大数据下的技术运营（一）——监控系统概览篇

技术运营团队的由来

在运维更名为技术运营的两年内，我们对这个团队的工作目标产生了新的理解，工作内容也逐渐从传统的维护往DevOps方向转化。技术运营，简单地讲就是利用技术手段，降低资源消耗，提高基础资源的运行效率，提高整个软件生命周期运行的效率。这意味着对团队内的每个工程师都提出了更高的要求：一方面我们要支持目前的系统运行；同时也要 针对目前的业务流程去开发自己的工具，让整个基础资源和能力工具化，把经验和自己对流程的理解变成 Web 化的工具，提供给程序员使用 。

为什么必须自主研发监控系统

目前在TalkingData的Developer除了负责代码的编写，还要负责生产系统自己程序的性能指标提供监控接口，以及生产环境程序bug的处理。Developer能够一定程度的获取生产权限，方便常规的维护和简单故障的处理。这样一来，技术运营的挑战就来了： 权限的管理、性能指标的监控、日志的管理以及资源的隔离，都需要有成熟的工具去支撑。 目前市面上有很多开源的软件可以实现这样的功能，但是在不同程度上存在各种各样的问题。以监控为例，开源的监控很多，Zabbix、Nagios、Cacti，都是不错的监控软件，但是首先它们并不能满足大数据场景下的数据存储；其次，如果监控项和主机数量过多，数据查询时会出现速度慢等一系列问题。所以技术运营首先选择在监控上做了全新的设计和开发，新监控命名为OWL（猫头鹰），意思就是在技术人员睡觉的时候提供值班服务。

自研监控系统的三大技术要点

传统的监控很多还是在停留在设备、网络、系统相关的监控上，重视数据的采集，但是在数据算法和Role上比较传统。对监控系统简化抽象下， 传统监控可以大致分为三个过程：数据采集、数据存储、响应处理。 OWL 监控在传统监控基础上，增加了 Algorithm 模块，支持复杂的算法规则报警 ，如下图所示：

1. 监控数据采集

Data Collection 就是数据采集，这里指的数据不光是基础硬件的指标，也可以是业务指标。下面介绍两个实例。

第一个例子是 主机硬盘状态的采集 ：

下面的数据采集中第一列是硬盘设备标号，第二列是硬盘的状态，在监控的这个层面，一切都是metric，不同的层级可以抽象到不同的metric，结合 metric + timestamp + tagk1 + tagv1… + tagkN + tagvN，这样针对相同的metric去加tag，用来标示数据，方便后期的查询。

{
    "0_1_12": 0, 
    "0_1_13": 0, 
    "0_1_10": 0, 
    "0_1_11": 0, 
    "0_1_4": 0, 
    "0_1_5": 0, 
    "0_1_6": 0, 
    "0_1_7": 0, 
    "0_1_0": 0, 
    "0_1_1": 0, 
    "0_1_2": 0, 
    "0_1_3": 0, 
    "0_1_8": 0, 
    "0_1_9": 0
}

第二个例子是 Nginx 的访问状态的数据采集 ：

第一列是http请求的状态，第二列是计数器

{
    "200": 29312, 
    "404": 0, 
    "499": 60, 
    "412": 0, 
    "400": 114, 
    "502": 0, 
    "408": 179
}

2. 监控数据存储

监控数据的存储也是一个很有意思的话题，监控数据在数据结构上是很有特色的。仔细观察发现监控数据基本上都是和时间维度相关的，以metric ＋ timestamp 的组合形式的数据占了所有监控数据量的大部分，相比而言，多维度的监控数据比较少；如果出现了多维度的监控数据，也可以通过其他的方式绕开处理。 RDBMS由于要考虑数据的关联，所以它在整体数据存储设计上充分考虑了数据的完整性和关系型，同时在 schema设计上还要遵守数据库的几大范式。传统的监控大多数还是使用了RDBMS，但是这造成了性能上和扩展性上的局限性。针对监控数据这样简单的数据结构，却采用了一套复杂的存储格式。随着近些年各种各样的垂直的

技术领域对数据的存储不同要求的演变，如Graph database，Time Series Databases等数据库得到了不断发展；监控数据在存储上有了更多的选择，InfluxDB，OpenTSDB，KairosDB都是不错的选择，最后我们选择了OpenTSDB，这主要是因为TalkingData的大数据基因，Hadoop和HBase在我们的业务系统中大规模使用。从现有的数据体量上，OpenTSDB能够满足现在的业务要求。简单的总结了一下OpenTSDB的优点：

