摘要：背景近年來(lái)，隨著阿里新業(yè)務(wù)新技術(shù)的快速發(fā)展，傳統(tǒng)的業(yè)務(wù)總量監(jiān)控大盤(pán)已經(jīng)越來(lái)越不能滿足監(jiān)控需求，主要表現(xiàn)在以下幾個(gè)方面缺乏全局視角監(jiān)控大盤(pán)主要反映的是單個(gè)業(yè)務(wù)或應(yīng)用的運(yùn)行狀態(tài)，缺少全局的業(yè)務(wù)視角能反應(yīng)整個(gè)業(yè)務(wù)域的上下游整體的運(yùn)行情況。

近年來(lái)，隨著阿里新業(yè)務(wù)、新技術(shù)的快速發(fā)展，傳統(tǒng)的業(yè)務(wù)總量“監(jiān)控大盤(pán)”已經(jīng)越來(lái)越不能滿足監(jiān)控需求，主要表現(xiàn)在以下幾個(gè)方面：

缺乏全局視角：“監(jiān)控大盤(pán)”主要反映的是單個(gè)業(yè)務(wù)或應(yīng)用的運(yùn)行狀態(tài)，缺少全局的業(yè)務(wù)視角能反應(yīng)整個(gè)“業(yè)務(wù)域”的上下游整體的運(yùn)行情況。比如交易系統(tǒng)成功率下跌，想看看是不是優(yōu)惠出問(wèn)題了，但是不知道“優(yōu)惠”的業(yè)務(wù)監(jiān)控在哪里，只能依賴"優(yōu)惠"的同學(xué)去排查，釘釘電話溝通，大家一起拼湊信息，上下游協(xié)調(diào)成本很高。

監(jiān)控標(biāo)準(zhǔn)不統(tǒng)一：一直以來(lái)“業(yè)務(wù)監(jiān)控”都是自定義的，依賴開(kāi)發(fā)人員的個(gè)人經(jīng)驗(yàn)，往往系統(tǒng)、業(yè)務(wù)監(jiān)控混在一起，沒(méi)有標(biāo)準(zhǔn)，業(yè)務(wù)之間不能比較；各系統(tǒng)監(jiān)控能力參差不齊，很容易出現(xiàn)業(yè)務(wù)鏈路中的監(jiān)控?cái)鄬?；業(yè)務(wù)監(jiān)控缺少一套行之有效的方法論，新人或者新業(yè)務(wù)對(duì)于業(yè)務(wù)要怎么監(jiān)控，不知道如何下手、不知道自己配的監(jiān)控是否覆蓋全面，只有等到故障發(fā)生以后才去補(bǔ)監(jiān)控。

缺少業(yè)務(wù)視角：隨著阿里業(yè)務(wù)飛速發(fā)展，特別是“大中臺(tái)”的建設(shè)，使得傳統(tǒng)的“總量”監(jiān)控已經(jīng)不能滿足需求，比如一個(gè)“交易”中臺(tái)業(yè)務(wù)就會(huì)有數(shù)十個(gè)“業(yè)務(wù)方”調(diào)用，單純的總量監(jiān)控會(huì)把小調(diào)用量的業(yè)務(wù)淹沒(méi)，必須按每個(gè)業(yè)務(wù)方的“業(yè)務(wù)身份”進(jìn)行監(jiān)控。對(duì)于像“盒馬”、“淘鮮達(dá)”這樣的新零售業(yè)務(wù)，這樣的問(wèn)題更加突出，一家門(mén)店出現(xiàn)交易異常對(duì)于“交易總量”來(lái)說(shuō)是微不足道的，但是對(duì)這件門(mén)店的客戶體驗(yàn)來(lái)說(shuō)是災(zāi)難性的。

監(jiān)控配置成本高：“業(yè)務(wù)監(jiān)控”一直都是由“開(kāi)發(fā)人員”純手工打造，需要經(jīng)過(guò)日志埋點(diǎn)、監(jiān)控配置、報(bào)警閾值設(shè)置，整個(gè)過(guò)程費(fèi)時(shí)費(fèi)力，缺乏自動(dòng)化、智能化監(jiān)控的手段，這也是造成各系統(tǒng)監(jiān)控能力參差不齊的重要原因，一些新業(yè)務(wù)因?yàn)闊o(wú)力投入大量精力配置監(jiān)控，導(dǎo)致業(yè)務(wù)監(jiān)控能力缺失。

