腾讯大梁： DevOps 最后一棒，有效构建海量运营的持续反馈能力

[dataman]

5 月 6 日，数人云与优维科技主办了 [ DevOps&SRE 超越传统运维之道 · 深圳站] ，6 月北京站敬请关注~本文是腾讯 SNG 运维负责人——大梁分享的 DevOps 最后一棒，如何有效构建海量运营的持续反馈能力。同期嘉宾数人云王璞实录：活动实录丨 SRE 在传统企业中的落地实践。

梁定安，腾讯织云负责人，目前就职于腾讯社交网络运营部，开放运维联盟委员，腾讯云布道师，腾讯课堂运维讲师，EXIN DevOps Master 讲师，凤凰项目沙盘教练，复旦大学客座讲师。

DevOps 最后一棒

前言

此图概括了整个 DevOps 体系，它最后的环节，是做运营和终结的环节。对于运营和终结的理解，我认为应该包含两个维度：第一个是这次运维活动质量的运营与终结；第二个是产品的技术运营与生命周期的终结。 今天聊下产品生命周期结束前的技术运营阶段，如何构建质量体系，实现持续反馈和优化的目标。

监控、告警与运维

持续反馈于运维的理解

◆ 监控——覆盖率、状态反馈、指标度量

监控要做到 360 度无死角，业务出现什么问题都能发现，有了监控的反馈，可以看到实时监控的状态，同时，当指标发生变化的时候也需要注意反馈信息。

◆ 告警——时效性、准确性、触及率

业务越来越复杂，层次越来越多，每一个监控点都会产生数据指标、状态异常，会收到越来越多的告警。未看到或者看到未处理都需要承担责任，因为收到的并非都是错误告警。

◆ 运营—— RCA、事件管理、报表 /考核

问题再三出现必须从根源优化。通过事件管理机制保证 RCA 可以落地，最后通过报表和考核去给运维赋予权利，推动相关优化活动的开展，包括架构和代码的优化等。

监控、告警与运维

全面的监控点

腾讯业务按照不同的层级进行管理，自下而上，有服务器层、数据库、逻辑层。中间计算的这一层，有接入层、负载均衡、机房、DNS 服务、客户端、用户端等，为了做到无死角，我们布局了很多监控点。

实现舆情监控后，监控点做到了 100%的覆盖，但并不能高枕无忧，因为当监控点做得越多越立体化，360 度无死角后，每个最细节的点都有指标去度量，指标数据爆炸很可能成为另一个潜在的监控隐患。

监控、告警与运维

运营阶段要解决的问题

〓 繁——简

在具体生产过程中会产生运维的事件或者故障，经常会有死机，以及各层监控告警，这些繁琐的告警、故障，该如何简单化？

〓 泛——精

举个例子，在一台核心的交换机下，假设其下连有 1000 台的机器分布到数据层、逻辑层、接入层等等，当这台交换机故障不可用时，由于有立体化监控的存在，每个监控点都会产生大量的告警信息，要如何发现这些告警是由哪台核心交换机故障引起的？

〓 乱——序

由于指标采集方式和计数据量的不同，直接导致了监控流处理效率是不一样的。告警收到的次序不一样，要如何排序并有效识别优先级？

所以在监控匮乏的时代要积极地搞建设，但是告警泛滥的时候要学会过滤。

监控、告警与运维

监控对象与度量指标

腾讯业务要监控的对象如上图左，按照业务逻辑从下往上，下面是通用的监控层面，网络、服务器、虚拟化还有应用，应用包括了组件的一些监控。

这里举了申请 QQ 号的业务场景案例，假设用户在 PC 端发起申请 QQ 号的业务请求，请求走到 WEB 前端，而后是注册服务，注册 QQ 包含了三个信息：个人信息、个性化设置、增值服务。是不是 QQ 会员，是否要开通会员类似的服务，这是业务逻辑。

