DevOps專題 |監控，可觀測性與數據存儲

對于DevOps而言，監控是其中重要的一環，上一次的專題內容中，我們與大家分享了 大型企業級監控系統的設計。今天我們將和大家從另一個角度進一步探討互聯網工程技術領域的監控設計(monitoring)：系統的可觀測性(observerbality)。

無論監控，還是可觀測性，都是工程界的術語，并非嚴格定義的概念。人們可以描述它，但很難定義它。所以本文不會糾結于這些名詞之間的區別。

在實踐中，所有這些概念/術語，目標都是增強工程師對于線上系統運行情況的了解。

對工程師而言，監控/可觀測性工程存在的意義，是幫助工程師發現問題，定位問題，解決問題。

對系統自身而言，這些工作都是通過數據的采集/存儲/分析，以及進一步迭代來完成。

一、監控需求的產生

當程序被交付，部署到生產環境，才是其生命周期中最長的部分的開始。人們需要了解生產環境是否一切正常，監控需求自然而然產生。

互聯網發展過程中涌現大量監控相關的工具/系統，Ganlia, Zabbix, RRDTools, Graphite，各自在不同的層面為“是否正常”提供答案。

監控本身，無論是業界對監控的認知，監控工具/系統自身的能力，也在以下兩個方向演進著：

1. 黑盒到白盒
2. 資源到業務

這個階段監控的愿景是很明確的，如何落地則各顯神通。

直到 Etsy 于 2011 年通過博客公開了他們的 監控實踐，利用 StatsD（已開源），以非常簡單統一的方式，實現資源/業務層面的數據采集/存儲/分析。后來的監控系統，尤其是基于 metrics 的監控系統，大多受過 StatsD 的啟發和影響。

二、可觀測性的提出

互聯網工程界，Twitter 應該是最早提出可觀測性 的組織。在這系列文章中，Twitter 集中闡述了他們的可觀測性技術棧，其中包括了 Zipkin，Google Dapper 的開源實現。

如前言所說，本文不糾結于幾個名詞之間的包含關系。

拋開這些名詞的辯論，可觀測性相對于過去監控，最大的變化就是系統需要處理的數據，從 metrics 為主，擴展到了更廣的領域。綜合起來，大約有幾類數據被看作是可觀測性的支柱(pillar)

• metrics
• logging
• tracing
• events

因此，一個現代化的監控系統/可觀測性工程系統，也就必須具備妥善存儲以上幾種數據的能力。

三、存儲

Metrics

Metrics，通常是數值類型的時間序列數據。這類需求的存在如此廣泛，以至于衍生了專門服務于這個目標的數據庫子類，時間序列數據庫，TSDB。

TSDB 經歷了大約如下幾個方面的重要演進

• 數據模型。描述信息從 metric naming 中剝離出來，形成 tag。現代的 tsdb 通常都已采用 tag 化的數據模型。
• 數據類型。從簡單的數值記錄，到為不同場景衍生出 gauge, counter, timer 等等更多的數據類型
• 索引結構。索引結構跟數據模型密切相關，在 tag 為主的現代 tsdb, 倒排索引已經是主流索引結構。
• 數據存儲。從 rrdtool 寫環形隊列到文件的時代，到 OpenTSDB 這樣自行編解碼寫入底層數據庫，再到 Facebook 提出的時序數據壓縮算法，通常會是若干種技術的綜合使用，并且針對不同的數據類型采用不同方案

Metrics 存儲，或者是 TSDB 的研究和演進，我們會有另外的文章專門介紹。

logging

logging 通常會是工程師定位生產環境問題最直接的手段。日志的處理大約在如下幾個方面進行演進

• 集中存儲/檢索。使得工程師免于分別登陸機器查看日志之苦，日志被統一采集，集中存儲于日志服務，并提供統一的檢索服務。這個過程牽扯到例如日志格式統一，解析，結構化等等問題。
• 日志的監控。
• 原文中的關鍵字，例如 error, fatal 大概率意味著值得關注的錯誤產生
• 從日志中提取的 metrics，例如 access log 中攜帶的大量數據，都可以被提取成有用的信息。至于提取的手段，有的通過客戶端在日志本地進行解析，有的在集中存儲過程中進行解析。

tracing

隨著互聯網工程日漸復雜，尤其是微服務的風潮下，分布式 tracing 通常是理解系統，定位系統故障的最重要手段。

在存儲層面，tracing 已經有相對明確的方案，無論是 OpenZipkin，還是 CNCF 的 Jaeger ，都提供幾乎開箱即用的后端軟件，其中當然包括存儲。

Tracing 的存儲設計主要考慮

1、稀疏數據：tracing 數據通常是稀疏的，這通常有幾個原因

• 不同業務的 trace 路徑通常不同，也就是 span 不同，因而稀疏
• 同種業務的 trace ，在不同內外部條件下，路徑也不同。例如訪問數據庫，是否命中緩存，都會產生不同的 span 鏈
• 訪問正常/異常的 trace ，產生不同 span

2、多維度查詢：通常的解決思路

• 二級索引：在以 HBase, Cassandra 為基礎的方案中比較常見
• 引入倒排索引，在二級索引方案無法滿足全部查詢請求時，可能會引入 Elasticsearch 輔助索引，提升查詢靈活性

Events

同樣是一個難以定義，但是很容易描述的術語。我們把，一次部署，一次配置變更，一次dns 切換，諸如此類的變更，稱為事件。

它們通常意味著生產環境的變更。而故障，通常因為不恰當的變更引起。

對 events 的處理主要包括

• 集中存儲 ：事件種類很多，較難歸納共同的查詢緯度，所以倒排索引在這種無法事先確定查詢緯度的場景下，是非常合適的存儲結構
• Dashboard ： 以恰當的方式，把事件查詢 /展示出來。上文提到 Etsy 的博客中，展示了很好的實踐方法，使得工程師能夠通過 dashboard ，非常輕松確認網站登陸失敗，與登錄模塊部署事件之間的關系。

總結

現代的監控，或者可觀測性工程，通常是對不同類型數據的采集/存儲/分析。這些數據各有特點，因而存儲也不存在銀彈。通常是根據各自特點，獨立設計存儲方案，上層提供一個統一、綜合的存儲系統。

京東云監控具有實時展現監控數據變化及迅速報警等優勢，能夠滿足日常業務監控管理和處理異常等場景。