業(yè)務(wù)全鏈路監(jiān)控從業(yè)務(wù)的視角出發(fā)，監(jiān)控整個(gè)業(yè)務(wù)流程的健康狀況，無(wú)需多個(gè)系統(tǒng)切換，直觀看到全局和上下游，方便快速發(fā)現(xiàn)、定位問(wèn)題。

建立了完整的“業(yè)務(wù)監(jiān)控模型”，為業(yè)務(wù)建立起一個(gè)從“宏觀”到“微觀”的全景式業(yè)務(wù)監(jiān)控體系，結(jié)束了業(yè)務(wù)監(jiān)控沒(méi)有標(biāo)準(zhǔn)，只能純手工打造的歷史。業(yè)務(wù)監(jiān)控模型主要包括3部分：

● 業(yè)務(wù)域：一個(gè)完整的業(yè)務(wù)或產(chǎn)品稱為“業(yè)務(wù)域”，如電商的“交易域”、“營(yíng)銷域”、“支付域”等。

● 業(yè)務(wù)活動(dòng)：業(yè)務(wù)域中的的核心業(yè)務(wù)用例叫做“業(yè)務(wù)活動(dòng)”，如交易域的“下單確認(rèn)”、“創(chuàng)建訂單”等，業(yè)務(wù)活動(dòng)是整個(gè)監(jiān)控模型的核心，每個(gè)業(yè)務(wù)活動(dòng)都會(huì)有標(biāo)準(zhǔn)的【黃金指標(biāo)】來(lái)反應(yīng)自身的健康狀況，業(yè)務(wù)活動(dòng)之間建立上下游關(guān)系就形成了業(yè)務(wù)鏈路。

● 系統(tǒng)服務(wù)：業(yè)務(wù)活動(dòng)中的依賴的關(guān)鍵方法稱作“系統(tǒng)服務(wù)”，如“下單確認(rèn)”包含：查詢會(huì)員、查詢商品、查詢優(yōu)惠等關(guān)鍵方法，每個(gè)系統(tǒng)服務(wù)也通過(guò)【黃金指標(biāo)】來(lái)表示其健康狀況。

以“監(jiān)控模型”為基礎(chǔ)，我們總結(jié)出了一套如何做好“業(yè)務(wù)監(jiān)控”的方法論，并將其沉淀到產(chǎn)品中。

● 梳理關(guān)鍵業(yè)務(wù)： 業(yè)務(wù)方需要梳理出自己的核心業(yè)務(wù)是什么（業(yè)務(wù)活動(dòng)），以及這些核心業(yè)務(wù)的關(guān)鍵依賴有哪些（系統(tǒng)服務(wù)）。

● 監(jiān)控?cái)?shù)據(jù)埋點(diǎn)：提供了無(wú)侵入的配置化監(jiān)控SDK，只要將“業(yè)務(wù)活動(dòng)”和“系統(tǒng)服務(wù)”對(duì)應(yīng)的方法填寫(xiě)到配置文件中即可，系統(tǒng)會(huì)自動(dòng)收集，計(jì)算，上報(bào)監(jiān)控?cái)?shù)據(jù)。

● 監(jiān)控鏈路：系統(tǒng)根據(jù)收集的數(shù)據(jù)自動(dòng)生成業(yè)務(wù)鏈路，每個(gè)“業(yè)務(wù)活動(dòng)”和“系統(tǒng)服務(wù)”節(jié)點(diǎn)都自動(dòng)生成流量、耗時(shí)、成功率的黃金指標(biāo)，同時(shí)每個(gè)‘節(jié)點(diǎn)’都可以通過(guò)鉆取查看詳細(xì)的監(jiān)控?cái)?shù)據(jù)，包括：不同機(jī)房、單元、分組的數(shù)據(jù)對(duì)比，每個(gè)業(yè)務(wù)身份的明細(xì)調(diào)用情況等。

