本篇文章3186字，讀完約8分鐘

阿里云國際站經(jīng)銷商，主營阿里云，騰訊云，華為云，亞馬遜aws，谷歌云gcp,微軟云az，免費(fèi)開戶，代充值優(yōu)惠大，聯(lián)系客服飛機(jī)@jkkddd


通過TraceExplorer實(shí)時(shí)分析鏈路數(shù)據(jù)

本文將介紹如何通過鏈路分析快速定位五種經(jīng)典線上問題，更直觀的了解鏈路分析的用法與價(jià)值。
背景信息
除了使用調(diào)用鏈排查單次請(qǐng)求的異常，或者使用預(yù)聚合的鏈路統(tǒng)計(jì)指標(biāo)進(jìn)行服務(wù)監(jiān)控與告警之外，鏈路追蹤還支持基于明細(xì)鏈路數(shù)據(jù)的后聚合分析，簡稱鏈路分析（Trace Explorer）。相比調(diào)用鏈，鏈路分析能夠更快的定界問題；相比預(yù)聚合的監(jiān)控圖表，鏈路分析可以更靈活的實(shí)現(xiàn)自定義診斷。
鏈路分析是基于已存儲(chǔ)的全量鏈路明細(xì)數(shù)據(jù)，自由組合篩選條件與聚合維度進(jìn)行實(shí)時(shí)分析，可以滿足不同場景的自定義診斷需求。例如，查看耗時(shí)大于3秒的慢調(diào)用時(shí)序分布，查看錯(cuò)誤請(qǐng)求在不同機(jī)器上的分布，或者查看VIP客戶的流量變化等。
問題一：流量不均
負(fù)載均衡配置錯(cuò)誤，導(dǎo)致大量請(qǐng)求打到少量機(jī)器，造成“熱點(diǎn)”影響服務(wù)可用性，怎么辦？
流量不均導(dǎo)致的“熱點(diǎn)擊穿”問題，很容易造成服務(wù)不可用。在生產(chǎn)環(huán)境中出現(xiàn)過多起這樣的案例，比如因負(fù)載均衡配置錯(cuò)誤，注冊(cè)中心異常導(dǎo)致重啟節(jié)點(diǎn)的服務(wù)無法上線，DHT哈希因子異常等。
流量不均的最大風(fēng)險(xiǎn)在于能否及時(shí)發(fā)現(xiàn)“熱點(diǎn)”現(xiàn)象。它的問題表象更多是服務(wù)響應(yīng)變慢或報(bào)錯(cuò)，傳統(tǒng)的監(jiān)控?zé)o法直觀的反映熱點(diǎn)現(xiàn)象，所以大部分運(yùn)維人員都不會(huì)第一時(shí)間考慮這個(gè)因素，從而浪費(fèi)了寶貴的應(yīng)急處理時(shí)間，造成故障影響面不斷擴(kuò)散。
通過鏈路分析按IP分組統(tǒng)計(jì)鏈路數(shù)據(jù)，可以直觀地看到調(diào)用請(qǐng)求分布在哪些機(jī)器上，特別是問題發(fā)生前后的流量分布變化。如果大量請(qǐng)求突然集中在一臺(tái)或少量機(jī)器，很可能是流量不均導(dǎo)致的熱點(diǎn)問題，然后再結(jié)合問題發(fā)生點(diǎn)的變更事件，快速定位造成故障的錯(cuò)誤變更，及時(shí)回滾。
在Trace Explorer頁面設(shè)置按IP聚合，如下圖所示，可以發(fā)現(xiàn)大部分流量集中在XX.XX.XX.108這臺(tái)機(jī)器上。
問題二：單機(jī)故障
網(wǎng)卡損壞、CPU超賣、磁盤打滿等單機(jī)故障，導(dǎo)致部分請(qǐng)求失敗或超時(shí)，如何排查？
單機(jī)故障每時(shí)每刻都在頻繁發(fā)生，特別是核心集群由于節(jié)點(diǎn)數(shù)量比較多，從統(tǒng)計(jì)概率來看幾乎是一種“必然”事件。單機(jī)故障不會(huì)造成服務(wù)大面積不可用，但是會(huì)造成少量的用戶請(qǐng)求失敗或超時(shí)，持續(xù)影響用戶體驗(yàn)和答疑成本，需要及時(shí)處理。
單機(jī)故障可以分為宿主機(jī)故障和容器故障兩類（在Kubernetes環(huán)境可以分為Node和Pod）。例如CPU超賣、硬件故障等都是宿主機(jī)級(jí)別，會(huì)影響所有容器；而磁盤打滿、內(nèi)存溢出等故障僅影響單個(gè)容器。因此，在排查單機(jī)故障時(shí)，可以根據(jù)宿主機(jī)IP和容器IP兩個(gè)維度分別進(jìn)行分析。
