新思路设计可视化大型微服务监控系统

原创张玄极客时间

作者 | 张玄

编辑 | 雨多田光

背景

随着微服务在生产实践中被大量使用，后台系统中的服务系统数量暴增，挑战也随之产生。当系统出现问题时，如何在上百个相关的、依赖错综复杂的服务系统之中快速定位到出错的系统？

达达 - 京东到家的 Overwatch 系统已经在线上运行了一年有余，采用了创新性的可视化监控设计，并成功帮助达达 - 京东到家的系统渡过了“双十一”的挑战，设计思想值得分享。

“双十一”期间，系统承载了京东商城每天几百万单的压力，“双十一”当天单量即突破 600 万单，第二天的单量更是超过了 800 万单。对于大型微服务系统来说，任何一个服务系统出现问题，都可能导致大面积的系统故障。当配送员在配送过程中操作 APP 然后发现操作失败时，究竟是订单系统出现了问题？还是用户系统出现了问题？还是某个第三方服务出现了问题？导致这些问题的是数据库的慢查询？还是系统本身的 GC？又或者仅仅是一次网络波动？

在没有 Overwatch 之前，每当线上系统出现报警，我们的工程师都要登上相应系统的某台机器查看日志。然而这样的工作收效甚微，因为可能出现问题的原因真的有很多：

该系统响应失败是因为调用其他系统失败，报出错误的系统本身并没有问题。
调用其他系统失败是由于网络问题，请求并没有到达目标系统，所以在目标系统的日志中看不到任何异常。
被调用的系统响应超时，导致调用方主动断开连接，在被调用方的日志中只能看到连接意外中止的异常信息。
调用其他系统存在一条很长的调用链，无法快速追踪到源头。

为了达到京东商城对配送时效的高标准，我们必须快速响应、定位并解决系统故障。通过 Overwatch 系统，我们便可以做到这一点。

Overwatch 监控系统

简介

Overwatch 是一个远程调用监控系统，通过对系统调用外部系统的监控，并以可视化图形的方式展现，实现对大型微服务系统可用性的监控。

Overwatch 能够实时监控系统中所有的 RPC（广义上的 RPC），及时发现所有 RPC 调用失败情况。通过一个有向图进行数据展现，让工程师可以在多个系统同时异常时快速定位到异常的根源。

Figure 1 Overwatch 主界面截图

数据采集

为了能够发现 RPC 调用失败的所有情况（包括业务问题、系统问题、网络问题），我们讨论如下两种监控方案：

1、从服务提供方监控

对服务提供方应用容器的访问日志（如 Tomcat 的 access.log）进行监控，将所有应用的这些日志文件通过公司现有的日志收集 - 分析系统进行统一收集分析。这样的方案可以快速实施且无需修改现有代码，开发量也较少。

Figure 2 日志收集 - 分析架构图

然而这样做的问题也很明显：

无法监控到网络问题，因为请求会由于网络原因没有到达服务提供方（Connect Timeout）。
请求响应超时（Read Timeout），这样的请求不会展现在访问日志中（一些版本的 Tomcat 存在该问题，包括我们正在使用的版本）。
无法监控到异常的响应请求，即虽然返回了 HTTP 200 状态码，但是实际上是请求失败（如返回 JSON 字符串{“status”: “failed”}）。

我们不能从服务提供方进行“主观”的监控。服务是给服务消费方使用的，服务提供方所认为的“正确”是不够“客观”的，只有服务消费方认为请求成功，才是“客观”的请求成功。

2、从服务消费方监控

从服务消费方可以实现上述“客观”的监控。

Figure 3 从服务消费方监控

但是我们需要自己实现信息的收集和聚合，同时我们需要一个在服务进程中的 Agent 去收集 RPC 信息。我们采用了 Kafka 进行数据的收集，Storm 进行数据的聚合，最后将数据交给 Overwatch 服务进程进行存储和展现。这样我们可以做到一个延迟在秒级的实时监控系统。

