分享概要

我们属于新浪微博的基础研发团队，如图所示，我们需要负责三层架构：运维基础设施、服务端和客户端业务运维。

依据不同业务场景，我们建设了垂类监控、智能报警、链路追踪，同时也基于一些经典算法，实现了智能监控告警。

在技术选型上，主要做了哪些考虑呢？

可观测本质上是以大数据为底座的，所以数据分析非常重要。所以我们引入了数据分析领域比较专精的Grafana、R语言、plotly、Shiny等，来搭建数据可视化场景和框架；

存量业务很难实现标准化。在两三年前，我们就在内部推广了一个全链路监控协议，虽然不如OpenTelemetry，但基本上实现后端资源监控的目标，现在我们新的业务则逐渐以OpenTelemetry作为标准；

三四年前还没有可观测性的概念，当时还叫监控平台，当时还面临着比较大的数据分析问题，用传统的Hadoop框架，抽取各种数据层次，再把数据从Hive提取到MySQL，这样一通操作，只能实现T+1的分析报表功能。

之后流行的ES方案，也有很多问题，如复杂查询性能差、资源占用高等；Spark、Flink等流式计算，也存在上手难度大等问题。

监控应该是一个7*24小时的服务，不是离线服务，所以亟需一个非常高效的工具来解决慢速查询的问题。

对比了业界比较常用的一些方案后，我们最终选择了ClickHouse作为查询引擎。

左图是新浪微博线上的一些数据表，基本上都是百亿、千亿级的规模，由于ClickHouse速度快、性能好、资源占用率低的特点，一些复杂SQL都可以在极短时间内返回我们想的结果。目前为止，ClickHouse每天承载的数据量大概在3,000亿条，每秒的数据量大概在500万左右。

在一次热点事件中，峰值达到近千万QPS，我们仅用了30台服务器，就承载了这么大数据量的数据分析工作。所以，不管是运维，还是传统数据分析，ClickHouse都是一个利器。

基于这些考虑，我们把ClickHouse作为整个数据分析平台的基础设施。

原来的架构中，数据流是非常复杂的，导致整个数据生命周期难以维护，有了ClickHouse作为超高性能的数据底座以后，我们的数据就变得非常简单。

上层对接各种业务层数据，这些数据通过Kafka数据总线，最终通过ETL流程写到ClickHouse数据仓库里，运维和数据分析师则可以直接在ClickHouse上面做查询。而对于需要长期保留的数据，我们开发了一些工具把这些数据打捞到MySQL等持久化存储。

有了数据平台后，要由上往下去建设产品层面的监控，做好产品侧的“最后一公里”。

上图是一个典型的移动端访问的链路路径，大部分场景下，大家使用的是移动互联网产品，90%的用户喜欢用手机进入微博，而移动网络本身存在很多不确定性，如网络问题、3G/4G/5G/Wifi切换的问题、IPv6的问题、DNS问题等。

比如早年接到用户投诉，反映安卓客户端提示APP要升级，点进去之后变成了其它APP，端上请求下载的是新浪apk，但是却变成了别人的apk，发生了DNS劫持问题。但HTTPS全量铺开后，这类问题基本上也不存在了。

再举一个跟DNS相关的例子，之前接到一个用户投诉，客户端访问非常慢，我们打开了他端上的日志，发现用户本人在北京，但访问到的服务到了广州，就导致了客户端访问慢的问题。大家都知道现在大部分本地化调度，基本上都是基于DNS来做的，DNS根据你的Local DNS IP来源, 返回给你一个离你最近的一个IP。由于运营商的Local DNS大部分都不是eDNS，所以无法通过用户真实IP判断。后来看了用户的APM日志和DNS，发现其可能通过某些“优化软件”，把手机系统DNS的IP篡改了。

再如疫情期间推出了疫情地图这样的产品，这些页面基本上都是一个接口去后端取数据，再交给前端JS渲染，逻辑非常简单。有一天早上某同事发现疫情地图白页挂掉了，但查看后端数据一切正常。后来发现，后端返回的数据里，有一个int型的数据，不知道什么原因，成了字符串，导致端上的JS在渲染的异常。

