偷偷摘套内射激情视频,久久精品99国产国产精,中文字幕无线乱码人妻,中文在线中文a,性爽19p

一張思維導(dǎo)圖,包羅全面監(jiān)控體系建設(shè)要點

新聞 前端
近年來,隨著計算機技術(shù)的飛速發(fā)展,以及行業(yè)信息的共享,傳統(tǒng)企業(yè)的運維己不再固步自封。本文將把筆者在工作過程中積累的監(jiān)控體系建設(shè)知識進行總結(jié),梳理成體系。

[[282966]]

近年來,隨著計算機技術(shù)的飛速發(fā)展,以及行業(yè)信息的共享,傳統(tǒng)企業(yè)的運維己不再固步自封,日新月異的計算技術(shù)發(fā)展推動著企業(yè)云平臺的建設(shè),云平臺的計算能力為大數(shù)據(jù)分析提供了基礎(chǔ),而云平臺與大數(shù)據(jù)分析又將推動運維人工智能的發(fā)展。

放眼云、大數(shù)據(jù)、人工智能的運維發(fā)展方向的同時,作為運維的生命線,安全生產(chǎn)保障的生命線仍需強調(diào)。作為傳統(tǒng)企業(yè)的安全生產(chǎn)保障,主要以“監(jiān)、管、控”為核心,其中“監(jiān)”則主要指的是監(jiān)控。

本文將把筆者在工作過程中積累的監(jiān)控體系建設(shè)知識進行總結(jié),梳理成體系,思維導(dǎo)圖如下: 

快看!一张思维导图,包罗最全监控体系建设要点

監(jiān)控體系分層

概述

傳統(tǒng)企業(yè)的運維經(jīng)過多年的積累,往往己沉淀下來不少監(jiān)控工具,有不同專業(yè)條的工具,如基礎(chǔ)設(shè)施、硬件、軟件、安全等;也有不同類型的工具,如基于日志、數(shù)據(jù)庫、中間件、操作系統(tǒng)、網(wǎng)絡(luò)報文等。對于這些工具,我們采用以下方式處理:

建立集中監(jiān)控平臺:在一體化運維體系中,監(jiān)控平臺貫穿所有環(huán)節(jié),它起到了生產(chǎn)系統(tǒng)涉及的軟硬件環(huán)境實時運行狀況的“監(jiān)”,監(jiān)控平臺事件驅(qū)動的特性也為一體化運維體系起到神經(jīng)網(wǎng)絡(luò)驅(qū)動的作用,進而進行了“控”,另外,監(jiān)控平臺優(yōu)質(zhì)的運維數(shù)據(jù)可以作為運維大數(shù)據(jù)分析的數(shù)據(jù)源,實現(xiàn)運維數(shù)據(jù)采集的角色。為了提高投入效率,減少重復(fù)投入,需要建立集中監(jiān)控平臺實現(xiàn)統(tǒng)一展示、統(tǒng)一管理,支持兩地三中心建設(shè),具備靈活的擴展性,支持運維大數(shù)據(jù)分析。

原有的監(jiān)控工具保留為主:當(dāng)前并沒有哪一個監(jiān)控工具可以覆蓋所有生產(chǎn)系統(tǒng)的運行指標(biāo),己沉淀下來的監(jiān)控工具往往是當(dāng)前生產(chǎn)系統(tǒng)深度定制的工具,具有存在價值。另外,雖然監(jiān)控平臺從WEB、APP、到DB均采用了多中心雙活分布式架構(gòu)部署,但為了保證監(jiān)控覆蓋能力,部份重要的環(huán)節(jié)仍建議不僅限一套監(jiān)控工具。

各專業(yè)條線對各條線的監(jiān)控負(fù)責(zé):各專業(yè)條線是最清楚自己需要什么監(jiān)控的團隊,各專業(yè)條線對監(jiān)控覆蓋率負(fù)責(zé),監(jiān)控平臺的建設(shè)方負(fù)責(zé)平臺體系的建設(shè),提供基礎(chǔ)技術(shù)支撐。

工具間整合:不同的專業(yè)條線、不同的分析技術(shù)可以有不同的監(jiān)控工具,采用這種多點開花的建設(shè)方式更有助于監(jiān)控面與深度的完善,所有的工具最終需要進行標(biāo)準(zhǔn)化的整合。

基于上面4個處理思路,為防止監(jiān)控建設(shè)失控,減少重復(fù)建設(shè)、明確主要的建設(shè)目標(biāo),我們需要對監(jiān)控工具進行體系化管理,體系化管理首先要做的就是進行監(jiān)控體系分層。

分層方式

相信每家企業(yè)對于監(jiān)控分層體系都會有各自的劃分方式,以下是以專業(yè)條線方式分層:

快看!一张思维导图,包罗最全监控体系建设要点

基礎(chǔ)設(shè)施層:包括運營商專線、機房(機房內(nèi)的設(shè)施,比如制冷、安防等)、網(wǎng)絡(luò)設(shè)備,基礎(chǔ)設(shè)施層的監(jiān)控分為狀態(tài)、性能、質(zhì)量、容量、架構(gòu)、流量分析等幾個層面。

系統(tǒng)服務(wù)器層:包括系統(tǒng)服務(wù)器、存儲等服務(wù)器的可用性狀態(tài)。

系統(tǒng)及網(wǎng)絡(luò)服務(wù)層:主要是指操作系統(tǒng)、系統(tǒng)軟件、網(wǎng)絡(luò)軟件的使用情況。

應(yīng)用服務(wù)層:主要是針對應(yīng)用服務(wù)可用性、應(yīng)用營業(yè)狀態(tài)、應(yīng)用性能、應(yīng)用交易量分析幾方面。

客戶體驗層:包括兩塊,一是客戶訪問速度;二是功能是否正常,具體指的是全部、局部、個別用戶或終端訪問情況,不僅包括業(yè)務(wù)系統(tǒng)是否能訪問,訪問的速度是否快,還包括業(yè)務(wù)邏輯的驗證功能是否正常。

各層職責(zé)

基礎(chǔ)設(shè)施

  • 狀態(tài)監(jiān)控:包括機房供電、空調(diào)、網(wǎng)絡(luò)設(shè)備的軟硬件狀態(tài),如設(shè)備狀態(tài)等;
  • 性能監(jiān)控:包括設(shè)備的性能情況,比如CPU、內(nèi)存大小、session數(shù)量、端口流量包量、內(nèi)存溢出監(jiān)控、內(nèi)存使用率等;
  • 網(wǎng)絡(luò)監(jiān)控:包括設(shè)備錯包、丟包率,針對網(wǎng)絡(luò)設(shè)備以及網(wǎng)絡(luò)鏈路的探測延時、丟包率監(jiān)控等;
  • 容量監(jiān)控:包括設(shè)備負(fù)載使用率、專線帶寬使用率、出口流量分布等。

