù)據(jù)團(tuán)隊(duì)支撐，那么可以將進(jìn)入到SparkStreaming中的數(shù)據(jù)存儲(chǔ)起來,，然后通過SparkSQL等做即席查詢,。這樣，有的時(shí)候原先沒有考慮的指標(biāo),，你可以直接基于日志做多維度分析,。分析完了，你覺得好了,，需要固化下來,，那再去更新你的SparkStreaming程序。

后話

我做上面第一幅圖架構(gòu)實(shí)現(xiàn)時(shí),，從搭建到完成SparkStreaming程序開發(fā),，到數(shù)據(jù)最后進(jìn)入HBase存儲(chǔ)，大概只花了一天多的時(shí)間,。當(dāng)然為了完成那個(gè)Trace的指標(biāo)分析,，我修改ServiceFramework框架大約改了兩三天。因?yàn)門race分析確實(shí)比較復(fù)雜,。當(dāng)然還有一個(gè)比較消耗工作量的,，是頁面可視化，我這塊自己還沒有能力做，等招個(gè)Web開發(fā)工程師再說了,。