摘要：背景近年來，隨著阿里新業(yè)務新技術的快速發(fā)展，傳統(tǒng)的業(yè)務總量監(jiān)控大盤已經越來越不能滿足監(jiān)控需求，主要表現(xiàn)在以下幾個方面缺乏全局視角監(jiān)控大盤主要反映的是單個業(yè)務或應用的運行狀態(tài)，缺少全局的業(yè)務視角能反應整個業(yè)務域的上下游整體的運行情況。

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

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

監(jiān)控標準不統(tǒng)一：一直以來“業(yè)務監(jiān)控”都是自定義的，依賴開發(fā)人員的個人經驗，往往系統(tǒng)、業(yè)務監(jiān)控混在一起，沒有標準，業(yè)務之間不能比較；各系統(tǒng)監(jiān)控能力參差不齊，很容易出現(xiàn)業(yè)務鏈路中的監(jiān)控斷層；業(yè)務監(jiān)控缺少一套行之有效的方法論，新人或者新業(yè)務對于業(yè)務要怎么監(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)生以后才去補監(jiān)控。

缺少業(yè)務視角：隨著阿里業(yè)務飛速發(fā)展，特別是“大中臺”的建設，使得傳統(tǒng)的“總量”監(jiān)控已經不能滿足需求，比如一個“交易”中臺業(yè)務就會有數十個“業(yè)務方”調用，單純的總量監(jiān)控會把小調用量的業(yè)務淹沒，必須按每個業(yè)務方的“業(yè)務身份”進行監(jiān)控。對于像“盒馬”、“淘鮮達”這樣的新零售業(yè)務，這樣的問題更加突出，一家門店出現(xiàn)交易異常對于“交易總量”來說是微不足道的，但是對這件門店的客戶體驗來說是災難性的。

監(jiān)控配置成本高：“業(yè)務監(jiān)控”一直都是由“開發(fā)人員”純手工打造，需要經過日志埋點、監(jiān)控配置、報警閾值設置，整個過程費時費力，缺乏自動化、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)務因為無力投入大量精力配置監(jiān)控，導致業(yè)務監(jiān)控能力缺失。

業(yè)務全鏈路監(jiān)控從業(yè)務的視角出發(fā)，監(jiān)控整個業(yè)務流程的健康狀況，無需多個系統(tǒng)切換，直觀看到全局和上下游，方便快速發(fā)現(xiàn)、定位問題。

建立了完整的“業(yè)務監(jiān)控模型”，為業(yè)務建立起一個從“宏觀”到“微觀”的全景式業(yè)務監(jiān)控體系，結束了業(yè)務監(jiān)控沒有標準，只能純手工打造的歷史。業(yè)務監(jiān)控模型主要包括3部分：

● 業(yè)務域：一個完整的業(yè)務或產品稱為“業(yè)務域”，如電商的“交易域”、“營銷域”、“支付域”等。

● 業(yè)務活動：業(yè)務域中的的核心業(yè)務用例叫做“業(yè)務活動”，如交易域的“下單確認”、“創(chuàng)建訂單”等，業(yè)務活動是整個監(jiān)控模型的核心，每個業(yè)務活動都會有標準的【黃金指標】來反應自身的健康狀況，業(yè)務活動之間建立上下游關系就形成了業(yè)務鏈路。

● 系統(tǒng)服務：業(yè)務活動中的依賴的關鍵方法稱作“系統(tǒng)服務”，如“下單確認”包含：查詢會員、查詢商品、查詢優(yōu)惠等關鍵方法，每個系統(tǒng)服務也通過【黃金指標】來表示其健康狀況。

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

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

● 監(jiān)控數據埋點：提供了無侵入的配置化監(jiān)控SDK，只要將“業(yè)務活動”和“系統(tǒng)服務”對應的方法填寫到配置文件中即可，系統(tǒng)會自動收集，計算，上報監(jiān)控數據。

● 監(jiān)控鏈路：系統(tǒng)根據收集的數據自動生成業(yè)務鏈路，每個“業(yè)務活動”和“系統(tǒng)服務”節(jié)點都自動生成流量、耗時、成功率的黃金指標，同時每個‘節(jié)點’都可以通過鉆取查看詳細的監(jiān)控數據，包括：不同機房、單元、分組的數據對比，每個業(yè)務身份的明細調用情況等。

● 異常檢測：業(yè)務鏈路涉及節(jié)點眾多，必須要有完善的異常檢測機制來幫助用戶自動發(fā)現(xiàn)問題，我們提供了“智能基線預警”和“專家規(guī)則預警”相結合的異常檢測機制，無需用戶逐個配置報警規(guī)則，自動發(fā)現(xiàn)異常節(jié)點，實時將這些節(jié)點“標紅”，異常的詳細信息也會同步顯示，方便用戶快速發(fā)現(xiàn)和定位問題。

