—
—
2019年6月爱奇艺会员规模突破1亿，爱奇艺的会员服务业务随之迅速增长，同时也带来了机器集群规模的增加，原有的监控体系也暴露出一些问题。数据监控体系是业务维持稳定服务的基石，会员日志监控体系形成闭环，从网络、应用、异常、页面加载多维度监控，极大提高了系统的成功率、稳定性，对会员视频播放、营销、下单等核心功能增强异常感知。
提高定位的效率，快速发现问题，缩短解决问题时间，避免客诉等。爱奇艺会员服务团队基于线上实时日志，抽取相应监控指标，进行了监控体系的迭代。本文将分享一下会员服务团队在日志实时数据监控的探索与实践。
—
—
传统监控的痛点
以往监控依赖虚机部署的shell、py脚本，单台虚机异常数目达到阈值，即推送报警，这种方式存在如下问题。
为解决如上痛点，我们实时分析线上日志，采集各业务访问日志、异常日志、Nginx日志、前端日志，四种维度数据上报，衡量应用系统质量的标准得以完善；对四种日志不同指标进行数据监控，各应用具备了分钟级应用的报警能力；搭建日志体系，整个系统有了提取关键线索能力，多维度快速定位问题。问题一旦定位就能通过会员的线上运维规范进行容灾操作：降级，切换通道或限流，从而保证整体的核心链路稳定性，避免客诉、用户报障。
目前会员监控分为基础监控及上层监控，基础监控依赖于shell脚本，进行数据上报，监控机器相关指标（CPU、内存、线程数等）；上层监控依赖于各层日志数据，监控各业务的网络状态、成功率、RT时间、业务异常、业务状态码等上层指标，目前已实现分钟粒度报警，5min内快速响应。
技术方案
线上实时日志量是巨大的，当数据量增长到10亿至百亿级别，传统的关系型数据库基本被排除在可选的集数架构之外了，同时基于日志的时间序列特点及公司体系建设情况，经过对功能性、可扩展性、社区活跃度和文档完善度的对比后，我们选择Spark Streaming和Flink作为流计算引擎，选择Druid作为实时分析数据库。Spark Streaming通过微批次将实时数据拆成一个个批处理任务，通过批处理的方式完成各个子Batch，API非常简单灵活。Flink基于原生数据流计算实现，保证Exactly once语义，支持延时数据处理，可以达到毫秒级低延时。Druid是一款开源的为实时数据的亚秒级查询设计的数据存储引擎。主要用于进行OLAP聚合分析。这些工具的API和文档都比较完善，社区活跃度较高，通过服务云实时分析平台（RAP）能够快速搭建，维护成本低。
数据流图
数据采集：虚机中安装Venus-Agent（爱奇艺自研基于Filebeat数据采集）进行实时数据采集，上报至指定kafka集群。
实时处理：会员日志监控90%指标是由实时计算产生的，相关报警数据处理依赖大数据实时分析平台（Realtime analysis platform）进行解析，过滤，处理，聚合之后写入分布式存储当中。
存储：Druid集群在整个会员监控中是集数据存储、展现的数据中心，所有的实时计算结果数据、阈值数据、其他时间序列的数据都要汇总到Druid存储当中。
离线计算：离线计算部分主要处理的是离线的数据表，数据来源为Druid及Mysql集群中，用于每天的日报、周报，用来进行长时间跨度的分析，智能化指标数据训练。
监控相关功能
下图为已有相关功能图：
利用Nginx日志、应用异常日志、应用访问、前端投递日志进行如上不同维度的分析，实现了固定阈值、实时突增等触发方式，热聊、邮件、电话等推送方式。
日志监控
Nginx日志：可获取网络层信息，如:接口、机房、HTTP状态码、域名、IP、RT时间等，我们对这些信息进行实时聚合、监控、报警后二次分析，进行精细化告警，提供排查方向，极大提高排查效率。例如下图中，通过报警截图可知单台机器499状态码占比过高，引起成功率降低，排查方向可确定为这台机器问题，极大提高排查效率。
前端投递日志：后端监控到的响应时间，往往不能完全真实反映用户的网络状况，因此我们在关键业务相关页面，进行接口相关数据投递，从用户侧反映后端接口状态，更具有价值。目前监控维度包括页面加载耗时、后端接口耗时、静态资源耗时等，区分地区、地域、运营商等信息。如通过指标分析出某个运营商、某个地区的用户请求存在较高延时，则可进一步调整对应DNS配置，从用户侧优化网络状态。
业务访问日志：业务返回的状态码，可从业务角度实时监测服务状态，提取ERROR日志，进行实时分析告警；比如会员鉴权业务，Code-Q00508代表平台值不匹配，对应业务可能存在编辑划价错误；实现方式同异常告警相似，同样进行了问题分析定位，给与排查方向。
业务异常日志：对于业务来说，每一次异常都代表了系统间的一个问题，就是隐藏的一次客诉，比如ResourceAccessException超时问题、NEP空指针问题、UnknownHostExcepiton解析问题，都会对线上用户带来影响；
