作者介绍
微盟APM团队负责人——向明亨
TakinTalks稳定性社区专家团成员。2017年加入微盟，目前负责公司APM体系建设，包含APM体系从规范到实施，推动APM体系在公司的落地，主导了微盟APM平台、监控告警平台等平台的建设。
温馨提醒：本文约5000字，预计花费10分钟阅读。
背景
作为SaaS领域唯二在港交所上市的企业之一，微盟累计服务了300万 入驻商家，并基于腾讯社交网络为众多商家提供SaaS和营销服务。微盟业务的复杂性，体现在其技术团队不仅需要满足内部能力建设需求，也需兼顾营销云上大量外部租户的使用需求。
在流量生态方面，微盟集团SaaS产品拓展了多个流量平台，如QQ小程序、QQ浏览器、抖音小店等，随着业务端的渠道复杂化和流量的日益增长，业务方的观测和排障需求也产生了变化。
一、微盟为什么自主设计调用链体系？
1.1 多集群排障，依赖调用链工具
在单应用场景下，大家通常通过监控或者日志来排障，但在集群状态下它就会出现问题。比如一个下单流程，同时涉及了 A/B/C/D/E 服务，此时需先确定故障出现在哪个应用，而依赖传统的日志或者监控，无法做到快速定位故障。
利用调用链工具，则可以串起请求的全过程，在链路中能直观看到是哪个服务出现了问题，帮助快速定位故障，它是多集群状态下排障的最佳解决方案。
1.2 链路开源组件多，但无法满足需求
1.2.1 开源调用链工具
业界常用的链路开源工具有Skywalking 、ZipKin、 Jaeger 等等，我们根据微盟需求做了以下比对和分析。
1.2.2 为何不选用开源链路系统
市面上有如此多开源工具，微盟为何还要做自己的调用链体系？
从整体设计要求考虑——
- 主Java：微盟大部分应用都是Java；
- 多语言：除Java外，还有Go、Node.js、Python等语言；
- 海量数据：要求监控数据尽可能多，因此数据规模较大；
- 业务复杂：既有 SaaS 也有PaaS，业务背景相对比较复杂。
从技术选型角度分析——
- SDK动态配置：调用链的SDK动态配置是一个强诉求，而开源的调用链工具不支持自定义配置。比如，需要设置拦截哪些组件、哪些组件不收集调用链等，开源工具无法实现；
- 自定义视图：业务方需要有自己业务线的监控视图。微盟业务线众多，业务方会有基于团队和业务线的监控诉求，而开源工具无法满足该类诉求；
- 链路检索需求不满足：通常开源的链路不提供根据业务字段进行检索，识别业务错误的能力。需要在不侵入业务方业务流程的前提下，满足业务方的更高阶要求；
- 多租户：微盟云对外提供应用托管能力。除满足对内需求外，也对在微盟云平台部署应用的租户提供调用链服务。
二、微盟调用链体系做了哪些设计？
2.1 新调用链架构设计
我将从三个部分来讲述新的调用链设计——数据收集、数据传输协议、数据应用。
数据收集：采用 JavaAgent 来提供无侵入的支持，同时我们也在设计阶段预留了多语言的支持。
数据传输协议：数据传输协议相对来说没那么好改，它需要具有前瞻性、支撑性和扩展性，在协议设计时需更慎重。
数据应用：支撑丰富的检索、监控、告警的诉求。
基于以上三点考虑，我们设计了微盟调用链体系，其整体架构如图所示。
（微盟调用链体系架构图）
2.2 前台链路服务
前台链路服务的建设，我们需要达到的三个目标：
- 降低接入成本；
- 支持动态化配置；
- 支持多语言。
2.2.1 降低接入成本-JavaAgent
从节省成本的角度，我们选择了无侵入的JavaAgent技术，而非使用SDK构建。
这里简单先介绍JavaAgent的技术实现过程——在启动JVM时注入一个插件，这个插件相当于一个“外挂”，我们在插件里对业务的一系列关键流程注入了观察埋点。
我们基于JavaAgent技术搭建了Agent管理平台，实现Agent的上传、版本发布、灰度、发布系统差异化等的一站式管理，同时由于微盟的主要语言是Java，所以大部分接入成本是非常低的。从业务方使用的角度，只需要在后台通过开关操作，打开调用链并进行项目重启后，即可自动显示应用，并快速观测其链路情况。