由于基礎(chǔ)設(shè)施硬件往往己有設(shè)備健康性的檢測機制,建議向這類廠商提要求,將設(shè)備的運行事件主動送到監(jiān)控平臺整合。

服務(wù)器層

  • 存儲:包括存儲設(shè)備,以及設(shè)備上的硬盤讀寫錯誤、讀寫超時、硬盤掉線、硬盤介質(zhì)錯誤;
  • 服務(wù)器上的內(nèi)存(內(nèi)存缺失、內(nèi)存配置錯誤、內(nèi)存不可用、內(nèi)存校驗)、網(wǎng)卡(網(wǎng)卡速率;電源:電源電壓、電源模塊是否失效)、風(fēng)扇(風(fēng)扇轉(zhuǎn)速等)、Raid卡(Raid卡電池狀態(tài)、電池老化、電池和緩存是否在位、緩存策略);
  • 虛擬機:vcenter等
  • 容器:Docker等

存儲、物理設(shè)備、虛擬機等建議參考基礎(chǔ)設(shè)施層由廠商主動匯總事件到監(jiān)控平臺,由于容器方面的監(jiān)控工具并不多,則需根據(jù)實際情況選擇是否借鑒開源的工具進行自研。

系統(tǒng)服務(wù)層

系統(tǒng)服務(wù)層的數(shù)據(jù)主要包括操作系統(tǒng)、中間件、數(shù)據(jù)庫,以及其它開源分布式中間件等工具,這方面包括很多,以操作系統(tǒng)為例,包括:CPU(CPU整體使用率、CPU各核使用率、CPU Load負(fù)載)、內(nèi)存(應(yīng)用內(nèi)存、整體內(nèi)存、Swap等)、磁盤IO(讀寫速率、IOPS、平均等待延時、平均服務(wù)延時等)、網(wǎng)絡(luò)IO(流量、包量、錯包、丟包)、連接(各種狀態(tài)的TCP連接數(shù)等)、進程端口存活、文件句柄數(shù)、進程數(shù)、內(nèi)網(wǎng)探測延時、丟包率等。

在分析系統(tǒng)服務(wù)層的數(shù)據(jù)消費情況時,可以通過分析系統(tǒng)性能情況,客觀衡量業(yè)務(wù)負(fù)載高低情況,并結(jié)合擴縮容調(diào)度,實現(xiàn)業(yè)務(wù)的負(fù)載和成本間的平衡??梢愿鶕?jù)服務(wù)器所在業(yè)務(wù)層級(接入層、邏輯層還是數(shù)據(jù)層)的不同,設(shè)置不同的容量參考指標(biāo)、指標(biāo)參考基準(zhǔn)、指標(biāo)計算規(guī)則、高低負(fù)載判別規(guī)則,設(shè)置業(yè)務(wù)模塊(由相同功能的多個服務(wù)器構(gòu)成的業(yè)務(wù)集群)的擴縮容規(guī)則;由系統(tǒng)計算出服務(wù)器、業(yè)務(wù)模塊的負(fù)載情況,決策出是否需要擴容或縮容,觸發(fā)業(yè)務(wù)模塊的擴縮容操作。

這一層的工具主要采用引入成熟工具或自研的方式,可選的空間比較大,只要覆蓋面夠廣、支持靈活的二次定制開發(fā),應(yīng)該問題都不大,建設(shè)過程中,我認(rèn)為中間件與數(shù)據(jù)庫兩塊是值得讓DBA、中間件管理員深度挖掘監(jiān)控指標(biāo)覆蓋面。

另外,在互聯(lián)網(wǎng)分布式架構(gòu)的推動下,傳統(tǒng)企業(yè)也逐步使用一些分布式中間件,比如分布式數(shù)據(jù)庫中間件,內(nèi)存數(shù)據(jù)庫、消息隊列等。由于對于這類開源中間件,傳統(tǒng)企業(yè)在技術(shù)上弱于互聯(lián)網(wǎng)企業(yè),且監(jiān)控工具并不多,需要重點投入資源進行相關(guān)監(jiān)控指標(biāo)的開發(fā)。

應(yīng)用服務(wù)層

  • 服務(wù)可用性監(jiān)控:如服務(wù)、端口是否存在,是否假死等;
  • 應(yīng)用營業(yè)狀態(tài)監(jiān)控:指應(yīng)用的狀態(tài)是否滿足業(yè)務(wù)開業(yè)狀態(tài);
  • 應(yīng)用性能:應(yīng)用處理能力,比如交易量、成功率、失敗率、響應(yīng)率、耗時;
  • 應(yīng)用交易:比如交易主動埋點、交易流水、ESB等。

應(yīng)用服務(wù)層監(jiān)控可擴展的面與深入的度都有很大空間,以下是部分應(yīng)用監(jiān)控點:

快看!一张思维导图,包罗最全监控体系建设要点

客戶體驗層

比如測速系統(tǒng)以及模擬用戶訪問的方式:

以模擬用戶訪問為例,通過模擬用戶訪問業(yè)務(wù)并校驗返回數(shù)據(jù)結(jié)果,監(jiān)測業(yè)務(wù)是否可用、訪問質(zhì)量及性能、邏輯功能正確性的監(jiān)控系統(tǒng)。不僅僅是接入層(網(wǎng)站類業(yè)務(wù)是否能訪問,訪問的速度是否快),業(yè)務(wù)邏輯的驗證就涉及到登錄鑒權(quán)、關(guān)系數(shù)據(jù)自動化獲取等。

監(jiān)控整合

監(jiān)控的分層方式促進了每一個專業(yè)層的監(jiān)控覆蓋面與深度,防止建設(shè)失控,但也帶來一個管理上的副作用,所以需要在事件、可視化、子系統(tǒng)、數(shù)據(jù)的整合,以減少管理成本。

快看!一张思维导图,包罗最全监控体系建设要点

在監(jiān)控整合上,主要從事件匯總、統(tǒng)一可視化、監(jiān)控數(shù)據(jù)匯總?cè)矫孢M行梳理。

事件匯總

Google SRE解密一書中提過(大體意思如下):監(jiān)控應(yīng)該盡可能簡單地把需要人介入或關(guān)注的信息展示給運維團隊,能通過自動化自愈解決、分析定位過程則不在一級視圖提供。當(dāng)前,能實現(xiàn)自愈的企業(yè)還比較少,或還在摸索建設(shè)過程中,所以我先講講如何讓每天產(chǎn)生上億條流水,觸發(fā)上萬次告警條件(同一告警如未解除會持續(xù)不斷觸發(fā)告警條件),來自各種不同工具、不同格式的的告警事件以盡可能簡單的方式展示給一線監(jiān)控團隊。

第一部分監(jiān)控分層中提到,原有的監(jiān)控工具以保留為主思路,這些工具在運營過程中每天都會產(chǎn)生大量事件,為了實現(xiàn)監(jiān)控集中展示,集中管理,需要建設(shè)一個事件匯總的模塊實現(xiàn)事件統(tǒng)一匯總,并對不同層面、不同專業(yè)角度的事件進行收斂,關(guān)聯(lián)分析,更全面的感知系統(tǒng)運行狀況。