基于立体化地监控，假设用组件监控，无论是 QQ 还是 QQ 空间、QQ 音乐，都有一些通用的指标可以衡量。如，打开的内存是多少？长连接数是多少？用户进程、吞吐量、流量、CPU，业务层面返回码分别是什么？省市连接的成功率、请求量的分布是什么？这都与具体的业务逻辑无关。

在做监控时，把指标划分成两大类：

☆ 低层次指标

把公共的、基础设施等在业务逻辑之下的指标称之为低层次指标，如网络、硬件、虚拟化等。

越低层次的指标让监控系统或是告警带来的噪音越大。在规划监控处理或者优化监控策略时，要尽量把低层次的指标自动化处理和收敛掉，尽量以高纬度指标来告警，因为这才是最核心最需要关注，最能反馈业务可用性的告警。如果一个公司用低层次指标来代替高层次的指标作用，那质量是很难管理的。

☆ 高层次指标

高层次指标要能更直接地反馈业务可用性的情况，如成功率、延时、请求率等。

高层次的指标，要能够实时反馈业务真实状况的，在海量规模的业务运维场景下，人没办法看到单机的层面，必须要看到集群的层面。

以模块为统一的运维对象，模块是提供单一业务功能的集群。为什么要管理到集群？简单理解就是把运维对象给抽象，做减法。拿腾讯的 SNG 来说，10 万+服务器，抽象成模块后只有一万多个模块，较之前面对 10 万个运维对象 N 个指标的告警量，现在面对一万个模块告警量要轻松不少，如果再把低层次的告警优化掉，可能只面对 5000 台的告警。

在高层次指标中，还要有效的区分开单服务的高层次指标，和业务功能的高层次指标。要理清两个概念，可靠性和可用性。

可靠性是指单个服务失败的次数，由于单个服务的失败并不一定会影响整个 QQ 号申请业务功能可用性的下降，因为微服务自身有失败重试的逻辑，在腾讯的运维经验中，我们会在可靠性和可用性之间做出一定取舍。

低层次指标虽然比较基础或者可以自动化解决，但往往是一些高层次指标的根源问题，善用低层次指标能够帮助运维快速定位高层次指标故障。

监控、告警与运维

监控的本质

监控无非是监控很多的值和率。把值和率分开是有考虑的，因为值报上来就是一个值，率是经过一定的计算才变成率的，其实都是把扁平化的信息包装成高层次的指标。

监控最终的目标都是要分析状态和发现异常，要从图、表或数据中，分析现在业务的真实情况，分析现在服务是否有异常。

监控、告警与运维

误告警解决办法

立体化监控，会带来监控指标的爆炸，更有可能带来告警数据失控，如果不能妥善处理，就会把告警通知演变成“狼来了”，失去了原来警报的效用。想有效解决告警多、误告警多要面对几点：

◇ 关联分析

把一些真正重要的，需要通过事件、活动、指标提取出来。不要把什么事情都告警出来，从而过多消耗告警的诚信。

◇ 无误告警

怎么样把收敛策略、屏蔽策略用到极致，必要时可以将两者组合，以达到更强化的效果。

◇ 持续运营

做好持续运营就是做好跟进，确保重要事情有人跟、有人度量，防止问题再三出现，要在流程上有保障的机制。

这样就要求有一个质量体系来闭环管理，当监控发现业务架构不合理、代码不合理等问题，能够通过该质量体系，推动业务、开发、运维去将优化措施落地，这也是为了最终的商业价值，这是 DevOps 的观点。

监控、告警与运维

案例：海量数据分析思路

这是手机 Qzone 的一个多维监控案例。当客户端第一次连接服务端，会有一个心跳包，它是一个命令字，我们以成功率来度量其质量，其实就是考量它维持长连接的可靠性。（如果长连接断开移动客户端连服务端的话要跟基站建立长连接，起码 3、4 秒耗掉了，好友消息没有办法接收。）如图，一般的功能，我们要求三个 9 的质量。但是千万别被平均数所蒙骗了，一起展开看看真实的情况。