上述种种问题都表明，如果想做好用户产品体验的话，首先要保证的其实就是产品距离用户的最后一公里，也就是产品侧APM监控。

有了产品侧的APM监控后，就能够很明确知道服务在用户层面到底是怎样的体验：访问CDN的质量怎么样？CDN作为IT成本较高的服务，不同厂商的质量到底怎么样？钱是不是花得值？

我们现在都是用混合CDN，有了APM数据后，就可以判断各家厂商的覆盖程度有没有达到承诺，这是产品保障非常重要的指标。

除了基线层面的数据，还有Trace监控产品，如果有用户投诉，我们则能够复现其访问路径，检查网络和访问质量，以此解决问题。

那么有了APM是不是就够了呢？答案是否定的，当用户问题发生并进入公司内部服务后，接下来要做的就要搞清楚为什么访问慢？慢在哪里？是DB慢，还是前端慢？

所以有了产品侧监控后，紧接着就是做后端全链路监控。

上图是内部产品的调用拓扑图，本身已经非常复杂。前面提到我们内部使用的是自定义协议来做打点的拓扑架构绘制，虽然并没有用到OpenTelemetry，但它所串联的ID和APM其实都是一一对应的，本质上和OpenTelemetry没有太大的区别。

有了上面这些点线关系后，我们也能知道它在后端进入内部服务后，具体是怎样的访问路径，可以很清楚看见某个服务从不同机房到后端，以及不用接口、不同pod IP到对端的服务可用性。同时，我们定义了很多SLI，如平均响应时间、P90、P95、P99响应时间、错误率等，结合ClickHouse的函数，可以实现快速的统计需求，最后形成了内部服务的metric和trace可观测。

我们现在也在积极拥抱OpenTelemetry，上右图是一个使用Jaeger展示存在ClickHouse里的一个调用瀑布图。

前面提到，有了端上、链路等日志后，数据量会非常庞大，远不是人肉去配置报警规则就能搞定的。

所有的可观测指标，不可能让工程师盯着大屏发现异常，最终一定都要落地到监控报警，以下是传统监控面临的一些困境：

比如同一个DB，有两个业务或接口，背后的SQL、业务逻辑都是不一样的，这一块的报警就要引入算法去做。

新浪的业务是偏媒体类的，早上9点、晚上23点会存在访问高峰，中间时间段的流量则不是很规律，对于这种场景，也需要算法去实现。

传统的报警，只会告诉你出了什么事，运维人员需要登录机器，一顿shell操作排查原因，我们则希望是收到报警后，能及时告诉我们是什么原因，具体是哪个组件出了问题等。

基于以上思考，我们做了无阈值的异常检测。

如上右图，是同一MySQL的两个不同业务，我们看到基准值相差非常大，一个1ms，一个5ms，靠人工加报警阈值，已然不现实。

因此，我们的监控系统在不同的业务调用链上，有各自不同的阈值，报警系统会根据各自的模型判断报警。

当触发报警条件时，能不能告诉用户一些信息，以此提升信息的有效荷载呢？

举个例子，上图是一个web服务5xx的报警，传统运维可能会配置500、502、504多个报警，无疑会增加工作量。现在我们支持配置一个5xx的报警，让报警告诉你现在是谁占得多？哪个运营商的用户受影响最大？具体是哪个接口？有了这些信息，就可以帮助运维减少大量的排查工作。

目前报警特征这部分的功能，我们用了较经典的算法——关联规则算法，该算法不是简单每个维度group by，一份日志会有个几十上百个字段，特征组合是Cn1的复杂度，它能够有效减少计算的时间复杂度。

在AIOps应用上，我们还做了多级服务日志关联，定位问题产品位置。如图是端上发生的一次链路，我们展示了它在后端整个调用链路，在这个过程中，它对哪些资源依赖、对各个链路上是否有问题，我们都可以很直观看到。