为何不选择常规的SDK构建？因为业务方需要引入SDK并进行相关代码注入和配置，随着微盟业务的扩张，后续如果需要支撑更多组件，当系统需要升级或SDK出问题时，推动业务方升级的成本则会非常高。
因此最终我们推荐采用JavaAgent技术来实现，其在减少业务方接入成本、提高整体收益、多方协作满意度等方面表现都相对出色。
2.2.2 动态化配置
1）实现原理-借助apollo配置中心
我们借助了开源的apollo（阿波罗）配置中心来支持动态化配置，其实现过程如图。服务会动态地、实时地下发配置，Agent 接收到配置后进行相应的行为验证。
2）踩坑分享-Agent 类加载问题
在Agent接入时，也会碰到一些问题，其中踩过的最大的坑就是类加载问题。
在Agent中使用到的类和jar包和业务方使用的类产生了冲突，比如Agent 使用了一个低版本、业务方使用了高版本的类，此时既有可能加载高版本，也有可能加载低版本，就产生了版本冲突进而导致业务方系统故障。
我们的解决办法是Agent利用Shade工具进行依赖包重命名，这样类加载时就不再互相干扰。这个踩坑经验希望能对其他实践者产生帮助，避免重走弯路。
2.2.3 多语言支持
微盟老的调用链体系是基于自制的上下文实现的，支持 Trace ID 、 RPC ID 等等，那么如何进一步提供多语言支持，尽可能地减少基础架构的维护成本？
我们选择借助开源的力量，除支持微盟协议外，平台还支持了Skywalking的跨进程传播的协议，借助Skywalking丰富的SDK，既能满足的业务方更小众的语言的监控诉求，也能同时减少维护成本。
2.3 调用链数据结构
调链数据结构上我们想达成的三个目标——支撑性、扩展性、前瞻性。
我们借鉴了OpenTelemetry标准和Skywalking的协议，构建了微盟自己的链路数据结构，如下图所示。
2.4 后台链路服务
后台链路服务我们需要达到以下四个目标：
那么如何才能做到？首先是上面提到的数据结构扩展。然后构建了高性能的监控体系，把数据存储到VictoriaMetrics(时序数据库)，做更多可视化展示。最后是支撑业务异常的检索和关键业务的检索，以满足业务方多样性的检索、监控、可视化诉求。
三、调用链体系在微盟的落地效果如何？
该部分我将结合微盟的实际落地效果，展开讲解上一章末的目标是如何达成的。
3.1 业务关键字能力
基于对微盟业务的思考，我们做了业务关键字的能力，这里不在于技术的实现，而在于这个诉求本身如何满足。
传统的调用链体系通常会支持 Tag 类检索，但是 Tag 检索需要业务方做手动埋点，才能进行后续的检索。除了业务方的人力投入问题，这类检索常常不能完全满足业务方检索需求。而业务关键字能力则能以最小的人力、存储成本，达成更好的效果。
以微盟的典型场景为例，某用户下单出现问题，找到业务部门投诉，传统的调用链此时是无法确定用户链路的。而通过提取入参的关键业务参数，把它分析到业务关键字里去，此时只需要输入该用户的ID，在平台进行检索即可完成此项诉求。平台会默认收集入参中的脱敏关键参数，其他无关信息则不做保留，以此减轻ES存储成本，用约10%的成本来完成100%的观测诉求。
3.2 业务异常能力
收集业务场景的所有Dobbo接口的出参信息并做序列化，业务方则可以通过异常码来识别异常。
假设业务上有下单流程失败了，此时会抛出一个异常码，此时调用链上可以一目了然，并能下钻到详细信息。
业务异常梳理后不仅可以做展示，也可以做监控大盘，看到业务异常的整体概况。
如果业务方有监控告警的诉求，也可以在平台上设置想要监控的异常，并选择业务异常码进行监控。
3.3 指标能力
把指标存储到了时序数据库，它支持Prometheus 标准的查询。在此基础上，业务方可以各自进行大盘构建。
在大盘上可以看到总调用量、总异常量、异常占比、TP线等等。如业务方需要了解某接口的场景，也可输入进行检索。端点耗时、端点异常等排行，基于业务侧应用维度的概况在平台上一目了然。
