作者:苟利(陈自欣),蚂蚁金服中间件产品专家, 负责蚂蚁金服分布式链路跟踪系统的产品化工作,在日志分析、监控领域有多年工作经验。
本文根据 8 月 11 日 SOFA Meetup#3 广州站 《蚂蚁金服在云原生架构下的可观察性的探索和实践》主题分享整理。现场回顾视频以及 PPT 查看地址见文末链接。
前言
随着应用架构往云原生的方向发展,传统监控技术已经不能满足云原生时代运维的需求,因此,可观察性的理念被引入了 IT 领域。
下面我将会就可观察性在云原生的起源,可观察性发展动力, 可观察性与监控的关系,可观察性的三大支柱,社区发展方向及产品现状,以及蚂蚁金服对相关问题的理解及实践进行探讨。
才疏学浅,欢迎拍砖。
为什么云原生时代需要可观察性
可观察性的由来
在云原生语境下的可观察性这个词,最早出现于2017年7月, Cindy Sridharan 在 Medium 写的一篇博客, “Monitoring and Observability“,谈到了可观察性与云原生监控的关系。
而在2017年10月, 来自 Pivotal 公司的 Matt Stine,在接受 InfoQ 采访的时候,对云原生的定义进行了调整, 将Cloud Native Architectures 定义为具有以下六个特质:
- 模块化 (Modularity) (通过微服务)
- 可观察性 (Observability)
- 可部署性 (Deployability)
- 可测试性 (Testability)
- 可处理性 (Disposability)
- 可替换性 (Replaceability)
可见,在2017年下半年, 可观察性成为了一个 buzzword(时髦词) ,正式出现在了云计算领域。
可观察性的定义
虽然“可观察性”这个词在 IT 行业是一个新的术语,但它其实是在上世纪60年代,由匈牙利裔工程师鲁道夫·卡尔曼提出的概念。
术语“可观察性”,源于控制论,是指系统可以由其外部输出推断其内部状态的程度。
这个外部输出, 在云原生的语境下,即 Telemetry ,遥测,通常由服务(services)产生,划分为三个维度或者说支柱, Tracing(跟踪),Metrics(指标) , Logging(日志)。
为什么云原生需要可观察性
近年可以看到,云计算对基础架构改变甚为巨大,无论是互联网行业,还是传统行业,云化在提升资源利用率,提高业务敏捷性的价值已经成为了公式。而在应用层面,由于业务特性的原因,互联网公司大部分已经完成云化,应用架构也不同程度上,完成了从单体应用向微服务应用演进。 在转型后,整体系统复杂性大大增加,倒逼相应的工具及方法论进行升级改造, 去 hold 住这么复杂的局面。
上图为 Uber 展示的总体调用链图。考虑到业务多样性及复杂度,在蚂蚁金服内部,相关调用关系只会更为复杂,用人类的智力,已经没有办法去理解如此复杂的调用关系。而上图只是展示了可观察性的链路调用, 如果再加上指标及日志, 不对工具及方法论进行革新, 是难以实现对复杂微服务架构的管控的。
微服务只是云原生的模块化特性的体现, 再考虑到近年被广泛应用容器,Kubernetes , 以及大家关注度极高的 Service Mesh , Istio, 每一个新的技术的出现,在带来了更优雅的架构、更灵活的调度、更完善的治理的同时,也带来更多新的复杂性。
因此,可观察性对于云原生的应用架构,是必不可少的特性。
可观察性和传统监控的区别
说半天,不少同学就会说,这个可观察性与我们谈的最多的监控有什么区别。 虽然有不少的人认为, 这词就是个buzzword,就是赶时髦的,没有太大的意义, 但是我结合网上的讨论, 个人认为可观察性与监控, 含义上虽然接近,但是也有一些理念上的差别,使得讨论可观察性这个词,是有具有现实意义,并能真正产生相应的价值。
- 监控更多关注的是基础设施,更多与运维工程师相关,更强调是从外部通过各种技术手段去看内部,打开黑盒系统。
- 可观察性更多的是描述应用,在我们谈论具体某应用,或者是某些应用是否具备客观性的时候,通常与开发人员相关,因为在常见的可观察性的实践之中,开发人员需要在应用的开发过程中嵌入例如 statd 或者是 opentracing,或者是 opencensus 等所提供的库,对相关的 telemetry 进行输出,或者是俗话说的埋点。通过埋点,将服务内部的状态白盒化,使得其在运维阶段具备可观察性。某种程度上可以说,可观察性遵循了 DevOps 及 SRE 的理念,即研发运维一体化,从开发侧就考虑系统的可运维性。