以上就是我们在算法层面的一些应用。

数据科学应用是我们近两年重点发力的方向，这块更偏向于运维垂直领域下的数据分析，和我们传统业务的数据分析不大一样。

近两年，大家都在讲降本增效，在整个运维体系中，也避免不了降本增效的需求。

在增效方面，我们的运维生命周期，以及运维生命周期中的故障排查、处理流程，也完全用数据走成了闭环。

在降本方面，我们进行了K8s资源智能分配。

如图是K8s资源分配的模板，K8s组员分配是按照request和limit来预分配的，但因为实际使用是动态、不确定的，这就可能会造成资源浪费，如果用HPA覆盖的话，又存在滞后性，业务会抖动一下，才能把资源拉高。那么这个问题怎么解决呢？

我们用一些简单的数据分析，就把问题解决了。如上图所示是财经类的业务，周六日不开盘，量非常少，工作日9-11点、14-16点开盘，黄色曲线是K8s request给某个项目两周时间全部CPU，绿色是实际CPU的使用情况，可以看到有明显的大周期和小周期，如果把黄线拉得过高，大部分业务空闲的时候，资源就会白白浪费。

目前，我们是贴着实际使用量去分配资源的，首先通过长期实际使用的数据进行观测，再根据实际使用的CPU情况，判断出下一时刻资源的预期，把下一时刻的资源改成预期数值，最终实现降本的目标。

接下来分享我们在数据可视化方面的一些案例。

大家在做数据分析的时候，往往会使用一些平均值、P99、中位数等，但有时候这类数据会造成极大的信息偏差，如上右图，散点形状一直在变化，均值、方差基本上在小数点后3位才有差异。

这提醒我们，在做数据可观测、数据分析的时候，提取的指标本身可能没有意义，无法反馈处问题的真实情况。

那么我们是如何利用数据可视化解决实际问题的呢？

前面提到的降本增效，除了要减少资源的不合理分配，还有一个目标就是要通过数据分析，找到不合理的服务器利用率。

上右图是内部针对服务器的利用率做的散点图分析，由图可见，有的业务利用率都集中在上部，这种一般是离线计算业务，CPU越高越好；有的业务CPU分布呈现枣核型，分布比较平均，一般常见于在线业务，因为要保障响应时间，所以不能把CPU堆的特别高，有的又全是很低，这种就不太合理。

有时候运维总说服务器不够用，通过实际的利用率分析观察，发现服务器不够用只是个假象。就如K8s问题，预期和实际使用的GAP其实是非常大的，把GAP消除掉之后，就发现有大把的资源闲置。

在提高服务器利用率上，我们往前延伸了一步，把散点图增加了时间序列，变成了时间序列热力图。

如图是某个业务线某天所有服务器CPU使用率的热力图，右上角X轴是CPU利用率，越靠右越高，Y轴是对应的服务器数量。

上右图服务器利用率一部分较高、一部分较低，但是这个图它只能体现出一天的情况，为增加时间维度，我们把这个图做成了下面的时间序列热力图，X轴又变成了日期，颜色的深浅来代表多少服务器的多少，然后 Y轴变成了CPU利用率。

明显看到，随着时间的变化，集中在上半部的颜色越来越深，说明这个部门CPU的利用率高的机器是越来越多的，这样的话，就避免了我们只用某一时刻的数据来简单描述数据，让数据变得更加客观真实。

这个案例属于宏观层面的分析，业界有做eBPF分析的，比如IO的latency分布，也会使用这种时间序列热力图进行展示。

如上图所示，我们在数据分析上，也对CDN服务做了多维度的数据展示。图中是一个多家CDN性能的综合对比，展示了五个维度的动态数据，其中包括日期数据，颜色代表厂家，圆圈大小代表体量，X轴和Y轴分别代表了CDN的响应时间和下载时间。

通过这个图，我们可以非常直观判断厂商产品质量，实现多维度的数据可观测。

除此之外，我们还做了能够给运维直接赋能数据能力的工具——交互式BI分析工具。

数据分析的最后一公里，是让需要用的人，以一个很低的成本用起来，如我们内部的APM日志回捞的工具，CDN的同事就会经常用来分析问题。作为基础服务，需要快速排查用户的投诉问题，比如用户反馈视频的首帧慢了、图片加载异常了，使用这些工具，就能够快速的看到到底是DNS的原因，还是TCP建联的问题，还是后端服务的确是慢了。