平台也和灰度做了打通，在调用链体系，也能深入识别到灰度环境下的链路概况。
3.4 端点分析
3.4.1 当前端点分析
端点分析中可以进行趋势分析，查看高耗时链路，查看异常链路，点击异常链路可以进入异常链路页面，查看异常链路详细情况。整个查询体系、监控体系、告警体系、日志体系都互相联动。
（微盟调用链-端点级别的展示查询）
3.4.2 上下游分析
业务方有个比较普遍的诉求，是能看到应用的上下游调用情况，而不仅仅只是当前应用的概况。因此，我们基于调用链的数据采集功能，收集上下游调用的应用服务名称、服务实例以及其他信息，再进一步分析出上下游的链路调用情况，比如调用总量、异常次数、异常率、平均耗时等等。
3.5 APM一体化
3.5.1 观测能力
APM一体化不仅为链路提供了更丰富的能力，还和指标体系、日志体系打通，实现了体系间相互跳转，为业务方提供更好的观测能力，包括实例、CPU、内存以及其他应用自定义的指标观测。
3.5.2 告警能力
一体化平台的告警能力支持按Span类型、层次、所属组件、端点名称等进行数据指定或排除。
3.6 一个降本增效的案例
1）问题描述
微盟此前数据存储了 6000 多亿条，但是线上调用链服务查询可能只有几千次，其中有非常大的资源浪费，在满足业务方查询诉求的基础上，存储成本需要做持续优化。
2）解决过程
- 采集异常链路信息，丢弃正常数据
我们通过链路染色采样来实现，其具体实现过程如下。
链路采样中，系统发现需要保存的链路就会触发染色，染色后的链路都会保存。染色的场景包括耗时染色采样、异常染色采样，比如某些耗时较高的链路则会染色保留。其他正常的链路会执行采样流程，命中采样规则后，Span会丢弃，微盟采样有组件比例采样和白名单模式两种规则。
- DB请求和Cache请求均仅保留10%
在实践中我们发现链路有50%以上是 Redis 请求和DB请求，正常情况下调用链观测的是应用和应用之间的调用，对于业务方不太关注和价值度不高的链路，微盟目前线上保留比例是10%，以节省整体存储成本。
（链路采样&实时诊断页面）
若业务方希望在上线后观测应用情况，可以开启实时诊断，开启实时诊断后的10分钟内，链路信息可以做全保留，在此期间不涉及采样规则的限制。
3）实践效果
- 成本降低40%。线上推广链路采样后，DB和Cache的流量下降非常明显，链路的存储规模降低了40%左右，整体存储成本也降低了40%。
- 基本覆盖Online及QA环境中核心关键业务。
- 研发排障效率大幅提升。通过体系化的一站式APM平台大幅度提升了用户体验，同时减少了用户的排障成本。举个例子，业务方接到订单接口告警后，到链路指标排查订单接口指标，发现需要进一步排查，点击进入链路查询板块，直接定位异常链路，查看链路详情，假如需要进一步排障，点击查看日志，进入日志板块查看具体的链路信息，整个排障流程，清晰明了。而在此之前，同样的场景，排障流程繁琐，用户需要在多个平台检索，用户同样接收到订单接口告警后，需要到链路平台根据时间段检索链路ID，或者从响应体中抓取链路ID，假如没有及时抓到，那只能根据时间段进行检索了，抓到链路后，再到ELK中根据时间检索对应日志。
四、未来规划
在链路体系和指标体系的基础上，接下来我们会健全流量漏斗和告警溯源相关能力。
在大促场景下，通过流量拓扑图，为业务方提供入口到后端应用的流量放大比例，让业务方直观看到流量可能会对哪些应用产生影响。当某个应用出现问题后，业务方能快速进行应用级别的定位。
目前我们正在做相关的调研和探索，也欢迎有经验的朋友做交流。（全文完）
Q&A
1、技术实现上微盟还踩了哪些典型的坑？如何避坑？
2、Agent发布节奏如何把握？是否可以支持在运行时带上?
3、异步消息场景，上下游调用链如何串联?
4、整个调用链平台有开源计划吗？外部租户是否可以接入?
5、几千亿的数据有没有其他的数据价值，怎么利用？