通過業(yè)務全鏈路監(jiān)控，可以做到對業(yè)務域的監(jiān)控標準化和全覆蓋，避免了自定義監(jiān)控覆蓋不全面、不標準、配置工作量大的問題，使得老板、PD、運營、監(jiān)控值班等用戶都可以快速了解業(yè)務是否有問題。

引入Google的黃金指標概念，改變了業(yè)務監(jiān)控完全依賴自定義的現(xiàn)狀，為業(yè)務監(jiān)控樹立了標準。

● 流量 ：業(yè)務在單位時間內的調用量，如：服務的QPS、每秒訂單筆數等。

● 耗時 ：業(yè)務的具體處理時長，需區(qū)分成功耗時和失敗耗時。

● 錯誤 ：調用出錯數量、成功率、錯誤碼。

● 飽和度 ：應用已使用資源的占比。

由于飽和度更多反應的是應用的層面情況，所以業(yè)務監(jiān)控使用流量、耗時、錯誤這三個指標就能很好的回答“業(yè)務”是否健康的問題，在“業(yè)務全鏈路監(jiān)控”中每個業(yè)務活動和系統(tǒng)服務都會標配這三個監(jiān)控指標。

除了黃金指標以外，還可以根據各自業(yè)務的不同特點，定義各種分維度的輔助指標，比如：按不同的業(yè)務身份，按商家、按門店分，不同的錯誤碼等等，用于進一步細化和定位

傳統(tǒng)的“總量”指標已經不能滿足中臺、盒馬這樣的業(yè)務監(jiān)控需求了，通過可擴展的業(yè)務維度實現(xiàn)對業(yè)務身份、商家、門店的精細化監(jiān)控。像“交易”這樣的中臺業(yè)務會被幾十個業(yè)務方調用，總量沒有異常并不代表具體的業(yè)務方沒有問題，而是需要監(jiān)控每一個業(yè)務方各自的調用情況，只要有一個出現(xiàn)異常就要預警。

橫向業(yè)務維度：業(yè)務全鏈路監(jiān)控提供了“橫向業(yè)務維度”功能，能夠方便的配置“業(yè)務身份”、“商家”、“門店”等特定的業(yè)務維度，可以對一個業(yè)務域中所有的“業(yè)務活動”和“系統(tǒng)服務”按一個維度過濾，比如可以對交易鏈路按“盒馬”這個業(yè)務身份過濾，從而在鏈路上看到的是盒馬的交易調用情況。

監(jiān)控SDK使用AOP切面技術實現(xiàn)了配置化埋點能力，業(yè)務系統(tǒng)引入監(jiān)控SDK后，通過簡單的一個配置文件即可完成監(jiān)控埋點，自動完成數據的攔截、計算、上報，與業(yè)務代碼完全解耦。

自動生成應用核心鏈路、黃金指標、業(yè)務維度大盤，無需用戶配置，用戶還可以通過可視化編輯頁面對鏈路進行調整。

通過機器學習快速預測指標的合理范圍，一旦超出邊界就會自動觸發(fā)報警，無需配置閾值。

智能基線預警已經在業(yè)務自定義監(jiān)控中得到了驗證（已經有超過1200指標接入），準確率和召回率相對于人工配置都有大幅提高，現(xiàn)在我們將該技術引入“業(yè)務全鏈路監(jiān)控”，實現(xiàn)對業(yè)務活動的智能異常檢測，全程無人參與。

實戰(zhàn)1-交易全局鏈路

交易域的全局業(yè)務鏈路，鏈路中列出交易的關鍵“業(yè)務活動”，省略了每個業(yè)務活動的“系統(tǒng)服務”等細節(jié)，主要用于全鏈路壓測，大促投屏等需要關注全局狀態(tài)的業(yè)務場景，已在6.18大促中得到實際應用。

實戰(zhàn)2-交易核心鏈路

交易是整個電商的核心，我們通過“鏈路自動生成”能力生成了核心業(yè)務鏈路，其中綠色節(jié)點為“業(yè)務活動”，黃色節(jié)點為“業(yè)務活動”依賴的“系統(tǒng)服務”。

通過業(yè)務鏈路可以很方便了解交易活動的運行狀況，一旦業(yè)務活動出現(xiàn)問題也可以更加直觀的發(fā)現(xiàn)與下游依賴的關系。

實戰(zhàn)3-POS服務端鏈路

POS是整個新零售場景線下支付場景的交易核心，下線支付場景對交易系統(tǒng)提出更加嚴格的可靠性要求，通過POS業(yè)務鏈路可以很好的監(jiān)控POS交易各環(huán)節(jié)的運行情況，及時發(fā)現(xiàn)交易異常。

同時POS鏈路添加了“商家”、“門店”的業(yè)務維度，可以實時切換“盒馬”，“大潤發(fā)”等不同商家的POS交易情況，實現(xiàn)針對每個商家精細化監(jiān)控。

本文作者：勁節(jié)

閱讀原文

本文來自云棲社區(qū)合作伙伴“阿里技術”，如需轉載請聯(lián)系原作者。