可能上面講得還不夠清楚,舉幾個例子:

  • Example01:從可視化角度看,不同的工具有不同的監(jiān)控事件展示界面,多個運維視圖增加了運維技能要求,需要更多的人力去管理生產(chǎn);
  • Example02:缺少對各類事件進行匯總與數(shù)據(jù)分析,無法反映生產(chǎn)系統(tǒng)整體的運行狀況,如能將這些事件數(shù)據(jù)匯總起來,比如物理層的拓?fù)洌瑒t可以直觀地管控應(yīng)用狀況;
  • Example03:同一個生產(chǎn)問題往往會帶來多個維度的生產(chǎn)運行問題,比如一臺物理機宕機,在這臺物理機上的虛擬機都會出現(xiàn)網(wǎng)絡(luò)、操作系統(tǒng)層面可用性、應(yīng)用可用性、交易級狀況、應(yīng)用性能、客戶體驗的告警,如果監(jiān)控指標(biāo)足夠豐富往往會有上百條以上,不能準(zhǔn)確、快速定位問題根源;
  • Example04:每天能觸發(fā)閥值的告警很多,以經(jīng)驗的方式很難讓一線監(jiān)控團隊無時無刻能準(zhǔn)確的定位哪些是高優(yōu)先級的告警,比如磁盤空間到了70%的確需要有人去關(guān)注,評估是否進行數(shù)據(jù)清理、擴容,但這類告警屬于低優(yōu)先級的事件。

從上面4個例子可以看到,事件匯總模塊需要有幾個基本要求:

  • 事件匯總:匯總不同層次、不同專業(yè)條線、不同類型事件是監(jiān)控集中管理的基礎(chǔ)。
  • 事件收斂:前面提到同一個故障會觸發(fā)多類指標(biāo)的告警,同一個指標(biāo)在故障未解除前也會重復(fù)產(chǎn)生大量的告警事件,如果將全部事件都展示出來,那對于監(jiān)控處理人員將是災(zāi)難性的,所以需要進行事件收斂。
  • 事件分級:對于不同的事件需要有適當(dāng)層次的事件分級,事件升級的策略。事件分級是將事件當(dāng)前緊急程度進行標(biāo)識顯示,事件升級是對于低級的事件當(dāng)達到一定的程度,比如處理時間過長,則需要進行升級。
  • 事件分析:事件分析是建立事件的關(guān)聯(lián)關(guān)系,關(guān)聯(lián)分析可以從縱向和橫向關(guān)系進行分析,縱向是指從底層的基礎(chǔ)設(shè)施、網(wǎng)絡(luò)、服務(wù)器硬件、虛擬機/容器、操作系統(tǒng)、中間件、應(yīng)用域、應(yīng)用、交易;橫向是指從當(dāng)前的應(yīng)用節(jié)點、上游服務(wù)器節(jié)點、下游服務(wù)器節(jié)點的交易關(guān)系。事件分析是形成故障樹,自愈的基礎(chǔ)。

對于事件分析重點在于關(guān)系模型的建立,互聯(lián)網(wǎng)公司有不少標(biāo)準(zhǔn)化的方案,但我個人認(rèn)為需要開發(fā)團隊介入改造的標(biāo)準(zhǔn)化不可控,所以另外一方向是針對企業(yè)內(nèi)部特點,以CMDB、應(yīng)用配置庫為中心,或以節(jié)點型的系統(tǒng)為中心去建立關(guān)系模型,具體介紹見后面第三部分。

  • 高性能:為了實現(xiàn)實時監(jiān)控,需要事件匯總模塊具備高性能。
  • 對外提供采集事件數(shù)據(jù)接口:監(jiān)控作為一體化運維體系的一部份,需要對外提供服務(wù)化接口,支持事件數(shù)據(jù)的采集。

統(tǒng)一可視化

不同監(jiān)控工具有著不同界面,不同的操作方法,對工具的掌握程度依賴于運維人員的經(jīng)驗,監(jiān)控管理很難形成標(biāo)準(zhǔn)化,不利于監(jiān)控的集中管理、釋放人力成本。所以,監(jiān)控事件匯總后,需要有一個統(tǒng)一的可視化,支持統(tǒng)一展示、多類型展示形式、多維用戶視角、支持按需訂閱的特點。具體包括:

支持事件的統(tǒng)一展示:支持不同角色用戶管理不同的事件,包括事件的受理、分派、督辦、升級、解除、轉(zhuǎn)工單等閉環(huán)操作,無需在不同工具上多次操作。

多類型的展現(xiàn)形式:PC電腦的web端,移動手持端,大屏展示,為了支持可視化的快速開發(fā),以及低成本的過渡到移動手持端,建議采用H5的技術(shù)選型。

多維用戶:根據(jù)不同機構(gòu)、不同用戶的關(guān)注點,比如一線運維主要關(guān)注實時告警,二線運維主要關(guān)注事件豐富與故障樹等輔助定位,值班經(jīng)理主要關(guān)注當(dāng)天監(jiān)控事件處理情況,團隊管理者主要關(guān)注團隊內(nèi)監(jiān)控事件與重要業(yè)務(wù)系統(tǒng)運行狀況,主管經(jīng)理主要關(guān)注整合的運行情況與人員處理情況,開發(fā)人員需要有協(xié)助處理的視角數(shù)據(jù)等。

支持用戶訂閱展示:針對不同的業(yè)務(wù)運營場景、不同的用戶進行布局、推送數(shù)據(jù)、監(jiān)控指標(biāo)的訂閱式展示,比如,雙十一或秒殺的運營活動,需要關(guān)注幾十個OS的資源情況,各個OS上的交易、性能情況,如果每一個指標(biāo)一個窗口,需要看幾十個窗口;如果只看告警信息,又無法觀察到趨勢;所以,需要支持多指標(biāo)合并在一個視圖頁面的訂閱功能。

數(shù)據(jù)整合標(biāo)準(zhǔn)

關(guān)于數(shù)據(jù)整合,這里不再復(fù)述不同監(jiān)控工具事件數(shù)據(jù)的整合,主要從報文、日志、數(shù)據(jù)庫流水幾個角度分析:

1)報文解釋

報文解釋標(biāo)準(zhǔn),以天旦BPC為例做個介紹:

市場上有很多APM,大體可以分為主動模擬撥測、頁面插入代碼監(jiān)測、客戶端插件采集、服務(wù)端代理收集、服務(wù)端旁路報文監(jiān)聽。天旦的BPC采用服務(wù)端的網(wǎng)絡(luò)層旁路抓取一份報文,通過預(yù)先定義好的解碼策略,解出了一份數(shù)據(jù)格式良好的數(shù)據(jù)源。在這份數(shù)據(jù)源之上可以進行監(jiān)控、運維數(shù)據(jù)分析等運維場景的使用。由于BPC報文解碼配置設(shè)計比較簡單,支持秒級(預(yù)計17年將有毫秒級的產(chǎn)品出來),且對應(yīng)用服務(wù)性能無影響,用旁路報文解釋的方式作為數(shù)據(jù)輸入標(biāo)準(zhǔn)成為一種值得推薦的方式。

