創(chuàng)造程序的“白衣天使”（上）

作者簡(jiǎn)介:運(yùn)籌    百度資深數(shù)據(jù)架構(gòu)師

負(fù)責(zé)百度智能運(yùn)維算法和策略的研究工作，致力于用算法和數(shù)據(jù)的力量解決運(yùn)維問題。

人生病了要去看醫(yī)生，程序生病了看的就是運(yùn)維工程師了。醫(yī)生給病人看病要做很多檢查，然后拿著結(jié)果單子分析病因。運(yùn)維工程師分析系統(tǒng)故障也會(huì)查看采集的監(jiān)控指標(biāo)，然后判斷根因是什么。

查看指標(biāo)這事兒，說起來也不難。只要畫出指標(biāo)的趨勢(shì)圖（指標(biāo)值隨時(shí)間變化的曲線），有經(jīng)驗(yàn)的工程師很容易就能看出有沒有毛病，進(jìn)而推斷故障的原因。不過呢，都說脫離開劑量說食物的毒性是耍流氓，查看指標(biāo)這事也差不多。如果只有幾條指標(biāo)需要查看，做個(gè)儀表盤就能一目了然，可是如果有成千上萬的指標(biāo)呢？人家查抄大老虎的時(shí)候點(diǎn)鈔機(jī)都燒壞了好幾臺(tái)，如果人工查看這么多指標(biāo)，腦子的下場(chǎng)估計(jì)也好不到哪兒去。所以說還是得靠“機(jī)器人”。

等等，“機(jī)器人”怎么能知道什么指標(biāo)有毛病，什么指標(biāo)沒毛病呢？就算能知道，把有毛病的指標(biāo)挑出來工程師憑啥就能知道根因呢？所以，我們的“機(jī)器人醫(yī)生”必須能夠識(shí)別出指標(biāo)的異常，然后還需要能把識(shí)別出的異常整理成工程師容易理解的報(bào)告才行。

圖1  模塊調(diào)用關(guān)系圖

人工診斷故障的時(shí)候，工程師往往是根據(jù)腦子里的模塊調(diào)用關(guān)系圖（圖 1）來排查系統(tǒng)。很多時(shí)候，故障都是因?yàn)樵谧钌嫌蔚?/span>前端模塊（圖 1中的A）上看到了很多失敗的請(qǐng)求發(fā)現(xiàn)的。這時(shí)，工程師就會(huì)沿著A往下查。因?yàn)锳調(diào)用了B模塊，所以需要查看B的指標(biāo)，如果有指標(biāo)異常那么就懷疑是B導(dǎo)致了故障。然后再檢查B的直接下游模塊C，以此類推。在這個(gè)過程中，懷疑通過模塊的調(diào)用關(guān)系不斷往下傳遞，直到傳不下去為止。在圖 1的例子中懷疑最后就停在了倒霉蛋G的頭上，誰讓它沒有下游模塊呢。

總的來說，這就是模塊間把責(zé)任想辦法往下游推的過程。當(dāng)然，真實(shí)的場(chǎng)景要更加復(fù)雜一些。并不是只要下游有異常就可以推的，還需要考察異常的程度。比如，如果倒霉蛋G的異常程度比E的異常程度小很多，根因就更有可能在E里面。

找到了根因模塊再去分析根因就容易多了，所以尋找根因模塊是故障診斷中很重要的步驟。

上面的過程可以很直接地變成一個(gè)工具：

• 做一個(gè)頁面展示模塊調(diào)用關(guān)系圖

• 工程師為每個(gè)指標(biāo)配置黃金指標(biāo)，以及黃金指標(biāo)的閾值

• 在模塊圖中標(biāo)出黃金指標(biāo)有異常的模塊以及它們到達(dá)前端模塊的可能路徑

這個(gè)工具通過配置黃金指標(biāo)及閾值的方式解決了指標(biāo)以及如何判斷異常的問題，然后再通過模塊調(diào)用關(guān)系圖的方式呈現(xiàn)異常判斷的結(jié)果，解決了異常判斷和結(jié)果整理這兩個(gè)核心問題。

不過，傳統(tǒng)的辦法在實(shí)際使用中還是會(huì)碰到很多問題：

1. 活的系統(tǒng)一定是不斷演化的，模塊的調(diào)用關(guān)系也隨之發(fā)生改變。為了保證工具里面的關(guān)系圖不會(huì)過時(shí)，就需要不斷從真實(shí)系統(tǒng)同步。干過系統(tǒng)梳理這種活的工程師都知道，這可不容易。如果整個(gè)系統(tǒng)使用統(tǒng)一的RPC中間件在模塊中通訊，那就可以通過分析RPC trace log的方式挖掘出調(diào)用關(guān)系圖來，不過“歷史代碼”通常會(huì)趴在路中間攔著你。