● 異常檢測(cè)：業(yè)務(wù)鏈路涉及節(jié)點(diǎn)眾多，必須要有完善的異常檢測(cè)機(jī)制來(lái)幫助用戶自動(dòng)發(fā)現(xiàn)問(wèn)題，我們提供了“智能基線預(yù)警”和“專家規(guī)則預(yù)警”相結(jié)合的異常檢測(cè)機(jī)制，無(wú)需用戶逐個(gè)配置報(bào)警規(guī)則，自動(dòng)發(fā)現(xiàn)異常節(jié)點(diǎn)，實(shí)時(shí)將這些節(jié)點(diǎn)“標(biāo)紅”，異常的詳細(xì)信息也會(huì)同步顯示，方便用戶快速發(fā)現(xiàn)和定位問(wèn)題。

通過(guò)業(yè)務(wù)全鏈路監(jiān)控，可以做到對(duì)業(yè)務(wù)域的監(jiān)控標(biāo)準(zhǔn)化和全覆蓋，避免了自定義監(jiān)控覆蓋不全面、不標(biāo)準(zhǔn)、配置工作量大的問(wèn)題，使得老板、PD、運(yùn)營(yíng)、監(jiān)控值班等用戶都可以快速了解業(yè)務(wù)是否有問(wèn)題。

引入Google的黃金指標(biāo)概念，改變了業(yè)務(wù)監(jiān)控完全依賴自定義的現(xiàn)狀，為業(yè)務(wù)監(jiān)控樹(shù)立了標(biāo)準(zhǔn)。

● 流量 ：業(yè)務(wù)在單位時(shí)間內(nèi)的調(diào)用量，如：服務(wù)的QPS、每秒訂單筆數(shù)等。

● 耗時(shí) ：業(yè)務(wù)的具體處理時(shí)長(zhǎng)，需區(qū)分成功耗時(shí)和失敗耗時(shí)。

● 錯(cuò)誤 ：調(diào)用出錯(cuò)數(shù)量、成功率、錯(cuò)誤碼。

● 飽和度 ：應(yīng)用已使用資源的占比。

由于飽和度更多反應(yīng)的是應(yīng)用的層面情況，所以業(yè)務(wù)監(jiān)控使用流量、耗時(shí)、錯(cuò)誤這三個(gè)指標(biāo)就能很好的回答“業(yè)務(wù)”是否健康的問(wèn)題，在“業(yè)務(wù)全鏈路監(jiān)控”中每個(gè)業(yè)務(wù)活動(dòng)和系統(tǒng)服務(wù)都會(huì)標(biāo)配這三個(gè)監(jiān)控指標(biāo)。

除了黃金指標(biāo)以外，還可以根據(jù)各自業(yè)務(wù)的不同特點(diǎn)，定義各種分維度的輔助指標(biāo)，比如：按不同的業(yè)務(wù)身份，按商家、按門(mén)店分，不同的錯(cuò)誤碼等等，用于進(jìn)一步細(xì)化和定位

傳統(tǒng)的“總量”指標(biāo)已經(jīng)不能滿足中臺(tái)、盒馬這樣的業(yè)務(wù)監(jiān)控需求了，通過(guò)可擴(kuò)展的業(yè)務(wù)維度實(shí)現(xiàn)對(duì)業(yè)務(wù)身份、商家、門(mén)店的精細(xì)化監(jiān)控。像“交易”這樣的中臺(tái)業(yè)務(wù)會(huì)被幾十個(gè)業(yè)務(wù)方調(diào)用，總量沒(méi)有異常并不代表具體的業(yè)務(wù)方?jīng)]有問(wèn)題，而是需要監(jiān)控每一個(gè)業(yè)務(wù)方各自的調(diào)用情況，只要有一個(gè)出現(xiàn)異常就要預(yù)警。

橫向業(yè)務(wù)維度：業(yè)務(wù)全鏈路監(jiān)控提供了“橫向業(yè)務(wù)維度”功能，能夠方便的配置“業(yè)務(wù)身份”、“商家”、“門(mén)店”等特定的業(yè)務(wù)維度，可以對(duì)一個(gè)業(yè)務(wù)域中所有的“業(yè)務(wù)活動(dòng)”和“系統(tǒng)服務(wù)”按一個(gè)維度過(guò)濾，比如可以對(duì)交易鏈路按“盒馬”這個(gè)業(yè)務(wù)身份過(guò)濾，從而在鏈路上看到的是盒馬的交易調(diào)用情況。