2)日志結(jié)構(gòu)標(biāo)準(zhǔn)

日志結(jié)構(gòu)標(biāo)準(zhǔn),主要分兩類,一類是直接建一個日志分析平臺,比如國外的Splunk,或者開源的ELK等;另一類是重構(gòu)日志標(biāo)準(zhǔn)組件,比如重構(gòu)Java企業(yè)應(yīng)用中經(jīng)常使用的log4j開源包的標(biāo)準(zhǔn)輸出方法,對日志結(jié)構(gòu)進行整合,并通過異步消息的方式將日志發(fā)送給監(jiān)控平臺,再提供可視化的IDE對不同系統(tǒng)的日格式進行進一步整理,將需要的數(shù)據(jù)抽取整合。

3)數(shù)據(jù)庫流水標(biāo)準(zhǔn)

在監(jiān)控數(shù)據(jù)庫流水中,也分兩類,一類是建立標(biāo)準(zhǔn)的運維流水表,監(jiān)控直接讀取這些流水進行監(jiān)控或分析;另一類參考重構(gòu)log4j的思路,對jdbc的包進行重構(gòu),將數(shù)據(jù)庫執(zhí)行語句,以及語句執(zhí)行過程中的開始時間、結(jié)構(gòu)時間、返回狀態(tài)進行記錄。第一類我們用得比較多,當(dāng)前的交易級的監(jiān)控主要采用這種方式進行,第二類目前仍處于思路階段。

4)其它思路

其實針對日志LOG4J、數(shù)據(jù)庫JDBC這兩種方式從思路看都是從節(jié)點類的模塊進行,往同類擴展,可以針對標(biāo)準(zhǔn)應(yīng)用中間件、WEB等模塊進行處理;往大的擴展,則比如企業(yè)ESB類的應(yīng)用系統(tǒng)可以作用標(biāo)準(zhǔn)的數(shù)據(jù)整合。這些節(jié)點類的模塊進行數(shù)據(jù)整合標(biāo)準(zhǔn)往往可以有事半功倍的作用。

監(jiān)控指標(biāo)

如前一部分提到,監(jiān)控有賴于運維各專業(yè)條線協(xié)同完善,通過將監(jiān)控體系進行分層、分類,各專業(yè)條線再去有重點的豐富監(jiān)控指標(biāo)。

指標(biāo)分類

1)基礎(chǔ)設(shè)施層

環(huán)境動力:暖通系統(tǒng)(如空調(diào)、新風(fēng)系統(tǒng)、機房環(huán)境、漏水等)、電力系統(tǒng)(如配電柜、UPS、ATS等)、安防系統(tǒng)(如防雷、消防、門禁等)等

網(wǎng)絡(luò)設(shè)備:路由器、二三層網(wǎng)絡(luò)交換機、多層交換機、負(fù)載均衡設(shè)備等

安全設(shè)備:防火墻、入侵檢測、防病毒、加密機等

2)服務(wù)器層

虛擬化:虛擬網(wǎng)絡(luò)資源、虛擬主機、虛擬存儲資源等

存儲設(shè)備:磁盤陣列、虛擬帶庫、物理磁帶庫、SAN、NAS等

服務(wù)器:大中小型機、X86服務(wù)器

3)系統(tǒng)軟件層

操作系統(tǒng):AIX、LINUX、WINDOWS等

數(shù)據(jù)庫:ORACLE、DB2、SQL SERVER、MYSQL等

中間件:WEBSPHERE、WEBLOGIC、MQ、IHS、TOMCAT、AD、REDIS等

其他系統(tǒng)軟件:備份軟件

4)應(yīng)用服務(wù)層

服務(wù)可用性:服務(wù)狀態(tài)、日志刷新、端口監(jiān)聽、網(wǎng)絡(luò)連通性等

應(yīng)用交易:交易整體情況、應(yīng)用性能(重要交易或整個節(jié)點的交易量、耗時、成功率、響應(yīng)率)、開業(yè)情況、批量交易狀態(tài)等

5)客戶體驗層

客戶訪問速度:

頁面響應(yīng)時間、撥測登錄、普通頁面渲染時間、重要接口響應(yīng)時間等
具體的監(jiān)控指標(biāo)內(nèi)容與閥值參考的明細(xì)不同的行業(yè),不同的系統(tǒng)會有不同的認(rèn)識,這里不細(xì)列。

指標(biāo)權(quán)重與閥值分級

在分解具體指標(biāo)前,需要重點強調(diào)一下監(jiān)控指標(biāo)的指標(biāo)權(quán)重、閥值分級與上升機制問題,做監(jiān)控的人知道“監(jiān)”的最重要目標(biāo)是不漏報,為了不漏報在實際實施過程中會出現(xiàn)監(jiān)控告警過多的困難。如何讓運維人員在不漏處理監(jiān)控事件,又能快速解決風(fēng)險最高的事件?則需要監(jiān)控的指標(biāo)需要進行指標(biāo)權(quán)重、閥值分級與上升機制:

1)指標(biāo)權(quán)重

監(jiān)控指標(biāo)的權(quán)重是為了定義此項監(jiān)控指標(biāo)是否為必須配置,比如應(yīng)用軟件服務(wù)、端口監(jiān)聽是一個應(yīng)用可用性的重要指標(biāo),權(quán)重定義為一級指標(biāo);對于批量狀態(tài),則由于不少應(yīng)用系統(tǒng)并沒有批量狀態(tài),則定義為二級指標(biāo)。通常來說一級指標(biāo)將作為監(jiān)控覆蓋面的底線,通過設(shè)置好權(quán)重,一是為了讓運維人員知道哪些監(jiān)控指標(biāo)必須確保覆蓋,同時加以引入KPI考核;二是為了讓監(jiān)控平臺建設(shè)人員有側(cè)重的優(yōu)化,實現(xiàn)一級指標(biāo)的自動配置,無需運維人員手工配置。

2)閥值分級與上升機制

有監(jiān)控指標(biāo),就需要針對監(jiān)控指標(biāo)定義閥值,監(jiān)控閥值的設(shè)立需要有分級機制,以分通知、預(yù)警、告警三級為例:通知需要運維人員關(guān)注,比如“交易系統(tǒng)登錄數(shù)2000,登錄成功率95%,平時登錄數(shù)基線500,登錄成功率96%”,由于登錄成功率并未明顯下降,可能是由于業(yè)務(wù)作了業(yè)務(wù)推廣,運維人員只需關(guān)注當(dāng)前應(yīng)用運行狀態(tài)再做判斷;預(yù)警代表監(jiān)控事件需要運維人員處理,但重要性略低,比如“CPU使用率71%,增長趨勢非突增”,管理員受理到這個預(yù)警可以先設(shè)置為一個維護期,待當(dāng)天找個時間集中處理;告警則必須馬上處理的事件,比如“交易成功率為10%,平時為90%”這類監(jiān)控事件己反映出交易運行問題。