前面提到，ClickHouse解决了从数据存储、查询的问题，但实际上让数据用起来，还是有一定难度的。很多运维人员不太会写SQL，因此我们内容做了类似数据打捞的工具，使用者可以简单通过勾选，完成数据提取和数据聚合等查询工作。

最近ChatGPT特别火，我们也在尝试与其建立连接。

前面提到使用勾选工具，解决写SQL难的问题，那么能否通过自然语言描述的形式，让ChatGPT生成我们想要的SQL呢？

通过测试，90%的情况下，ChatGPT都能“听懂”描述，给出正确的SQL，未来相信也能不断帮助我们降低数据获取的难度。

近几年OLAP领域发展火爆，国产产品也非常优秀，比如databend这种定位于存算分离架构的数据仓库。

ClickHouse虽已经一款高性能的数仓产品，但在运维层还有一定的复杂度，未来我们会引入存算分离的数据仓库，进一步地减少在数据存储、运维方面的压力。

前面讨论了很多用工具降低数据分析难度的时间，那么ChatGPT是否也能让数据分析变得简单？能否直接把数据给ChatGPT，让AI直接给我们结论呢？

如图是直接从Nginx7层服务里导出来的一些日志，直接给到ChatGPT后，发现它可以直接做好初步的数据分析结论，判断异常、响应时间分布等情况，结果让我们感到兴奋，AI的思考能力实在强大。

有了全链路、端上监控后，发现端上报的指标都是非常宏观的，不能马上定位到根本问题，这些工作非常依赖于资深SRE，通过抓包、系统工具，排查系统层、内核层的指标才能找到根因所在，整体非常耗时。

再如，客户端、后端、DB层、TCP层等都需要更微观的监控，线上有很多异常，可能是TCP重传、RTT恶化导致的，这些根因数据我们在应用宏观层面是没办法拿到的。

因此，我们未来要做更微观的可观测。目前我们做的是基于eBPF，去拿一些内核层面的微观数据做解释，逐步让可观测“深入骨髓”。

最后和大家分享业界常说的一句名言：“If You Can't Measure lt,  You Can't lmprove lt.”

做数据可观测，本质上是通过各种手段降低数据衡量的难度、数据使用的复杂度，让数据成为武器，让开发提效，让运维“安稳长满优”。

Q1：底层用ClickHouse作为OLAP的数据库，如何支撑实时的并发查询呢？

A1：OLAP产品谈并发本身是个伪命题，这个场景大部分是热数据，真正需要并发需求的，可能就是近几分钟的数据，这类热数据，本身就有较高的并发性能。

其次，ClickHouse本身也会有各种各样的机制去提升并发性能，比如物化视图等，通过构建视图，把原始数据做提取并物理存储，提取后的数据再查询，基本上也能达到千级别QPS。

Q2：AIOps的链路图是通过聚合出来的吗？通过自定义协议怎么采集这些节点？

首先，拓扑图本身没有太大的技术含量，主要就是依赖端上日志的记录，包括我们看到从APP到后端，链路管理本质上有记录全局ID，有了ID就能知道先后，OpenTelemetry也是一样的逻辑，只不过OpenTelemetry增加了Span ID的概念，可以看到调用的上下游关系，本身没有什么特殊的地方。

Q3：AIOps链路的采样率是怎样的？会不会影响性能？

端上的采样率是严格控制的，比如采用率低于1%，数据量也非常大的。如果采样率不合理，对数据的观测肯定会有影响，所以可以通过针对VIP用户全量采集的方式，去规避问题排查缺少数据支撑的情况。

采样规则的开关是可以随时去调的，比如某段时间需要增加采集量，就可以随时把开关调大。其次在采访的时候，错误日志是全量上报的，这样也能保障数据的客观性。后端链路监控也是类似的规则，业务量较小是，基本上是全量采集。

所以目前来看，对性能的影响是微乎其微的。