得物App全栈 DevOps 可观测平台落地实践
共 10252字，需浏览 21分钟
·
2023-08-19 00:55
得物 App 是 2015 年上线的，初衷创建一个更加年轻、更加时尚、潮流的社区平台，其中创造性的引入了鉴别的方式解决在交易过程中遇到的问题，最近几年逐步从球鞋品类把他过渡到服装、箱包、化妆品等，到今天为止得物 App 它就不是一个简单的是球鞋交易平台，而是一个全品类综合性的电商平台。随着业务规模和复杂度的增加，监控的规模也随之扩大。
在 4 月 22 日 ArchSummit（上海站）架构师峰会上，得物 App 监控平台架构师李尊和大家分享了得物在可观测性领域的一些工作成果。（7 月 21-22 日深圳站 ArchSummit 会议在筹备中，欢迎点击“阅读原文”关注）文末有彩蛋。
得物的技术栈主要是 Java 和 Go，在 2021 年前主要选择当时业界比较流行的监控开源产品，像日志选择 Loki，指标基于 Prometheus 生态，应用上报到注册中心后可实现自动化采集，存储选择 VictoriaMetrics，Trace 基于 Jaeger，采用组合采样策略，头部采样和每分钟固定采样，最终采样率在 3% 左右，大盘基于 Grafana 构建。
2021 年我们开始制定标准进行监控治理，结合排查经验，引入应用监控，提供异常分析、慢 MySQL 统计和 Redis 热点分析，包括命中率、大 Key。
2022 年针对监控各个领域专项做深度迭代和打磨，比如 Trace，解决采样率低问题， 全量上报后通过尾部采样解决冷热存储问题以及引入 OSS 将存储成本降低 90%。另一方面在数据联动上指标和 Trace 缺乏强关联性，引入 OT 打造端到端的链路追踪。在标准协议下实现指标关联 Trace，Trace 关联日志，在产品侧实现下钻分析。产品层开始摆脱 Grafana 的依赖，图表基于 antv 构建。
整个 2022 年我们在数据质量方面和架构方面做了一个巨大的调整，主要是为了我们在 2023 年建设全息监控做准备，第一基于应用的这套体系快速的覆盖到中间件，包括 k8s，实现指标的标准化，大盘的标准化，告警的标准化。再就是我们要以应用为中心，搭建一个可观性平台，通过以应用为中心构建一个元数据中心，同时基于 Trace 构建整个业务拓扑图，得到整个知识图谱实现一个全息监控。
通过 Trace 打通了所有层的关联，基于这些关联关系将元数据与异常仓库进行关联支撑整个得物 NOC-SLA 的体系建设, 完成“1-5-10”的目标，并且在系统治理和用户体验上面得到一个很大的提升。
要实现一个链路追踪系统，我们首先要解决的就是数据采集的问题，早期得物的链路追踪使用 SDK 方式，升级起来比较麻烦，所以我们新的链路追踪就希望使用 Java Agent 采用字节码增强的方式，对应用透明，然后当时市面上基于 Java Agent 字节码增强实现比较成熟的有 Pinpoint、Skywalking 和 OpenTelemetry。
那 OpenTelemetry 是 CNCF 云原生基金会里面的项目，它规范了各观测数据的类型，以及采集和导出的一个标准方法，其中包括 Trace、Metric、Log，如果基于 OpenTelemetry 的话，我们就可以通过一套标准的方案将 Trace、Metric、Log 进行生成和导出，然后可以将这些不同类型的数据友好的把它关联起来，从而降低我们在开发过程中对不同类型的观察数据的使用成本，且无缝兼容现有的主流可观测性系统，比如 Prometheus、OpenTracing。
同时国内外各大厂商都在适配它，包括谷歌、微软、阿里云、腾讯云等，不依赖任何特定的厂商，然后我们团队也比较看好 OpenTelemetry 以后的一个发展趋势，并且希望跟进 OpenTelemetry 的社区享受社区带来的技术红利和影响力，最终我们选择了基于 OpenTelemetry 来建设得物的 Trace2.0。
采集端：通过集成并定制 OT 提供的多语言 SDK(Agent)，生成统一格式的数据。目前支持 Java\Go\Python\JS 四个语言。
控制平面：中心化的配置中心向采集侧下发各类配置并动态生效；支持应用按实例数灰度接入，并提供出入参动态开关、性能剖析、版本管理等
数据网关：OTel Server 兼容 OT 协议，提供 gRPC 和 HTTP 两种方式, 并将数据写入 Kafka
计算侧：除了将 Span 数据落盘之外，还提供了场景化的数据分析能力包括：SpanMetric 的计算、Redis 热点分析、MySQL 热点分析、单号关联 Trace
存储侧：主要引入对象存储，Trace 的索引数据存放在 ClickHouse 中，明细数据存放 OSS，元数据存放在图数据库中