對于升級,是指一個預(yù)警當(dāng)長時間未處理時,需要有一個上升機制,轉(zhuǎn)化為告警,以督辦運維人員完成監(jiān)控事件的處理。

閥值的分級需通過流程管理加以落實。

3)指標(biāo)基線

當(dāng)前運行狀況是否正常需要用運行情況與閥值作比較,但實際實施過程中會發(fā)現(xiàn)一個固定的閥值會導(dǎo)致不少監(jiān)控誤報,比如業(yè)務(wù)運營大促與非運營活動日、非工作日與工作日、白天與晚上的運行值都會有不小的差異,所以需要建立一個動態(tài)的指標(biāo)基線,當(dāng)前運行值與動態(tài)基線的偏離度大小來判斷是否為監(jiān)控事件。指標(biāo)基線的建設(shè)過程中有幾個方面需要關(guān)注:

基線的自我學(xué)習(xí)

前面己提到指標(biāo)的基線是動態(tài)的,基線動態(tài)就需要對系統(tǒng)運行的情況按一個指定的時間間隔粒度進行學(xué)習(xí),理論上運行學(xué)習(xí)的時間越長,基線越準(zhǔn)確(但如果業(yè)務(wù)做了推廣,歷史的基線數(shù)據(jù)則需要降低權(quán)重)。

基線指標(biāo)的組合

有些情況判斷一個監(jiān)控指標(biāo)是否是事件,需要將多個指標(biāo)放在一起看才能判斷。比如WINDOWS集群下的SQL SERVER進程內(nèi)存長期都占95%以上,如果將內(nèi)存作為基線畫線,就會是一條高負(fù)載的線,所以可以考慮將CPU、內(nèi)存兩個指標(biāo)合并作為一個基線指標(biāo)。

另外,還可以用不同時間段與指標(biāo)組合的方式,比如按節(jié)假日與非節(jié)假日、按星期幾、按白天與晚上設(shè)計不同的基線。

性能

基線是由指定時間段的大量歷史數(shù)據(jù)不斷迭加組合,間隔的時間越短需要的性能越高,尤其是當(dāng)基線的組合類型豐富的情況下,需要大量的計算資源,選用一個合理的計算方案就顯得很重要。我們原來采用單庫跑基線,只能做到30分鐘一個點,目前采用分布式數(shù)據(jù)庫結(jié)合緩存方式設(shè)計性能,未來根據(jù)基線運行的情況再考慮是否選用大數(shù)據(jù)流計算等技術(shù)框架。

基線的人工調(diào)整

系統(tǒng)運行過程中難免會因為業(yè)務(wù)運營推廣等導(dǎo)致歷史基線不能反映指標(biāo)是否合理,這時候需要有一個人工調(diào)整基線的入口,運維人員可以重新繪制基線、減少對歷史數(shù)據(jù)的參考權(quán)重等。

另外,人工智能這么火,也提一點通過機器學(xué)習(xí)來實現(xiàn)監(jiān)控基線的思路(思路還不成熟,僅供參考):

將應(yīng)用運行健康與不健康的樣本數(shù)據(jù)匯總,樣本中不同指標(biāo)的指標(biāo)數(shù)據(jù)作為不同的變量,結(jié)合不同的算法,通過調(diào)參學(xué)習(xí)后,得到運行狀態(tài)好壞的基線。這樣,就可以將基線做一個監(jiān)控運行狀態(tài)的服務(wù),把實際運行的多個監(jiān)控指標(biāo)數(shù)據(jù)關(guān)給基線服務(wù),基線服務(wù)返回當(dāng)前服務(wù)運行好壞。

監(jiān)控事件

監(jiān)控事件反映的是IT基礎(chǔ)設(shè)施、中間件、應(yīng)用程序、業(yè)務(wù)流程等運行過程中發(fā)生的問題。監(jiān)控系統(tǒng)通過采集運行數(shù)據(jù),通過數(shù)據(jù)判斷規(guī)則生成事件,監(jiān)控事件還涉及事件的處理(比如事件豐富、收斂等)、事件的關(guān)聯(lián)分析,并驅(qū)動事件的解決。

以下是監(jiān)控事件處理的一般流程圖:

快看!一张思维导图,包罗最全监控体系建设要点

前面提到了事件整合,下面主要講講事件關(guān)聯(lián)、事件應(yīng)急、事件分析、智能處理方面的建設(shè)思路。

事件標(biāo)準(zhǔn)

事件數(shù)據(jù)模型

事件數(shù)據(jù)主要包含數(shù)據(jù)頭信息、靜態(tài)豐富信息、事件現(xiàn)場信息、知識庫信息、關(guān)聯(lián)信息。

靜態(tài)豐富信息:包含描述豐富信息、拓?fù)湄S富信息,描述豐富信息主要包含相關(guān)人員描述信息、服務(wù)器描述信息、工單信息等,這塊豐富數(shù)據(jù)可以通過CMDB消費獲取,這部份豐富數(shù)據(jù)有助于事件處理過程中關(guān)聯(lián)分析。

事件現(xiàn)場信息:包含指標(biāo)信息、性能信息、系統(tǒng)資源信息等,這部份信息主要是反映事件的現(xiàn)場數(shù)據(jù)。

知識庫信息:主要指相似歷史事件及其處理方式等信息,比如“建議如何做,己自動進行了什么動作”等。關(guān)聯(lián)信息主要包含從屬事件信息、關(guān)聯(lián)影響信息。

快看!一张思维导图,包罗最全监控体系建设要点

事件分級標(biāo)準(zhǔn)

前面提到了事件分級的問題,分級是將事件當(dāng)前緊急程度進行標(biāo)識顯示,事件升級是對于低級的事件當(dāng)達到一定的程度,比如處理時間過長,則需要進行升級。我們將監(jiān)控事件等級事件級別分為通知、預(yù)警、故障三種:

  • 通知:指一般的通知信息類事件。
  • 預(yù)警:指已經(jīng)出現(xiàn)異常,即將要引起生產(chǎn)故障的事件。
  • 故障:指已經(jīng)發(fā)生問題,并且已經(jīng)影響到生產(chǎn)流程的事件,如果需要進一步細(xì)化故障級別,可以分為一般故障和緊急故障:一般故障不需要緊急處理的故障,緊急故障需要管理員緊急處理的故障。

事件細(xì)分的粒度需根據(jù)各企業(yè)團隊的管理要求而定。

事件關(guān)聯(lián)