腾讯的服务是多地多活的，有一些分布在规模相对小的 AC 点，有些分布在比较大的 DC 点。根据全国用户访问服务端点的不同，腾讯内部称之为 SET。讲平均数按 SET 的维度展开，为什么“无 SET ”的成功率只有 2 个 9 ？再展开一下。

按 APN （接入方式 WIFI、4G、3G 等）展开，服务质量越来越差，只有两个绿了，发现 4G 是 100%，WIFI 环境为什么只有两个 9 了？

按运营商展开，质量数据更红（差）了，虽然符合预期，但最终的问题还没有找到。

继续按地区展开，发现全是红的，但还是没有头绪。

当再次按地域展开时，展开到浙江地区，发现出错的全是安卓版本。而 IOS 的版本全是 100%的成功率，共性问题呼之欲出。

这时候回过头来检讨一下排障的思路，可能打开的方式不对。在第三步的时候直接展开，好像真相就已经出来了，其实是安卓的某几个版本可能有这样的隐患，导致这个心跳逻辑有问题。

这里说明一个问题，对待海量多维数据的处理，分析方案很重要，在规划和建设监控体系时，应该考虑好这点。今天给大家带来 3 个小技巧，希望能给大家在做监控数据分析时有帮助。

海量分析三技巧

海量分析三技巧

海量监控数据分析的技巧：溯源、根因和优选。

为了加快告警信息量的处理往往把监控的协议格式化，格式化处理完了之后再进一步格式化，把很多原始数据的蛛丝马迹丢掉了，导致没有办法查到真正的问题。因为之前做的格式化会让监控数据失真，影响排障的效率，所以上报协议的时候尽可能的保留字段。

海量分析三技巧

溯源分析

〓 高维与降维打击

高维与降维打击，把一个指标的结果值或率以不同的纬度展开，要把每一个维度的指标组合状态异常都变成告警，这是很不现实的，因为压根处理不过来。反而多维度的指标异常能通过日常报表汇总分析就能发现异常，然后通过考核去持续的推动，把异常指标给理顺、优化掉，这是就是高维、降维的打击。

〓 级联分析

网络有一个词叫微突发，网络突然拥塞了，导致一大波低层次和高层次的告警产生。比如，一个交换机异常，引发下联服务器爆炸式的告警。当此类情况发生，统一告警平台全部不理，做好全局的收敛，以保证监控告警的有效性不受影响。

〓 逆向思维

不能只看结果数据，要回到原始数据来看。如果要做到逆向思维可生效，流处理集群在真正加工完，存储的结果数据之前要做最基础的分析，把那部分日志备份到大数据平台做离线的计算，然后结果数据再走正常的流，去做告警也好，异常波动也好，因为很多异常的东西必须要看到原始数据。我们曾经深入分析相册上传照片的流水日志，找到了大量异常的用户照片，从而节省了大量的运营成本，这些都是结果数据无法做到的效果。

海量分析三技巧

根因分析

用高层次的告警 收敛 低层次的告警 同一个集群下既产生了低层次告警，又产生了高层次告警，低层次的告警不用发。

用主调的告警 收敛 被调的告警 模块 A 调用模块 B，B 挂了，A 受不受影响？从保障业务可用性的角度，如果 A 没有产生告警，证明该场景只是 B 的可靠性告警，告警通知开发而不是运维。但如果 B 挂了，A 也产生了告警，运维就应该收到 A 的告警，B 还是告警给开发。推进告警分级（分值、分级、分人、分通道）的机制，其实是慢慢把一些运维要做的事情分给开发，运维只看核心的，软件可靠性这些开发来看，可靠性是开发的问题，可用性是运营质量的问题。

