一篇文章带你了解监控告警设计

“哎哎，XX，很多客服反馈这个业务挂了怎么回事，赶紧看看。” 正在安安静静写代码的你心头一颤，出问题了。赶紧打开业务链接看看，真出问题了，怎么办，怎么查问题？一脸闷逼。

据说现代医学始于听诊器的发明，医生凭借该物收集放大从各个器官发出的声音以诊断问题。

我一直喜欢把我们做后台做业务的，称之为在快速飞行的飞机上修零件。边飞边升级。。在飞机上有各种各样的仪表盘指示着各个模块的运行情况。如果没有这些，估计只有等到飞机坠毁的时候才知道出问题了，这个时候为时已晚。

飞机如此，我们的业务与服务又该有什么样的仪表盘/听诊器呢？

这是我这篇文章想说的，当我们自己的后台服务及业务运行情况生病出问题了，怎么做好服务/业务的仪表盘-业务监控告警。

意义与想要达到的效果

没有一个系统是100%没有问题的，那么我们要保证我们的业务和服务的可靠性。我们希望达到如下的效果：

• 我们要能够及时的发现问题（先于客户/老板发现问题）。
• 不想每天半夜爬起来处理不知道怎么来的问题（有一些事情准备）。
• 出了问题，能够帮助我们，快速定位问题。

需要想清楚的问题

为了达到这样的效果，我不得不思考我们需要解决的问题和点。

1.什么是我们需要关心的点

只有了解你的业务，才能做出更好的系统设计。

通常来说，只有了解你的业务，你才知道哪些点应该是你重点关注的、哪些点是容易根据业务进展而做扩展的。一般来讲，一个业务服务应该关注的点，我觉得如下：

• 机器系统资源（CPU/内存/网络/磁盘）、CDN等。
• 如果是JAVA，需要关注JVM虚拟机运行情况。
• 接口的调用量、耗时情况、错误异常等。
• 具体业务节点（如注册、开户、交易、付款等等流程）
• 具体运营节点（运营渠道来源统计、场景等）

2.怎么定义异常情况

通常来讲，如果没有什么特殊处理，今天同一时间与昨天同一时间的监控数值应该会基本一致。基于这样一个依据，我们可以做一些比较以发现问题。

• 同比：当前时间跟昨天同一时刻进行比较，是上升还是下降。 用于突然的掉底或上升问题发现。
• 环比：当前一段时间与前一段时间比较，一般用得比较少。
• 七日平均值：当前时间与前七天同一时刻平均值进行同比。减少某天波动带来的影响。

3.什么时候发现异常情况

通常来讲，做一件事情，投入的成本、时效性、准确性三者之间同时达到比较好的状态是一件及其困难的事情。这个时候我们希望投入的成本带来最大化的，部分作出妥协。

• 实时监控处理：强调实时性，针对关键节点、存在少量数据不一致或丢失情况。
• 隔日处理：有充足的资源、全量节点、数据准确、利用大数据能力。

4.异常的程度如何

如同一个人生病一样，可能只是一个小感冒，也有可能得了大病。我们不可能为了小感冒而住院，也不可能忽略了大病的存在。因此我们需要给异常分级处理。

• 忽略：一些可以忽略的数据波动，影响比较小的、不紧急的情况。
• 通知：提醒负责人该关注一下这里的问题，视情况而处理，比如钱不够了加钱，交易上升了等等。
• 告警：出现比较大的问题了，需要安排人力紧急排查了。

5.怎么通知

跟上面异常程度相对应的，我们需要有不同的告警方式通知关注者，既减少骚扰有能及时发现问题。
紧急程度依次是：短信/电话 > IM(微信钉钉等) > 数据图表

• 短信/电话：对应异常告警等级。
• IM：对应异常通知等级。
• 数据图表：对应异常忽略/通知等级。

6.怎么做到是告警而非骚扰

这一点，我觉得把握住两点就可以：

• 以人为本：人都是懒惰的，做到高内聚低耦合，暴露给外部是简单的。
• 精细化处理（细节）：精细化处理某些节点。根据不同场景采取不同策略。

如何去做的问题

我大概分3个阶段去说明一下

1.简单处理

当业务或系统刚开始做的时候，这个时候也需要监控告警，但是暂时又没有这么大的人力去做，这个时候我们可以简单处理一下，对几个关键节点根据数据库记录，做隔日统计和分析，先做一个。完成从0到1的过程。

• 定时扫描关键节点数据库统计同比。
• 统一阀值波动告警。

2.业务数据计算统计模块

当业务或系统成长到一定阶段，这个时候简单的全量扫表会出现各种问题，比如性能耗时等等，这个时候，我们可以将监控告警独立成单独的模块做处理。

• 实时统计自己若干节点，保存到统计数据库（5分钟粒度）
• 根据今明两天数据做同比。
• 分不同紧急程度不同阀值实时告警（可配置中心配置）
• 统计数据库通过otter同步到大数据做数据分析和报表。

3.日志收集分析系统

随着业务或系统的发展，可能不止一个业务或系统需要这样的监控告警的能力，这个时候，我们可以将监控告警做成一个系统，可供多个业务或系统使用。抽象成业务关注的节点通过行为日志上报，大数据中心做数据分析和存储。

• 定义需要统计的节点的维度、度量、原始数据留存时间。
• 业务上报日志客户端。
• 明细日志数据临时存储、通过otter或kafka同步到大数据中心。
• 大数据中心根据节点、统计维度、度量、统计时间做交叉数据统计。
• 根据交叉数据做实时监控告警。
• 根据明细数据做全量数据报表。

效果

针对一些比较关注的点，当出现比较大的下滑或上升的时候就可以人工介入。

这个时候，我们收到了告警，有时候很难一下子发现问题，这个时候曲线图去查问题就要方便很多。

最后，希望看到最后的你有所收获。>-<

都看到这里了，关注个公众号吧，一起交流学习