面對(duì)這類問題，可以通過鏈路分析先篩選出異常或超時(shí)請(qǐng)求，然后再根據(jù)宿主機(jī)IP或容器IP進(jìn)行聚合分析，可以快速判斷是否存在單機(jī)故障。如果異常請(qǐng)求集中在單臺(tái)機(jī)器，可以嘗試替換機(jī)器進(jìn)行快速恢復(fù)，或者排查該機(jī)器的各項(xiàng)系統(tǒng)參數(shù)：例如磁盤空間是否已滿、CPU Steal Time是否過高等。如果異常請(qǐng)求分散在多臺(tái)機(jī)器，那么大概率可以排除單機(jī)故障因素，可以重點(diǎn)分析下游依賴服務(wù)或程序邏輯是否異常。
在Trace Explorer頁面篩選錯(cuò)誤調(diào)用或慢調(diào)用，并設(shè)置按IP進(jìn)行分組統(tǒng)計(jì)，如果異常調(diào)用集中出現(xiàn)在特定機(jī)器，則有較大概率是機(jī)器故障。
問題三：慢接口治理
新應(yīng)用上線或大促前性能優(yōu)化，如何快速梳理慢接口列表，解決性能瓶頸？
新應(yīng)用上線或大促備戰(zhàn)時(shí)通常需要做一次系統(tǒng)性的性能調(diào)優(yōu)。第一步就是分析當(dāng)前系統(tǒng)存在哪些性能瓶頸，梳理出慢接口的列表和出現(xiàn)頻率。
此時(shí)，可以通過鏈路分析篩選出耗時(shí)大于一定閾值的調(diào)用，再根據(jù)接口名稱進(jìn)行分組統(tǒng)計(jì)，這樣就可以快速定位慢接口的列表與規(guī)律，然后對(duì)出現(xiàn)頻率最高的慢接口逐一進(jìn)行治理。
找到慢接口后，可以結(jié)合相關(guān)的調(diào)用鏈、方法棧和線程池等數(shù)據(jù)定位慢調(diào)用根因。常見原因包括以下幾類：
數(shù)據(jù)庫或微服務(wù)連接池過小，大量請(qǐng)求處于獲取連接狀態(tài)?？梢哉{(diào)大連接池最大線程數(shù)解決。
N+1問題。例如一次外部請(qǐng)求內(nèi)部調(diào)用了上百次的數(shù)據(jù)庫調(diào)用，可以將碎片化的請(qǐng)求進(jìn)行合并，降低網(wǎng)絡(luò)傳輸耗時(shí)。
單次請(qǐng)求數(shù)據(jù)過大，導(dǎo)致網(wǎng)絡(luò)傳輸和反序列化時(shí)間過長，而且容易導(dǎo)致Full GC?？梢詫⑷坎樵兏臑榉猪摬樵?，避免一次請(qǐng)求過多數(shù)據(jù)。
日志框架“熱鎖”?？梢詫⑷罩就捷敵龈臑楫惒捷敵觥?/span>
在Trace Explorer頁面篩選大于5秒的慢調(diào)用，并設(shè)置按接口名進(jìn)行分組統(tǒng)計(jì)，發(fā)現(xiàn)慢接口的規(guī)律。
問題四：業(yè)務(wù)流量統(tǒng)計(jì)
如何分析重?？蛻艋蚯赖牧髁孔兓头?wù)質(zhì)量？
在實(shí)際生產(chǎn)環(huán)境中，服務(wù)通常是標(biāo)準(zhǔn)的，但業(yè)務(wù)卻是分類分級(jí)的。同樣的訂單服務(wù)，我們需要按照類目、渠道、用戶等維度進(jìn)行分類統(tǒng)計(jì)，實(shí)現(xiàn)精細(xì)化運(yùn)營。例如，對(duì)于線下零售渠道而言，每一筆訂單、每一個(gè)POS機(jī)的穩(wěn)定性都可能會(huì)觸發(fā)輿情，線下渠道的SLA要求要遠(yuǎn)高于線上渠道。那么，應(yīng)該如何在通用的電商服務(wù)體系中，精準(zhǔn)的監(jiān)控線下零售鏈路的流量狀態(tài)和服務(wù)質(zhì)量呢？
這里可以使用鏈路分析的自定義Attributes過濾和統(tǒng)計(jì)實(shí)現(xiàn)低成本的業(yè)務(wù)鏈路分析。例如，在入口服務(wù)針對(duì)線下訂單打上 {"attributes.channel": "offline"}的標(biāo)簽，然后再針對(duì)不同門店、用戶客群和商品類目分別打標(biāo)。最后，通過對(duì)attributes.channel = offline進(jìn)行過濾，再對(duì)不同的業(yè)務(wù)標(biāo)簽進(jìn)行g(shù)roup by來分組統(tǒng)計(jì)調(diào)用次數(shù)、耗時(shí)或錯(cuò)誤率等指標(biāo)，就可以快速地分析出每一類業(yè)務(wù)場景的流量趨勢(shì)與服務(wù)質(zhì)量。