1)事件壓縮及收斂

事件壓縮及收斂就是為了減少事件數(shù)量,提高事件定位能力。

監(jiān)控采集數(shù)據(jù)后,根據(jù)具體的單指標(biāo)或多指標(biāo)的規(guī)則判斷是否觸發(fā)事件,如觸發(fā)事件,則發(fā)送事件接收器。為什么不直接通過可視化方式馬上將匹配到的事件信息呈現(xiàn)給監(jiān)控人員呢?那是由于監(jiān)控數(shù)據(jù)采集是實時采集,但事件的解決可能并非馬上解決,為了減少重復(fù)性的告警數(shù)量,需要由事件處理引擎進一步壓縮處理。比如每2分鐘采集一次文件系統(tǒng)容器數(shù)據(jù),當(dāng)某個文件系統(tǒng)容量超過70%后,觸發(fā)了預(yù)警閥值,但這個文件系統(tǒng)是緩慢增長,計劃在當(dāng)周的擴容窗口集中變更,如果不對事件進行處理,那每2分鐘就會有一個預(yù)警,產(chǎn)生預(yù)警泛濫,所以這時需要對事件進行壓縮,比如針對事件來源、關(guān)鍵字組合等規(guī)則進行壓縮,并記錄事件發(fā)生次數(shù)。

有了事件壓縮還不夠,因為觸發(fā)事件的指標(biāo)往往是相互關(guān)聯(lián)的,這就需要對多項指標(biāo)關(guān)系進行分析,減少相同問題產(chǎn)生的事件。比如這個應(yīng)用場景:

NAS監(jiān)控:NAS文件系統(tǒng)在各OS上都會有監(jiān)控,一個NAS文件系統(tǒng)出問題時,每個服務(wù)器的NAS文件系統(tǒng)監(jiān)控都會報警。如能對NAS進行掛載關(guān)系梳理,同一NAS的報警可以大量收斂。

進程、端口、通訊檢測:一個進程宕掉時,該進程啟動的端口、關(guān)聯(lián)系統(tǒng)與該進程端口的通訊等都會同時報警。如能對進程、端口、通訊關(guān)系進行梳理,同一個進程引發(fā)的進程、端口、通訊監(jiān)控事件也能收斂明顯。

快看!一张思维导图,包罗最全监控体系建设要点

2)事件豐富

事件豐富包括事件描述豐富(通過CMDB豐富、拓?fù)湄S富)、事件現(xiàn)場豐富(指標(biāo)信息豐富、APM信息豐富、系統(tǒng)資源信息豐富)、知識庫豐富,提高運維人員分析問題的能力。

事件主要豐富方法如下:

  • 與第三方監(jiān)控系統(tǒng)對接,獲取事件相關(guān)信息進行豐富。如與CMDB系統(tǒng)對接,獲取服務(wù)器等相關(guān)配置信息進行CMDB數(shù)據(jù)豐富;
  • 根據(jù)拓?fù)潢P(guān)系模型,進行拓?fù)湄S富;
  • 指標(biāo)信息豐富:獲取事件發(fā)生前后一段時間內(nèi)的相關(guān)指標(biāo)信息數(shù)據(jù)(如CPU/內(nèi)存等),進行指標(biāo)信息豐富;
  • 相關(guān)事件豐富:根據(jù)拓?fù)潢P(guān)系模型、應(yīng)用關(guān)系關(guān)聯(lián)模型、交易流行關(guān)聯(lián)模型將相近事件時間范圍內(nèi)的事件進行豐富展示;
  • 知識庫豐富:建立事件處理方案知識庫,記錄事件處理的方法和流程,為事件處理人提供參考依據(jù),以及為后續(xù)自動化運維提供理論支撐。

下面這個是我們做的一個事件豐富,主要包括幾塊內(nèi)容:

  • 事件涉及的軟硬件的基本配置信息、人員信息,這一塊是基本CMDB的數(shù)據(jù)消費;
  • 事件報警的主體信息,包括時間、事件描述、事件可能原因、事件處理情況等;
  • 事件應(yīng)急處理及流程工單鏈接;
  • 事件主體信息的具體指標(biāo)數(shù)據(jù)展示,以及指標(biāo)變化趨勢;
  • 最近30分鐘的事件情況,以備分析是否受其它事件關(guān)聯(lián)影響;
  • 該事件所在OS的CPU、內(nèi)存、IO的信息;
  • 事件涉及的性能信息,比如交易量、成功率、交易耗時;
  • 事件處理進展。

快看!一张思维导图,包罗最全监控体系建设要点

3)事件擴散

事件發(fā)生之后,監(jiān)控系統(tǒng)需要能自動分析事件的關(guān)聯(lián)信息,幫助運維人員盡可能的還原事件現(xiàn)場,提高分析問題的能力,關(guān)聯(lián)信息主要有縱向和橫向的關(guān)系,其中縱向的關(guān)聯(lián)是把基礎(chǔ)設(shè)施、網(wǎng)絡(luò)、系統(tǒng)、應(yīng)用域、應(yīng)用、交易關(guān)聯(lián)起來,任何一個環(huán)節(jié)出問題,向上計算出波及范圍和受影響系統(tǒng);橫向的關(guān)聯(lián)是以交易為中心,計算上下游的交易節(jié)點。下面分別是兩個關(guān)聯(lián):

快看!一张思维导图,包罗最全监控体系建设要点

橫向關(guān)系:

快看!一张思维导图,包罗最全监控体系建设要点

4)事件觸發(fā)

系統(tǒng)在設(shè)置報警策略時,可針對指標(biāo)進行觸發(fā)條件設(shè)置,觸發(fā)條件按照類型分為閾值觸發(fā)、基線觸發(fā)、智能預(yù)測。系統(tǒng)根據(jù)不同的觸發(fā)類型設(shè)置,采用的判斷方式也不一樣。具體明細(xì)如下:

  • 閾值觸發(fā)

系統(tǒng)支持指標(biāo)的閾值觸發(fā)設(shè)置,當(dāng)指標(biāo)值達到設(shè)置的閾值時即可進行報警。

閾值的設(shè)置范圍只能在該指標(biāo)的數(shù)值范圍內(nèi)進行設(shè)置。

閾值在設(shè)置時需要指定數(shù)值單位,防止數(shù)值因單位不同出現(xiàn)判斷錯誤。

在設(shè)置閾值時系統(tǒng)支持實時查看指標(biāo)當(dāng)日折現(xiàn)圖和歷史基線,幫助運維人員正確判斷閾值的設(shè)置范圍。

  • 基線觸發(fā)