首先最重要的就是 Trace2.0 保存所有有价值的一个 Trace 的完整的链路，那哪些是有价值的 Trace，后面也会给大家详细的介绍，同时 Trace2.0 支持各类型监控的一个关联，就可以实现指标关联 Trace，Trace 关联日志，然后采集端基于 JavaAgent 构建，接入只需要添加一个 JVM 参数就可以了，后续升级就比较方便，对应用无感知，Trace2.0 还提供了请求的出入参、应用自定义埋点、诊断工具等方面的能力。
第一阶段 Trace 的明细完全基于 ClickHouse 构建，分别是 SpanIndex 表和 SpanData 表，SpanIndex 用于高级检索，SpanData 存储每个 Span 的明细数据，为什么选择 ClickHouse 呢，ClickHouse 每秒钟可以写入数百万甚至数千万行数据。全量采集下写入能力还是非常重要的，此外稀疏索引可以提供更好的查询性能和内存占用。
第二阶段我们对 Trace 数据做了冷热分离，对于履约系统经常需要排查超过 7 天的场景，为此我们做了冷热存储，近 7 天的数据全量保存，超过 7 天的只保留有价值的数据，为什么选择基于 kafka 的延迟消费方式呢，主要是当前市面的的尾部采样都是在端侧决策，这对异常场景不友好，容易导致 Trace 保留不全，无法保障完整的链路。
第二阶段的 Trace 数据还是保留在 ClickHouse 中，虽然采用冷热存储解决了长时间保留的问题，但 ClickHouse 使用 SSD 盘价格也不低，第三阶段我们引入对象存储进一步的把 Trace 存储成本降低。
下面来详细介绍下冷热存储和对象存储：
冷热存储主要基于 Kafka 的延迟消费和 Bloomfilter 编码，数据网关将客户端上报 Trace 数据写入到 Kafka 中，并把满足采样规则（主要是错慢的 Trace）TraceID 通过 BloomFilter 编码写入 DB 中；
热集群实时消费 Kafka 中的数据，并持久化到 ClickHouse 中，保留 7 天；
冷集群延迟消费 Kafka 中的数据，通过 BloomFilter 判断 TraceID 是否命中，命中则写入 ClickHouse 中，保留 30 天；
相关设计细节可以参考《得物云原生全链路追踪Trace2.0架构实践》
如何降低 Trace 的存储成本，第一个想到的开源项目就是 Grafana 的 Tempo，Tempo 使用对象存储 (索引和明细)，并兼容一些主流协议像 Zipkin，Jaeger，OpenTelemetry，综合考虑后决定引入对象存储，将索引放在 ClickHouse 中，明细存放在对象存储中。
从 Kafka 消费 Span 后，并将 Span 先写内存，当内存满足一定条件后会对这批 Span 数据进行 ZSTD 压缩后刷盘到对象存储 OSS 后。为什么不采用一个 Trace 一个文件呢？为了防止 OSS 小文件过多，写 OSS 采用追加写方式，每次写入可获得 OSS 的文件名和偏移量，将地理位置存储 ClickHouse
中。
查询时，先通过 clickhouse 确定一个 TraceId 都在哪些 OSS 文件块中，根据文件块地址通过随机读方式将文件块下载到本地，注意这里是文件块，不是文件，再通过块内偏移量解析每个 Span。这样就可以得到一个完整的 Trace。
这里需要注意文件块的大小，一次批量写会包含不同 Trace 下的 span，如果文件块过大，会导致解压时间过长，查询会超时，测下来文件块设置 4MB 是一个比较合适的值。
Trace2.0 在得物落地一年多时间，现已覆盖公司绝大部分在线业务。
每秒 TPS 在 12M/s 个 Span
Trace 点查 P50 耗时在 300ms, P90 查询耗时在 800ms
每天日增数据量在 700+TB
热存保留 6 天总存储 4PB、冷存保留 30 天存储 1PB，采用 ZSTD 压缩比在 12，
ClickHouse 单机可支持每秒 40w 个 Span 写入
第一个案例的话就是我们前后端链路打通的能力，在前后端没有打通之前，当前端收到一个异常后，我们无法全面地了解系统的性能状况，无法监控请求的传输路径和处理时间，也无法对系统的性能指标进行全面的分析。
为了解决这个痛点的话，我们做了前后端的链路打通。这边是一个效果图，前端的异常就可以看到后端的链路，关联了哪些服务，通过出入参可以很方便的排查问题。同时提供了接口分析和页面分析。另外也支持会话跟踪，当出现问题时通过 SessionID 实现全链路追踪，还原用户的行为轨迹，包括页面加载、接口请求、和用户操作等。
随着公司应用全面容器化，对于 K8s 集群的稳定性要求越来越高，但是针对 K8s 监控没有一个专业和全面的监控产品满足问题发现和故障定位。