監(jiān)控SDK使用AOP切面技術(shù)實(shí)現(xiàn)了配置化埋點(diǎn)能力，業(yè)務(wù)系統(tǒng)引入監(jiān)控SDK后，通過(guò)簡(jiǎn)單的一個(gè)配置文件即可完成監(jiān)控埋點(diǎn)，自動(dòng)完成數(shù)據(jù)的攔截、計(jì)算、上報(bào)，與業(yè)務(wù)代碼完全解耦。

自動(dòng)生成應(yīng)用核心鏈路、黃金指標(biāo)、業(yè)務(wù)維度大盤(pán)，無(wú)需用戶配置，用戶還可以通過(guò)可視化編輯頁(yè)面對(duì)鏈路進(jìn)行調(diào)整。

通過(guò)機(jī)器學(xué)習(xí)快速預(yù)測(cè)指標(biāo)的合理范圍，一旦超出邊界就會(huì)自動(dòng)觸發(fā)報(bào)警，無(wú)需配置閾值。

智能基線預(yù)警已經(jīng)在業(yè)務(wù)自定義監(jiān)控中得到了驗(yàn)證（已經(jīng)有超過(guò)1200指標(biāo)接入），準(zhǔn)確率和召回率相對(duì)于人工配置都有大幅提高，現(xiàn)在我們將該技術(shù)引入“業(yè)務(wù)全鏈路監(jiān)控”，實(shí)現(xiàn)對(duì)業(yè)務(wù)活動(dòng)的智能異常檢測(cè)，全程無(wú)人參與。

實(shí)戰(zhàn)1-交易全局鏈路

交易域的全局業(yè)務(wù)鏈路，鏈路中列出交易的關(guān)鍵“業(yè)務(wù)活動(dòng)”，省略了每個(gè)業(yè)務(wù)活動(dòng)的“系統(tǒng)服務(wù)”等細(xì)節(jié)，主要用于全鏈路壓測(cè)，大促投屏等需要關(guān)注全局狀態(tài)的業(yè)務(wù)場(chǎng)景，已在6.18大促中得到實(shí)際應(yīng)用。

實(shí)戰(zhàn)2-交易核心鏈路

交易是整個(gè)電商的核心，我們通過(guò)“鏈路自動(dòng)生成”能力生成了核心業(yè)務(wù)鏈路，其中綠色節(jié)點(diǎn)為“業(yè)務(wù)活動(dòng)”，黃色節(jié)點(diǎn)為“業(yè)務(wù)活動(dòng)”依賴的“系統(tǒng)服務(wù)”。

通過(guò)業(yè)務(wù)鏈路可以很方便了解交易活動(dòng)的運(yùn)行狀況，一旦業(yè)務(wù)活動(dòng)出現(xiàn)問(wèn)題也可以更加直觀的發(fā)現(xiàn)與下游依賴的關(guān)系。

實(shí)戰(zhàn)3-POS服務(wù)端鏈路

POS是整個(gè)新零售場(chǎng)景線下支付場(chǎng)景的交易核心，下線支付場(chǎng)景對(duì)交易系統(tǒng)提出更加嚴(yán)格的可靠性要求，通過(guò)POS業(yè)務(wù)鏈路可以很好的監(jiān)控POS交易各環(huán)節(jié)的運(yùn)行情況，及時(shí)發(fā)現(xiàn)交易異常。

同時(shí)POS鏈路添加了“商家”、“門(mén)店”的業(yè)務(wù)維度，可以實(shí)時(shí)切換“盒馬”，“大潤(rùn)發(fā)”等不同商家的POS交易情況，實(shí)現(xiàn)針對(duì)每個(gè)商家精細(xì)化監(jiān)控。

本文作者：勁節(jié)

閱讀原文

本文來(lái)自云棲社區(qū)合作伙伴“阿里技術(shù)”，如需轉(zhuǎn)載請(qǐng)聯(lián)系原作者。