用原因告警 收敛 现象告警： 在业务逻辑的调用联调中，用原因告警收敛掉现象告警。

用主动触发的活动 屏蔽 对象的告警： 有些告警是由于变更行为引起的，要收敛掉。如正在做升级引发了告警，运维系统要能关联这些事件与告警。有高层次告警、低层次告警，还有运维的活动事件，都把这些集中在一起，通过权重的算法，有一个排序决策说告警应该是告这条链路，而不是每一个对象都重复告警。

海量分析三技巧

优选指标

核心指标论

优选指标应该是第一次对外分享，腾讯内部的系统代号叫 DLP，是一种通过人工来筛选核心指标的方法，在大数据时代的今天，这种做法稍稍有些不够优雅。如一个模块可能有 300 － 400 个指标，这 300 － 400 个指标中，包含有低层次的指标，高层次的指标，但当这个模块出问题的时候，这 300 － 400 个指标可能都会产生告警，那么应该怎么样收敛呢？倘若我们提前已经对该模块进行过核心指标的人工筛选，这个指标能代表模块最真实的指标。

监控的相关性

监控是相关的，例如 300 个指标告警了，最核心的那个也会告警，最核心的告警了这 300 个指标可以不告警，只看核心的就可以了，为什么要人首选核心指标，因为暂时没有办法人工识别。

告警分级管理

基于核心的指标对告警做分级，非核心的开发自己收，核心的运维收，做到高规格保障。

降低流式监控的计算量

监控点越多，流的数据越大，整个监控流处理集群规模很大，10 万台机器光是流处理的集群都是接近 1500 台，当运营成本压力大时，也可以重点保障 DLP 指标的优先计算资源，保证优先给予容量的支持。

SNG 织云监控系统

用户舆情分析监控

还有一个很核心的指标，就是织云用户舆情监控系统。简单介绍这个系统，用户舆情监控顾名思义就是监控用户的声音和反馈。用户的意见反馈来源可以分几部分，一是 AppStore 的入口，另一个是 App 内嵌的反馈入口，还有的就是腾讯的用户反馈论坛，所有的数据都会被汇集到织云舆情监控平台上，然后通过机器学习实现自动分类。系统会把类似“ QQ 空间打不开”、“ QQ 空间用不好”等这些词汇进行语意分析和归类，然后统一告警成“ QQ 空间异常”，时间间隔是 15 分钟颗粒度，技术细节不重点介绍。

当实现了用户舆情监控后，我们基本有把握说业务监控是 360 度无死角的（假设用户都会反馈问题，且不考虑时间因素）。但这套监控先天就有门槛，因为要基于用户的主动反馈行为，同时需要较多的用户反馈数据量，腾讯的用户量基数很大，用户主动反馈的量也很大。舆情监控可以用于监控技术上的质量问题，也能用于监控产品的体验或交互问题。

SNG 织云监控系统

有策略更要有自动化

告警自动化处理的前提是标准化运维体系，在 SNG 织云监控体系下，所有告警处理会先经过预处理策略，然后再经过统一告警平台的策略和算法，最终才被决策会否发出。

SNG 织云监控系统

精准试用的算法与策略

在定义指标状态异常时，我们的经验是尽量不要用固定阀值，要用也是动态阀值，否则在监控对象的阀值管理上就会有大量人工管理的成本。其他的推荐策略如图。

SNG 织云监控系统

常见业务监控图形与策略

我们在日常运维工作中，面对的监控图形如上图，趋势有小波动、毛刺、无规律的，建议有针对性的套用监控策略，让监控告警更精准。

SNG 织云监控系统

案例：监控自愈

分享一个织云监控实现进程自愈的案例，流程中的模块在部署时，运维自动化流程就会把进程和端口的信息注册到 CMDB 中，然后监控服务会读取该模块需要监控的进程与端口信息，并把监控配置发送每台机器的监控 Agent 上，本地的监控 Agent 通过定时 Ps 检测进程和端口的运行情况，如果发生异常，则自动通过标准化的管理找到命令进行启动，如果启动成功便实现了进程自愈。