問題五：灰度發(fā)布監(jiān)控
500臺(tái)機(jī)器分10批發(fā)布，如何在第一批灰度發(fā)布后，就能快速判斷是否有異常？
變更三板斧“可灰度、可監(jiān)控、可回滾”是保障線上穩(wěn)定性的重要準(zhǔn)則。其中，分批次灰度變更是降低線上風(fēng)險(xiǎn)，控制爆炸半徑的關(guān)鍵手段。一旦發(fā)現(xiàn)灰度批次的服務(wù)狀態(tài)異常，應(yīng)及時(shí)進(jìn)行回滾，而不是繼續(xù)發(fā)布。然而，生產(chǎn)環(huán)境很多故障的發(fā)生都是由于缺乏有效的灰度監(jiān)控導(dǎo)致的。
例如，當(dāng)微服務(wù)注冊(cè)中心異常時(shí)，重啟發(fā)布的機(jī)器無法進(jìn)行服務(wù)注冊(cè)上線。由于缺乏灰度監(jiān)控，前幾批重啟機(jī)器雖然全部注冊(cè)失敗，導(dǎo)致所有流量都集中路由到最后一批機(jī)器，但是應(yīng)用監(jiān)控的總體流量和耗時(shí)沒有顯著變化，直至最后一批機(jī)器也重啟注冊(cè)失敗后，整個(gè)應(yīng)用進(jìn)入完全不可用狀態(tài)，最終導(dǎo)致了嚴(yán)重的線上故障。
在上述案例中，如果使用{"attributes.version": "v1.0.x"}對(duì)不同機(jī)器流量進(jìn)行版本打標(biāo)，通過鏈路分析對(duì)attributes.version進(jìn)行分組統(tǒng)計(jì)，可以清晰的區(qū)分發(fā)布前后或不同版本的流量變化和服務(wù)質(zhì)量，不會(huì)出現(xiàn)灰度批次異常被全局監(jiān)控掩蓋的情況。
鏈路分析的約束限制
鏈路分析雖然使用靈活，可以滿足不同場景的自定義診斷需求，但是它也有幾點(diǎn)使用約束限制：
基于鏈路明細(xì)數(shù)據(jù)進(jìn)行分析的成本較高。
鏈路分析的前提是盡可能完整的上報(bào)并存儲(chǔ)鏈路明細(xì)數(shù)據(jù)。如果采樣率比較低導(dǎo)致明細(xì)數(shù)據(jù)不全，鏈路分析的效果就會(huì)大打折扣。為了降低全量存儲(chǔ)成本，可以在用戶集群內(nèi)部署邊緣數(shù)據(jù)節(jié)點(diǎn)，進(jìn)行臨時(shí)數(shù)據(jù)緩存與處理，降低跨網(wǎng)絡(luò)上報(bào)開銷?；蛘?，在服務(wù)端進(jìn)行冷熱數(shù)據(jù)分離存儲(chǔ)，熱存儲(chǔ)進(jìn)行全量鏈路分析，冷存儲(chǔ)進(jìn)行錯(cuò)慢鏈路診斷。
后聚合分析的查詢性能開銷大，并發(fā)小，不適合用于告警。
鏈路分析是實(shí)時(shí)的進(jìn)行全量數(shù)據(jù)掃描與統(tǒng)計(jì)，查詢性能開銷要遠(yuǎn)大于預(yù)聚合統(tǒng)計(jì)指標(biāo)，所以不適合進(jìn)行高并發(fā)的告警查詢。需要結(jié)合自定義指標(biāo)功能將后聚合分析語句下推至客戶端進(jìn)行自定義指標(biāo)統(tǒng)計(jì)，以便支持告警與大盤定制。
結(jié)合自定義標(biāo)簽埋點(diǎn)，才能最大化釋放鏈路分析價(jià)值。
鏈路分析不同于標(biāo)準(zhǔn)的應(yīng)用監(jiān)控預(yù)聚合指標(biāo)，很多自定義場景的標(biāo)簽需要用戶手動(dòng)埋點(diǎn)打標(biāo)，這樣才能最有效的區(qū)分不同業(yè)務(wù)場景，實(shí)現(xiàn)精準(zhǔn)分析。

標(biāo)題：阿里云賬號(hào)實(shí)名注冊(cè)，阿里云代理商

地址：http://0bc8wa.cn/kfxw/64433.html