总结一下提效异常定位,首要任务就是需要量化异常,让异常可被观测到。其次就是友好的界面提示一步步引导大家定位问题。
接下来一起探讨一下如何建设小程序上传图片整体链路的可观测性,去尝试建模分析异常定位这个工程问题。
三、破而后立,MDD 劈开黑盒模型
具体到上传图片的场景中,SRE 体系关注各个环节及整体链路的可用性。MDD 思想就是需要我们提炼合适的 SLI,设定 SLO,达成共识,进而围绕这些 SLO 开展工作。
来一起看一下,上传图片各个环节中我们感兴趣的点。
这里总结一些经验:”两点一线,分两面,一面监控画像,一面异常定位“。
为了尽可能的观测各个环节,我们需要梳理一个脉络,如请求的开始到结束,抓住这两点,连成一线,分两面,一面关注长期趋势,一面关注异常分析。
具体提炼 SLI 可参考 Google VALET(Volume、Available、Latency、Error、Ticket)模型。
从图中我们可以看出,评估链路各个环节是否有风险或者有异常,需要一个参考系,长期的指标趋势和经验阈值都是参考的数据源。故而设置 SLO 有两种模式,第一根据经验设置固定阈值,如 QPS 峰值不得大于 10k;第二是设置相对值,如 code=404 环比增加 20%。
有了这些准备工作,提炼了以下 SLI 和 SLO,大家可以参考一下。
为了异常的可观测性,需要按不同的维度去细分 SLI,这次上传图片异常是由于微信灰度了特定的基础库,改造后需要收集终端相关信息,如设备平台,设备型号,微信版本,微信基础库版本以及小程序版本。
在为上传图片链路建模分析的时候,也一直在考虑能否将这些经验延伸到小程序整体的可观测性中呢?
于是进一步细化了分析维度,按不同的小程序包,统计了不同 code 码、路由、domain 的请求数及时延。这样就能更好地支持下钻,并能迁移到整个小程序异常分析中。接下来一起看一下如何落地改造各个环节以便 SLI 的收集。
四、顺势而为,落地整体链路改造
1、用户侧
- 每次小程序启动的时候发起一个探包请求,会上报一下版本信息(平台/版本/微信版本/微信基础库版本/小程序包名/小程序版本),当然为了安全审计不会收集用户隐私相关的信息。探包请求还额外获得了小程序启动频次的粗略统计数据。
- 通过 hash 算法生成版本信息的指纹 hash_key,后续的用户请求 url 和 http header 中都携带这个 hash_key。
- 通过 hash_key 关联 kong 日志和版本信息,从而能提炼出终端不同维度的 SLI。
- 为了将整个链路串联起来,小程序每次请求生成 trace_id,并通过 header 透传下去。
- 小程序网络不佳的时候,会先将 Error 等日志信息暂存到 LocalStorage 队列中,等有网了再次上报。所有记录日志的地方都会记上 trace_id,方便后续异常定位分析。
2、网络节点
- 新增运营商标识,方便对比分析不同运营商传输的可用性。
- 收集运营商的日志,存储到 Clickhouse 中,方便后续分析,尽可能让网络传输节点可观测。
3、入口网关
- 按业务类型拆分 route_name,如上传,订单提交等等。
- route_name 支持打标签,如业务部门,所属页面等,方便告警监控及识别到的风险通知到具体的业务部门。
- 插件支持生成 trace_id 或透传已生成的 trace_id,打通 KongLog 和后端服务 TraceLog。
4、后端服务
- 增加日志埋点,分析不同图片尺寸大小的上传下载相关的指标。
- 定义好不同的 code 码,方便异常定位分析。
5、可观测平台
- 鉴于之前研发了强大的分析器,只用添加分析,告警规则就能满足这次场景需求。
- 为了节约研发成本,SLI 存储到了 Clickhouse,可视化基于 Grafana 写 SQL 绘制。
- 新增地理位置分析,将请求 ip 转换成经纬度,方便提炼地区维度的 SLI。
整个小程序日志上报的流程如下:
在改造的过程中也遇到了不少问题。
- 控制 Error 信息大小。单条信息过大会导致 Flume 收集异常,重复收集获丢失日志。
- 采样上报,控制频次。一般异常发生可能会产生连锁反应,瞬时产生大量日志,需要避免频繁上报导致用户带宽的消耗。
- 降噪处理。如腾讯周期性安全扫描可能会产生一些干扰异常,如 499 等,会影响用户维度 SLI 的准确性,需要识别这些干扰进行降噪处理。
- 提升分析性能,简化 SQL,很多分析需要连表查询,数据量增大的时候,会存在性能问题。于是添加了大量视图,重建了不同维度的索引表。将数据按分钟维度聚合成 SLI,避免了分析查询原始日志的性能开销。
接下来,一起看一下最终成果。
五、应运而生,建设可观测性平台
在整个改造的过程中,大家也看到了基本上都是一次投入,后续持续受益。整个流程运转起来后,后续就是提炼感兴趣的 SLI,并基于 Grafana 展示即可。
整个可观测性平台是基于 Grafana Clickhouse Prometheus 构建的,符合低代码平台研发,只要会写 SQL 就行。