如果启动不了发给统一告警平台，统一告警平台来决策是否需要告警。当该告警原因是因为基础设施正在做变更影响时，也不会发出告警。一系列的监控自愈方案都是构建在织云的自动化运维体系中。

SNG 织云监控系统

常见的收敛算法

◇ 毛刺收敛

在织云监控中，告警策略为了防止毛刺的影响，会将告警策略定义为 10 分钟发生 3 次类似的模式。

◇ 同类收敛

一个模块有 300 个监控实例，产生了 300 条告警，只要有一条告诉给运维，对于运维同类收敛掉了。

◇ 时间收敛

生产环境中有很多定时的任务，如定时跑量会引起 I/O 的陡增等异常，这种可以针对性的收敛掉。

◇ 昼夜收敛

有一些告警，在分布式服务的高可用架构下，晚上不需要告警出来，可以等白天才告警，更人性化的管理。

◇ 变更收敛

如果告警时间点有运维的活动，就要收敛掉它。怎么做到的？取决于要把运维的活动都收口在标准化运维的平台，运维平台对生产环节都要将变更日志写入在变更记录中心，然后统一告警系统能够关联变更记录来决策是收敛还是发出告警。

SNG 织云监控系统

织云监控构建的质量体系

织云监控构建的质量体系，分成用户端、客户端、服务端、基础端，定义核心指标 DLP，并且善用分级告警、分渠道告警，结合短信、QQ、微信和电话等渠道实现告警通知，整个质量监控体系都是围绕预警、自愈、分析、排障碍的能力构建。

SNG 织云监控系统

织云监控：质量体系

织云监控的质量体系，希望打造一个闭环，能够实现持续反馈、度量、优化，让团队间能够有效地协同工作，更高效更有效。

监控能力

全局地看、需要什么样的监控能力和监控点，同时要理清指标是怎么分层的，哪些指标是重要的？最终把它转成业务看得懂的高层次指标。

业务可用性

运维要看什么，要看可靠性还是可用性，如果规模不大看可靠性可以，但是在海量的场景下可靠性太细，要抽象核心指标来度量，用于衡量可用性。可靠性则可以通过考核体系去度量与管理，结合 QA 和老板的力量来推动开发团队的投入与优化。

用户体验

做技术运营会有视角的盲点，会经常迷恋可用性的数据是 4 个 9、5 个 9，但这并不完全代表服务质量好，当用户连接不上我们的服务端时，几个 9 的意义都不大。这是一个很现实的问题，因此用户体验监控一定要做，因为内部的可用性再高都不代表用户用得好。

技术解决

要有技术解决方案和自动化工具，还要有协助用户排障的工具，以及根因分析的算法平台等等。

统计分析

最终形成可度量的指标、可考核的、可展示的，最好是 DIY 展示的，监控数据的统计 /报表能力服务化，应发挥更多的角色来使用监控数据，而非仅限于运维角色。

持续改进

最终持续的改进无论是架构的问题、代码的问题，还是因为标准化的问题或非功能落地推进不了的问题，都是需要数字来度量和推动。最好，这个数字要能间接的反馈商业的价值，也就是 DevOps 提倡的思路。

最后，质量体系肯定是反作用于监控能力再去形成这样的闭环，跟开发怎么沟通？跟产品怎么沟通？跟 QA、跟客服怎么沟通？要把他们用起来，要把他们关注的点牵引住，最终落到运维想实现的目标上是最好的，这很 DevOps，也撬动了老板的思维，争取从上而下的支持做好质量体系的建设。

DevOps 最后一棒

结语

我们经常说 DevOps 很难落地，为什么难？因为我们总是想要去影响老板，先改变文化再改变工作方法，但这谈何容易。如果是运维和开发能联合起来，先从小的重点的业务抓起，用数据说话体现 DevOps 能给业务带来的最终的商业价值，说不定会起到事半功倍的效果。