系統(tǒng)支持指標(biāo)的基線觸發(fā)設(shè)置,當(dāng)指標(biāo)值達到設(shè)置的基線時即可進行報警。

基線設(shè)置可按照昨日基線、月基線、周基線進行設(shè)置。

系統(tǒng)支持在選定的基線基礎(chǔ)上進行上浮或下沉幅度的設(shè)置。

在設(shè)置基線時系統(tǒng)支持實時查看指標(biāo)當(dāng)日折現(xiàn)圖和歷史基線,幫助運維人員正確判斷基線的設(shè)置范圍。

系統(tǒng)支持按照平均基線進行設(shè)置。

基線設(shè)置時需要有一定的歷史數(shù)據(jù)作為依據(jù)。

  • 智能預(yù)測

智能預(yù)測主要是通過歷史數(shù)據(jù)的分析,通過人工智能算法預(yù)測未來可能出現(xiàn)的問題,這一塊是未來監(jiān)控事件優(yōu)化的一個方向。

事件應(yīng)急

1)應(yīng)急恢復(fù)

運維最基本的指標(biāo)就是系統(tǒng)可用性,應(yīng)急恢復(fù)的時效性是系統(tǒng)可用性的關(guān)鍵指標(biāo)。通常來講應(yīng)急恢復(fù)的方法有不少,比如:

  • 服務(wù)整體性能下降或異常,可以考慮重啟服務(wù);
  • 應(yīng)用做過變更,可以考慮是否需要回切變更;
  • 資源不足,可以考慮應(yīng)急擴容;
  • 應(yīng)用性能問題,可以考慮調(diào)整應(yīng)用參數(shù)、日志參數(shù);
  • 數(shù)據(jù)庫繁忙,可以考慮通過數(shù)據(jù)庫快照分析,優(yōu)化SQL;
  • 應(yīng)用功能設(shè)計有誤,可以考慮緊急關(guān)閉功能菜單;
  • 還有很多……

監(jiān)控系統(tǒng)的事件豐富過程中需要盡可能關(guān)聯(lián)上述的一些應(yīng)急手段,供運維人員快速應(yīng)急,比如服務(wù)啟停工具、切換工具、程序回切工作等,比如下面這個應(yīng)用服務(wù)啟停工具例子:

縱向關(guān)系:

快看!一张思维导图,包罗最全监控体系建设要点

2)現(xiàn)場保護**

故障處理中,理論上應(yīng)該在應(yīng)急前進行現(xiàn)場保護以備問題原因排查的跟進?,F(xiàn)場信息主要包含進程內(nèi)部狀態(tài)信息、日志信息。實際應(yīng)用過程中可以結(jié)合工具進行現(xiàn)場保護,仍以服務(wù)啟停工具為例,支持獲取進程線程鏡像信息、進程內(nèi)存鏡像信息及GC日志信息。

快看!一张思维导图,包罗最全监控体系建设要点

3)問題排查

  • 是否為偶發(fā)性、是否可重現(xiàn)

故障現(xiàn)象是否可以重現(xiàn),對于快速解決問題很重要,能重現(xiàn)說明總會有辦法或工具幫助我們定位到問題原因,而且能重現(xiàn)的故障往往可能是服務(wù)異常、變更等工作導(dǎo)致的問題。

但,如果故障是偶發(fā)性的,是有極小概率出現(xiàn)的,則比較難排查,這依賴于系統(tǒng)是否有足夠的故障期間的現(xiàn)場信息來決定是否可以定位到總是原因。

  • 是否進行過相關(guān)變更

大部份故障是由于變更導(dǎo)致,確定故障現(xiàn)象后,如果有應(yīng)的變更,有助于從變更角度出現(xiàn)分析是否是變更引起,進而快速定位故障并準(zhǔn)備好回切等應(yīng)急方案。

  • 是否可縮小范圍

一方面應(yīng)用系統(tǒng)提倡解耦,一支交易會流經(jīng)不同的應(yīng)用系統(tǒng)及模塊;另一方面,故障可能由于應(yīng)用、系統(tǒng)軟件、硬件、網(wǎng)絡(luò)等環(huán)節(jié)的問題。在排查故障原因時應(yīng)該避免全面性的排查,建議先把問題范圍縮小到一定程序后再開始協(xié)調(diào)關(guān)聯(lián)團隊排查。

  • 關(guān)聯(lián)方配合分析問題

與第3小點結(jié)合避免各關(guān)聯(lián)團隊同時無頭緒的排查的同時,對于牽頭方在縮小范圍后需要開放的態(tài)度去請求關(guān)聯(lián)方配合定位,而對于關(guān)聯(lián)方則需要有積極配合的工作態(tài)度。

  • 是否有足夠的日志

定位故障原因,最常用的方法就是分析應(yīng)用日志,對運維人員不僅需要知道業(yè)務(wù)功能對應(yīng)哪個服務(wù)進程,還要知道這個服務(wù)進程對應(yīng)的哪些應(yīng)用日志,并具備一些簡單的應(yīng)用日志異常錯誤的判斷能力。

  • 是否有core或dump等文件

故障期間的系統(tǒng)現(xiàn)場很重要,這個在故障應(yīng)急前建議在有條件的情況下留下系統(tǒng)現(xiàn)場的文件,比如COREDUMP,或TRACE采集信息等,備份好一些可能被覆蓋的日志等。

4)應(yīng)急文檔

故障的表現(xiàn)雖然形式很多,但實際的故障處理過程中,應(yīng)急措施往往重復(fù)使用幾個常用的步驟,所以應(yīng)急文檔首先要針對這些常用的場景,過于追求影響應(yīng)用系統(tǒng)方方面面的內(nèi)容,會導(dǎo)致這個方案可讀性變差,最終變更一個應(yīng)付檢查的文檔。以下是我覺得應(yīng)用系統(tǒng)應(yīng)急方案應(yīng)該有的內(nèi)容:

系統(tǒng)級

能知道當(dāng)前應(yīng)用系統(tǒng)在整個交易中的角色,當(dāng)前系統(tǒng)出現(xiàn)問題或上下游出現(xiàn)問題時,可以知道如何配合上下游分析問題,比如:上下游系統(tǒng)如何通訊,通訊是否有唯一的關(guān)鍵字等。另外,系統(tǒng)級里還涉及一些基本應(yīng)急操作,比如擴容、系統(tǒng)及網(wǎng)絡(luò)參數(shù)調(diào)整等。

服務(wù)級

能知道這個服務(wù)影響什么業(yè)務(wù),服務(wù)涉及的日志、程序、配置文件在哪里,如何檢查服務(wù)是否正常,如何重啟服務(wù),如何調(diào)整應(yīng)用級參數(shù)等。

交易級

能知道如何查到某支或某類交易出現(xiàn)了問題,是大面積、局部,還是偶發(fā)性問題,能用數(shù)據(jù)說明交易影響的情況,能定位到交易報錯的信息。這里最常用的方法就是數(shù)據(jù)庫查詢或工具的使用。知道最重要的交易如何檢查是否正常,重要的定時任務(wù)的應(yīng)急處理方案,比如開業(yè)、換日、對賬的時間要求及應(yīng)急措施。