早期 K8s 监控大盘基于 Grafana 构建，指标理解和大盘配置门槛较高，且监控面板比较分散，SRE 积累的排障工具无法与监控产品做融合，图表无下钻能力，为此打造一款专业的 K8s 监控产品，统一指标计算口径，对现有指标做好分类分级，单击单个集群视角可查看关联资源池监控，资源池可下钻分析单个 Node 节点的监控，POD 视角可关联查看 Node 相关监控，大盘之间可进行联动分析，以及提供控制平面 API-Server 和 etcd 的监控。
讲完 K8S 监控我们再看看应用监控，首先我们来看下接口分析，接口我们按照组件类型分为接口、下游调用、SQL 调用、NoSQL 调用、以及 MQ 和其他进行分类。
图表右侧展示接口的黄金三指标，底下展示接口关联的 Trace，接口支持的实例维度、上下游分析和耗时分解等排查场景。有了耗时分解我们就可以很清晰的看出接口 RT 变高，是由哪类操作类型导致，DB 还是 Redis，以及关联的 Trace。
接下来介绍应用监控下另外一个非常重要的模块“异常分析”，第一个是基于异常日志按照异常名进行统计分析。
第二个是错误码分析，主要根据响应体里的 Code 码和 CodeMessage，通过对业务码分类，可以快速的帮助我们了解业务需求和业务流程，有助于问题的发现和定位。
第三块是 MySQL 热点分析，按照 SQL 指纹统计调用次数、慢 SQL 次数以及关联的接口名。
第四块是 Redis 热点分析，通过客户端记录 Redis 的入参和出参，统计 Redis 命中率、大 Key、高频写、慢调用。
接下来介绍下应用监控的链路 Trace 部分。用户可以在接口分析页的黄金三指标曲线上点击就能看到对应的 Trace 链路。同时也在接口页面的右下角展示 Trace 检索页，可以快速的看出错、慢 Trace。
此外提供高级检索模式，满足研发自定义查询场景，支持多维查询，比如实例、或者指定上游或者指定下游进行过滤。
此外，在电商场景下，研发多以订单号、作为排障的场景，因此我们和研发团队约定埋点规则 ——在 Span 的 Tag 上记录单号—— 便会在 ClickHouse 中新写一条“单号关联表”。用于记录单号 ID 和 TraceID 的映射关系，研发通过单号查看所有的 Trace。
Trace 详情页的话会将一个 Trace 下的所有 Span 在一张图中显示摘要信息根据 TraceID 解码当前链路的发生时间和来源 IP。
目前我们提供两种展示模式，列表详情以及聚合统计。
在聚合统计模式下，可以查看 trace 的整体性能指标，这次请求经过哪些服务，以及该服务请求了哪些组件，可以直观的看出哪个服务耗时最高以及耗时最大的接口是哪个。
列表模式下支持自定义列，通过自定义可以快速的帮助我们理解 Trace 上下文，比如在染色环境下，测试同学想一眼看出当前链路是否跨环境了，再比如通过线程名可以快速帮助我们理解异步上下文。
单击某个 Span，Span 详情会以抽屉方式展示，上面是 Span 的摘要信息，下面按照属性含义做了分类。部分属性支持跳转到其他平台，比如 CMDB 和容器平台，在 Span 详情页的打通了指标和日志，日志主要根据 TraceID 关联。
指标可显示当前 Span 的黄金三指标、以及当前 Span 所在 JVM 状态包括 GC、线程池和 POD 的 CPU 和内存以及 POD 所在宿主机的资源使用情况，这样可以减少页面来回切换。
在报警分析上，主要使用 Prometheus 作为数据源，通过专家经验梳理告警模板，可以快速的应用到其他服务，同时可以保障新应用上线后低成本接入，目前共提供 50 多个模版。
在告警规则上，支持同比、环比、无数据。在通知组上支持飞书、短信、电话，以及支持分钟级、小时级、天级的告警聚合通知。
往期推荐
-
原来懂Kubernetes，找工作这么吃香！ -
小孩也能学会的 Kubernetes 绘本教程
-
优秀的 Shell 运维脚本鉴赏
-
企业主流全链路监控系统 -
阿里 Nacos 高可用集群部署 -
神器 Nginx 的学习手册 ( 建议收藏 ) -
K8S 常用资源 YAML 详解 -
DevOps与CI/CD常见面试问题汇总
-
我会在Docker容器中抓包了！ -
19 个 K8S集群常见问题总结，建议收藏 -
运维高可用架构的 6 大常规方案
-
运维监控指标全方面总结 -
9 个实用 Shell 脚本，建议收藏！
-
详解 K8S Helm CI/CD发布流程
-
ES+Redis+MySQL，这套高可用架构设计太顶了！ -
一台服务器最大能支持多少条TCP连接？ -
K8S运维必知必会的 Kubectl 命令总结
-
16 张图硬核讲解 Kubernetes 网络
-
史上最全 Jenkins Pipeline流水线详解 -
主流监控系统 Prometheus 学习指南
点亮，服务器三年不宕机