如下报警截图所示，ResourceAccessException异常集中于电信机房，问题出在下游系统中电信机房服务超时，同时提供接口名称，可快速定位问题方，提高排查效率，避免客诉问题。
网络运维数据：以往线上机器数量及流量配比，多依赖于运维经验，容易出现错误；利用Nginx日志，可离线统计每日流量峰值，进一步分析机器数量，提出优化建议，提高机器利用率，避免机器浪费；同时检测Nginx机房流量不均问题，提供予运维人员以数据指导，极大增加了操作的安全性、及时性。
除此之外提供网络拓扑、流量拓扑等功能，也能进一步增加开发人员对网络感知。
遇到的问题
1、数据标准化
处理日志信息首要问题是要统一日志格式，保证采集到数据的准确性，同时会员这边80%的应用部署在虚机上，20%部署在QAE中，监控采集需同时兼容两种部署方式；
· Nginx日志，提供统一化运维平台，封装Nginx安装、扩容、克隆等操作，内置工具统一Nginx日志模块，统一日志格式；
· Exception日志，提供通用化配置方案，支持QAE应用及虚机应用，分别采用不同数据流处理，将kafka流合并后统一消费；
· 业务日志，提供统一日志组件，打印request、response相应信息即可。
2、机器采集性能瓶颈，延迟
采集日志客户端（Venus-Agent）部署在应用机器上，目前通过CGroup限制资源使用（默认使用1核128M内存），采集效率依赖于CPU、内存资源等资源，同时也被提取规则的复杂程度所影响。
· 对于大流量应用来说，应尽可能精简提取规则，同时平衡资源等关系 ;
· 精简无用日志打印，尽可能一条请求打印一条日志，避免重复打印；
· 日志流量过大，考虑采样提取。
历史教训 :
· 20WQPS应用，一条请求打印5条日志，日志量放大至100WQPS，资源集群濒临崩溃；
· 经过总结：经反复实践，对于Nginx机器（8core32G），限制在2core 2G可保证4WQPS 同时采集；
· 对于虚机（6core8G），可维持在1core 512M 进行采集 。
3、减少计算资源，节约成本
计算资源同样需要合理分配，Druid单Task预计能消费15Wqps的消息，增加Task可以提高处理能力。由于Druid自身的partition能力不是特别出色，所以多5倍资源并不能提升5倍的处理能力。所以采取将高QPS的实时数据拆分成多个子Topic的方式，接入Druid多个Datasource，对于百万QPS的Nginx流量来说，有如下两种节约方案，采用第二点方案，拆分多个数据流后，相应计算资源节约了120core。：
· 采样流量数据。优点：改造成本小；缺点：Nginx日志对排查问题极为重要，采样会缺少相应日志；
· Nginx机器流量拆分，高流量应用Nginx集群独立部署，拆分多个数据流。优点：可避免流量冲击对其他Nginx集群造成影响，保证核心业务的稳定性；缺点：改造成本高，依赖于基础运维体系。
4、Spark Streaming/Flink消费延迟
对于监控系统，报警时间尤为重要，如何保证消费时能平稳进行，不出现延迟尤为重要，将调优Kafka Partition数以及Druid Task数，调整到最优的值。
另外，由于Spark Streaming伪实时，将实时任务拆分成一个个批处理逐一阻塞处理。从中发现SparkStreaming任务中的平均处理时间并不高，常常由于单个Task太慢，导致单批次处理太慢。于是针对实时OLAP、并不关注消息的到达顺序的场景，将spark.streaming.concurrentJobs配置成流任务的并行度，以提高流计算任务并行处理能力。
价值与未来规划
爱奇艺会员服务团队供通用化监控平台，接入方式简单，可快速对系统搭建以上监控体系，并可以面向公司的其他业务团队监控服务。建立完整的跟进机制，多级反馈，提高告警感知，提升排查效率80%以上，预先发现90 次会员客诉问题，客诉率极大降低，监控覆盖400 种异常，提供有效告警4800 次。
未来，爱奇艺会员服务团队将从监控阈值智能化、流量问题预测、辅助定位等方面进行进一步优化：
· 监控阈值智能化：将监控向智能化增强，在业务监控的某些环节上代替人工执行和判断的过程。人工维护监控目标和阈值是以经验为参考的；依赖对历史样本数据统计分析、以往问题场景判断，得出依据，系统自动判断哪些目标需要监控、同时智能调整相应阈值策略。
· 流量问题预测：通过对Nginx流量日志的收集，使用智能预测算法模型，收集原有流量数据及收集相应热剧、营销等流量指标，预测服务流量峰值，给开发人员以流量预警机制。
· 辅助定位：监控覆盖更多的链路及模块，将报警关联，智能分析出问题场景，提高分析问题原因准确性，降低报警漏报率、误报率。