溝通方案

溝通方案涉及通訊錄,包括上下游系統(tǒng)、第三方單位、業(yè)務(wù)部門等渠道。

另外,有了應(yīng)急方案,如何讓運維人員持續(xù)去更新是難點。我認(rèn)為要解決這個難點,需要先讓運維人員經(jīng)常使用這個手冊。如果一個手冊沒有場景可以用,那就需要管理者為運維人員創(chuàng)造機會去使用這個手冊,比如應(yīng)急演練。

持續(xù)優(yōu)化

1、整體思路

監(jiān)控系統(tǒng)建設(shè)目標(biāo)是完善“監(jiān)”能力,增加“控”的能力,這章提到的持續(xù)優(yōu)化主要是針對“監(jiān)”能力的落實,歸納起來就是“不漏報,少誤報”,可以針對不同的階段量化目標(biāo),比如60%告警即故障,80%故障來自監(jiān)控。

2、措施

1)目標(biāo)分解

  • 不漏報

漏報可以從兩個層面看,一個是監(jiān)控工具不具備某一方面的監(jiān)控能力;一個是監(jiān)控工具具備監(jiān)控能力,但因為使用者使用問題導(dǎo)致未覆蓋監(jiān)控。前者需要完善監(jiān)控能力,比如針對生產(chǎn)故障舉一反三式的優(yōu)化,或由不同專業(yè)條線主動增加監(jiān)控能力,后者則需要考慮幾個問題:

  • 管理上有沒有要求指標(biāo)的100%覆蓋率;
  • 覆蓋率的要求是否確實可以落地,或功能上是否設(shè)計極不友好;
  • 100%的覆蓋率是否從技術(shù)默認(rèn)設(shè)置,如果技術(shù)無法默認(rèn)設(shè)置,能否從技術(shù)上主動發(fā)現(xiàn);

前面兩個問題需要從管理手段上解決,最后一個問題需要在監(jiān)控系統(tǒng)中解決,即盡可能讓需要覆蓋的監(jiān)控指標(biāo)從技術(shù)上落地,減少對運維人員主動性上的依靠,同時監(jiān)控系統(tǒng)要快速從技術(shù)上響應(yīng)新的監(jiān)控指標(biāo)的落地。

  • 減少誤報

誤報帶來的問題也很大,大量、反復(fù)的誤報告警會讓運維人員麻木,進而忽視監(jiān)控報警,錯過了真正的監(jiān)控事件的處理,所以監(jiān)控誤報情況也需要重視。

2)心得

以下是在監(jiān)控優(yōu)化上的一些措施心得供參考:

第一階段:減少監(jiān)控報警數(shù)量

目標(biāo):每周報警總量上下降60%

主要工作:

  • 抓突出的報警指標(biāo),調(diào)整閥值,比如CPU、內(nèi)存、空間、應(yīng)用性能這幾塊大頭,如果閥值不合理將帶來大量告警,對這幾類指標(biāo)閥值做優(yōu)化會有事半功倍的效果;
  • 抓每個指標(biāo)突出的組、系統(tǒng)進行針對性整改,可能就是某個團隊或某些管理員不重視監(jiān)控,解決刺頭的成效也很明顯;
  • 針對重復(fù)性的告警,優(yōu)化監(jiān)控系統(tǒng),減少重復(fù)報警。

第二階段:減少監(jiān)控誤報率

目標(biāo):60%告警即故障(排除磁盤、表空間類)

主要工作:

  • 區(qū)分監(jiān)控級別,告警即故障:分析確認(rèn)哪類監(jiān)控報警必須作為事件處理,并將交易量監(jiān)控設(shè)置為告警,非故障調(diào)整為預(yù)警;
  • 所有預(yù)警即關(guān)聯(lián)工單,對預(yù)警工單閥值進行分析調(diào)整;
  • 優(yōu)化監(jiān)控短信內(nèi)容,提高短信對事件定位;
  • 完成動態(tài)基線的監(jiān)控功能上線功能,提高監(jiān)控準(zhǔn)確率;
  • 完成應(yīng)用部署與監(jiān)控維護期關(guān)聯(lián),減少未設(shè)置維護期導(dǎo)致的監(jiān)控報警;
  • 完成應(yīng)用啟停集中處理,減少應(yīng)用啟停帶來的維護期報警。

第三階段:提高監(jiān)控對故障的覆蓋率

目標(biāo):80%故障來自監(jiān)控

主要工作:

  • 每周分析生產(chǎn)事件的發(fā)現(xiàn)環(huán)節(jié),對于非監(jiān)控發(fā)現(xiàn)的故障進行專項分析;
  • 其它方案(針對第一、二階段實施情況完善)

第四階段:提高監(jiān)控事件處理效率

目標(biāo):監(jiān)控告警1小時內(nèi)關(guān)閉

主要工作:

  • 對監(jiān)控報警耗時進行分析,并通報
  • 針對無法快速恢復(fù)的監(jiān)控報警優(yōu)化功能處理

其它方案(待定)

3、團隊

因為有持續(xù)優(yōu)化的工作,所以最好能夠有一個橫向的監(jiān)控優(yōu)化團隊,區(qū)分于監(jiān)控系統(tǒng)工具建設(shè)團隊,作為監(jiān)控的使用角色,這個團隊有幾個目標(biāo):

將持續(xù)優(yōu)化的工作進行落地;

作好數(shù)據(jù)分析,比如監(jiān)控的事件量是否突增,某些系統(tǒng)的事件是否陡增,誤報量是否過多,故障哪些不是通過監(jiān)控發(fā)現(xiàn),未通過監(jiān)控發(fā)現(xiàn)的故障是否完成監(jiān)控覆蓋面整改,監(jiān)控功能有哪些不友好等等。 

 

責(zé)任編輯:張燕妮 來源: 高效運維
相關(guān)推薦

2017-07-06 12:01:52

MySQL數(shù)據(jù)安全

2017-10-16 12:56:16

正則表達式思維導(dǎo)圖

2021-02-07 09:01:10

Java并發(fā)編程

2019-08-27 09:40:55

Python編程思維導(dǎo)圖

2019-09-11 10:12:12

華為

2015-03-10 10:15:27

AppleWatch開發(fā)Swift

2020-05-22 10:07:50

物聯(lián)網(wǎng)工程師技術(shù)

2015-09-14 09:07:15

Java多線程

2015-09-23 10:04:03

開放數(shù)據(jù)

2015-10-29 15:09:32

信息圖數(shù)據(jù)

2023-09-05 08:53:51

2018-05-18 18:09:44

人工智能

2013-12-16 10:59:52

WiFi上鎖WiFi被盜

2024-05-07 08:49:45

微服務(wù)架構(gòu)模式

2018-02-13 14:56:24

戴爾

2020-09-12 16:45:49

Git

2025-03-11 10:58:00

2022-08-19 14:46:16

視覺框架

2015-06-24 10:51:10

iOS學(xué)習(xí)流程
點贊
收藏

51CTO技術(shù)棧公眾號