2. 每個(gè)黃金指標(biāo)通常只能覆蓋一部分的故障類型，新的故障一出現(xiàn)，就需要增加黃金指標(biāo)。這樣一來配置工作——尤其是閾值的配置——就會(huì)不斷出現(xiàn)。另外，指標(biāo)多了，就很容易出現(xiàn)“全國山河一片紅”的情況。大多數(shù)的模塊都被標(biāo)出來的時(shí)候，工具也就沒啥用了。

3. 大型的系統(tǒng)為了保證性能和可用性，常常需要在好幾個(gè)機(jī)房中部署鏡像系統(tǒng)。因?yàn)榇蠖鄶?shù)的故障只發(fā)生在一個(gè)機(jī)房的系統(tǒng)中，所以工程師不但需要知道根因模塊是誰，還需要知道在哪個(gè)機(jī)房。這樣一來，每個(gè)機(jī)房都得有一個(gè)調(diào)用關(guān)系圖，工程師得一個(gè)一個(gè)地看。

傳統(tǒng)的方法作出來的診斷工具最多也就是半自動(dòng)的，應(yīng)用起來也受到很多的限制，所以我們就想做一個(gè)真正全自動(dòng)、智能化的工具。

首先，我們希望新工具不要過于依賴于黃金指標(biāo)，這樣指標(biāo)的配置工作就能減少。但是，這反過來說明全自動(dòng)的工具必須能夠掃描所有模塊上的所有指標(biāo)，這樣才能做到?jīng)]有遺漏。所以，異常判斷不能再通過人工設(shè)置閾值的方式來進(jìn)行，而必須是基本上無監(jiān)督的（Unsupervised）。另外，不同指標(biāo)的語意有很大差異，異常判斷的算法也必須足夠靈活，以適應(yīng)不同指標(biāo)的特點(diǎn)。

其次，我們希望工具不要太過依賴于調(diào)用關(guān)系圖，這意味著我們需要尋找一種新的方式來整理和呈現(xiàn)結(jié)果。其實(shí)，調(diào)用關(guān)系圖并不是必須的。在使用傳統(tǒng)診斷方法時(shí)，我們就發(fā)現(xiàn)一部分工程師經(jīng)常脫離調(diào)用關(guān)系圖，直接按照黃金指標(biāo)的異常程度從大到小檢查模塊。這是因?yàn)檫@部分工程師負(fù)責(zé)的系統(tǒng)黃金指標(biāo)代表性強(qiáng)、容易理解，更重要的是不同模塊黃金指標(biāo)的異常程度可以比較。

所以說，我們完全可以做一個(gè)診斷工具來產(chǎn)出根因模塊的推薦報(bào)告，報(bào)告的內(nèi)容必須易于理解，推薦的順序也必須足夠準(zhǔn)確。

我們以實(shí)例指標(biāo)為例，介紹如何實(shí)現(xiàn)一個(gè)指標(biāo)排查工具，達(dá)成理想的效果。排查工具的總體流程如圖 2所示。

圖2  實(shí)例指標(biāo)自動(dòng)排查的總體流程

在第一步，所有被收集來的指標(biāo)都會(huì)通過異常檢測(cè)算法賦予它們一個(gè)異常分?jǐn)?shù)。比較兩個(gè)指標(biāo)的異常分?jǐn)?shù)就能夠知道它們的異常程度誰大誰小了。這一步的核心是要尋找一個(gè)方法能夠量化地衡量每個(gè)指標(biāo)的異常，而且這個(gè)量化衡量出來的分?jǐn)?shù)還可以在不同實(shí)例的不同指標(biāo)之間比較。

第二步，我們把異常分?jǐn)?shù)按照它們所屬的實(shí)例分組，每組形成一個(gè)向量（vector）。這時(shí)，每個(gè)實(shí)例都會(huì)對(duì)應(yīng)一個(gè)向量，向量中的每個(gè)元素就是一個(gè)指標(biāo)的異常分?jǐn)?shù)。然后，模式（pattern）差不多的向量就可以通過聚類（clustering）算法聚成若干個(gè)摘要（digest）。這樣一來，工程師們就容易理解分析的結(jié)果了。

第三步，我們可以根據(jù)摘要中包含的實(shí)例以及指標(biāo)的異常分?jǐn)?shù)排序（ranking），形成推薦報(bào)告。

本文介紹了一種在服務(wù)發(fā)生故障時(shí)自動(dòng)排查監(jiān)控指標(biāo)的工具，第一步利用了概率統(tǒng)計(jì)的方式估算每個(gè)指標(biāo)的異常分?jǐn)?shù)，第二步用聚類的方式把異常模式相近的實(shí)例聚集在一起形成摘要，第三步用ranking的方式向工程師推薦最有可能是根因的摘要。

由于運(yùn)維場(chǎng)景的特點(diǎn)是數(shù)據(jù)量大，但是標(biāo)定很少，生成標(biāo)定的代價(jià)高昂而且容易出錯(cuò)，接下來我們會(huì)詳細(xì)介紹如何利用概率統(tǒng)計(jì)、非監(jiān)督學(xué)習(xí)和監(jiān)督學(xué)習(xí)的方法來解決這個(gè)問題，敬請(qǐng)期待吧~