数据展现

至此，我们还需要解决一个问题：如何能够在多个系统同时异常时，快速定位到异常的根源。传统的监控多以柱状图、折线图的形式展现信息。

Figure 4 传统监控图表

这样的信息展现显然不能满足我们的需求，Overwatch 在信息的展现方式上需要作出改变，我们采用了有向图的方式展现监控数据。有向图展现 RPC 监控数据有如下优点：

可以在一张图表中完整展现所有系统的状态。
由于 RPC 是有向的（从消费方向提供方），使用有向图可以完美表达出该信息。
图可以表达系统之间的依赖关系，当多个系统同时异常时，可以通过观察图中的依赖关系来找到异常的根源。

Figure 5 有向图概念示意图

使用有向图也存在一些问题：传统图表可以展现“监控统计值 - 时间”这样的二维关系，而在有向图中展现这些数据并没有那么简单，我们在之后的章节讨论中会讨论展现的方法。

在 Overwatch 中，我们会展现系统最近一分钟、最近 5 分钟平均、最近 15 分钟平均的统计值（类似于 Linux 中的 uptime 所展示的信息）。要展现这些数据，Overwatch 必须取最近 15 分钟的所有监控数据，并进行相应的聚合计算，这是开销特别大的操作，显然不可能对于每次用户的查看监控请求都进行一次这样的操作。对于这部分的实现，我们采用了 CQRS 的模式。

CQRS（Command Query Responsibility Segregation）是指对于数据的修改、更新操作（Command）和读取（Query）操作分别使用不同的 Model。这对于普通的 CRUD 业务需求来说只会增加系统复杂度，但是在 Overwatch 这样复杂查询、简单写入的场景下，是一种非常合适的模式。

由于 Overwatch 的服务端由 Node.js 实现，所以可以完美实现一个事件驱动的、从服务器到浏览器的 CQRS 架构。架构设计如下：

Figure 6 CQRS 模式架构图

显示器的第三个维度

上文提到了有向图的问题，即难以展现一个时间轴。显示器都是二维的，传统的柱状图用一维表示统计值，另一维表示时间，二者形成的坐标点和二维显示器上的点对应。而有向图需要展现一个“方向”，节点需要在一个平面内展现，所以显示器上的两个维度已经被用完了。为了展示时间维度的信息，我们采用了显示器的第三个维度——颜色。

我们使用三个同心圆表示一个节点，每个圆的颜色根据该系统所有 RPC 调用的成功率从蓝（100%）到黄（<99.9%）到红（<99%）。最内侧的圆表示最近一分钟的成功率；中间的圆表示最近 5 分钟的成功率；最外侧的圆表示最近 15 分钟的成功率。通过这三个同心圆，我们就可以直观了解到该系统当前的状态以及最近 15 分钟的变化。

Figure 7 数据节点三色环示意图

除此之外我们使用节点的大小表示节点最近一分钟的访问量，用边的颜色表示两个系统之间的 RPC 调用的成功率。

当多个系统同时异常时，通过系统间的依赖关系，我们可以迅速找到异常的根源，也可以评估异常的影响范围。

在大促期间，一旦 APP 接口开始报警，我们仅需打开 Overwatch 监控页面，查看有向图中的异常信息。

Figure 8 异常定位

根据上图的异常信息（非真实数据），我们可以立刻得知是订单系统在调用用户系统时出现了异常，且异常为 ReadTimeout，那么用户系统就是问题的根源。接下去，我们就可以通过应用日志分析、系统硬件监控等工具对这个系统的异常进行分析以及排查。

优势：直接

与传统的调用链监控系统，即 Google Dapper 的各种实现系统如淘宝的 EagleEye、Twitter 的 Zipkin，或者 APM（Application Performance Management，应用性能管理）工具如 Pinpoint 相比，Overwatch 的设计思想更加“直接”。

使用调用链监控系统来进行问题排查，工程师首先需要定位到一个异常的请求，然后需要在一条调用链中查找异常，这是非常耗时且繁琐的工作。