1. 使用HBase存储，不存在单点故障。
2. 使用HBase存储，存储空间几乎无限。支持永久存储，可以做容量规划。
3. 易于定制图形
4. 能扩展采集数据点到100亿级。
5. 能扩展metrics数量到K级别（比如CPU的使用情况，可以算作一个metric，即metric就是1个监控项）
6. 支持秒级别的数据。

此外， OpenTSDB 支持 API 查询 ，可以轻松地和其他系统进行数据对接，也方便其他系统抽取监控相关的数据。 并且， 查询方式灵活 ：查询数据可以使用query接口，它既可以使用get的query string方式，也可以使用post方式以JSON格式指定查询条件。

3. 监控的报警算法

Algorithm这块是传统监控系统所欠缺的，基本上都是单个指标的大于，小于这样的算法，但是 遇到集群或者复杂的指标，就需要自己去增加一些算法，比如多个指标的加和，平均值， top10 ，历史相似度等。 这些算法的引入，可以增加报警的准确度，有效的减少报警数量，让报警变得人性化。 关于报警的算法会在本系列的后续文章进行详细介绍。

自研监控系统一览

简单的介绍一下OWL的整体架构，下面目前的架构是第四个大版本。在研发的过程中，我们也尝试了很多的开源技术，如RRDtools、Graphlite，也踩了很多的技术坑，最后我们整体选择了OpenTSDB，在这个技术栈下面演进了两个版本：

方案特点一：语言栈统一为Go

2015年的版本，由于技术人员的稀缺，我们采用了一部分Python一部分Golang的系统，在开源推广中带来了很多问题，主要是部署难度增加。2016年即将发布的版本中，metric collection模块、Controller模块、Inspector模块全部采用Golang开发，简单摘录一下Golang的优点：

1. 部署简单 。Go 编译生成的是一个静态可执行文件，除了 glibc 外没有其他外部依赖。这让部署变得异常方便：目标机器上只需要一个基础系统和必要的管理、监控工具，完全不需要操心应用所需的各种包、库的依赖关系，大大减轻了维护的负担。这是与Python 的巨大区别。
2. 并发性好 。goroutine 和 channel 使得编写高并发的服务端软件变得相当容易，很多情况下完全不需要考虑锁机制以及由此带来的各种问题。单个 Go 应用也能有效的利用多个 CPU 核，并行执行的性能好。
3. 良好的语言设计 。
4. 执行性能好 。虽然不如 C 和 Java，但通常比原生 Python 应用还是高一个数量级的，适合编写一些瓶颈业务。内存占用也非常节省。

我们也同样意识到这样的问题，所以在OWL V4.0 的版本中，全部统一了语言栈，降低了大家的使用难度，和后期技术栈的维护难度。

方案特点二：定制化自己的图表

上面的架构图中，大家不难发现，整个OWL 的设计核心是Custom Report。将整个系统从以工具为核心，转向 以数据和用户为核心 ，OWL的好处是首先使用者会自己定义感兴趣的数据指标；其次在指标上添加rule，用户可以更专注数据；随后可以做一些简单的数据处理，一些数据加和等这样的简单运算；并且定制不同样式的图表，饼图、柱状图、线图。

在整个监控上形成一个立体的结构，不同层面的工程师可以在同一个层面上工作。

有了好的工具支持，才能让工程师 DevOps 起来 。OWL 新版本中也将会支持Docker的支持，这块目前采用的主要是google 开源的cAdvisor作为数据采集的，通过二次开发将cAdvisor变成plugin集成进入OWL。

方案特点三：报警模块的划分

关于报警方式，目前没有放置在OWL中。在TalkingData，所有的报警采用Message center的方式，Message center有独立的Web，支持基础的信息查询，信息的发送对外采用 restful API暴露给其他的系统，信息的传送方式上，按照消息的优先级程度，采用不同的下行方式，高＝短信＋企业微信＋email；中＝企业微信＋email；低＝email，目前正在考虑加入商业化的呼转服务。 具体详情参见本系列的后续文章：《报警系统的设计与实现》。

总结

OWL 只是TalkingData在DevOps尝试的其中一个平台。如果从长期的角度去考虑，企业构建自己的运维平台，应该 按照云平台的思路去建设，将工程师定义为整个平台的使用者，要简化工程师在基础资源上消耗的时间，降低资源使用的时间成本，这样才会在 DevOps 的路上越走越好。

感谢木环对本文的审校。

给InfoQ中文站投稿或者参与内容翻译工作，请邮件至editors@cn.infoq.com。也欢迎大家通过新浪微博（@InfoQ，@丁晓昀），微信（微信号： InfoQChina ）关注我们。