这里值得补充说明的是,目前市面上,有商用或者开源APM 方案,通过入侵 JVM 或者其他技术手段,对应用进行自动埋点的,输出 trace 及 metrics 信息。 这同样也是一种可观察性的实现方式,这样做的最大的好处是,不需要对现有的应用进行改造,但是相应的 agent 对应用进行实时的监控, 必然会或多或少的增加资源的占用,例如每实例额外 30+MB 内存,5~10% 的 CPU 占用,在大规模的运行环境之中, 会有不少的成本增加。
可观察性的三大支柱及社区进展
可观察性的三大支柱
可观察性的三大支柱及其之间的关系, Peter Bourgon 在2017年2月撰写了一篇简明扼要的文章, 叫 “Metrics, tracing, and logging” , 有兴趣的可以去看一下, 以下仅为简单的提及。
指标数据(Metrics Data)
描述具体某个对象某个时间点的值。在 Prometheus 中, 指标有四种类型,分别 Counter(计数器)、Gauge(瞬时值)、Histogram(直方图)和 Summary (概要), 通过这四种类型,可以实现指标的高效传输和存储。
日志数据 ( Logging Data)
描述某个对象的是离散的事情,例如有个应用出错,抛出了 NullPointerExcepction,或者是完成了一笔转账,个人认为 Logging Data 大约等同于 Event Data,所以告警信息在我认为,也是一种 Logging Data。 但是也有技术团队认为,告警应该算是可观察性的其中一个支柱。
跟踪数据(Tracing Data)
Tracing Data 这词貌似现在还没有一个权威的翻译范式,有人翻译成跟踪数据,有人翻译成调用数据,我尽量用Tracing 这个词。 Tracing 的特点就是在单次请求的范围内处理信息,任何的数据、元数据信息都被绑定到系统中的单个事务上。 一个Trace 有一个唯一的Trace ID ,并由多个Span 组成。
社区方案进展
由于可观察性在云原生中,是一个非常重要的特性, 因此,在开源世界中,先后出现了两个定位都比较类似的项目,分别是源自 Google 的 OpenCensus (定位上报 Tracing + metris) 和由 CNCF 孵化的 OpenTracing(定位上报 Tracing)。 两者都定位于提供厂商中立的技术规范,及实现该规范各种编程语言遥测库,使得用户在使用了相关的库以后,可以将相关的遥测数据, 发往不同厂商的后端, 如 Zipkin , SignalFX,Datdog 等,从而促进云原生的可观察的良性发展。
由于两个项目的定位高度雷同, 因此在2019年3月,两个项目社区的主要领导者,决定将两个项目进行融合,产生一个同时向下兼容 OpenCensus 及 OpenTracing 的项目,叫 Open Telemetry,将多个标准,降低为一个。
OpenTelemetry 旨在将可观察性的三大支柱,组合成一组系统组件和特定于语言的遥测库。 项目在最初并不会支持日志,但最终会将其合并。 这个事情比较好理解,因为日志数据量太大, 也缺乏相应的初始规范, 社区选择在时机成熟时再进行引入是一个很合理的策略。
简单来说,以后你在应用开发里头, 只要使用了 Open Telemetry的类库进行埋点, 则应用就可以通过一个协议, 统一上传指标, 跟踪,日志,到不同厂商的后端, 进行后继的分析。
社区产品现状及局限
与协议层,日趋一统情况不一样,在产品层面,由于产品的侧重点不同, 呈现出了百花齐放的局面。
但是,从某种角度来看,目前社区的产品方案有以下的局限:
1、缺乏大一统的产品,同时对三个支柱进行支撑,并进行有机的关联
这个无需多言,只要使用过上述的产品,就会发现没有办法找到一个完整开源产品,能够对以上三种遥测进行同时处理。就更没有办法进行统一的关联了。
2、缺乏大一统的产品模型,统一展示微服务 + Mesh + Serverless
在不远的将来, 传统微服务, Mesh , Serverless 应用, 混合交互,构成业务系统, 将会是一个普遍的情况,但是目前开源的产品,并不具备对以上三种计算模型进行统一的,可识别的管理。
蚂蚁金服对云原生的可观察性的理解及实践
蚂蚁金服在多年的分布式系统的运维过程中,对可观察性有着自己深入的理解, 结合用户的特点,将其进行产品化及解决方案,并提供给金融用户。
链路跟踪是可观察性的核心,用于故障定位
在微服务及分布式架构中, 链路跟踪是用户的核心使用诉求,这里大家都应该比较熟悉了,我也不多做展开。
Tracing + metirce + Log 有机关联是实现可观察性的关键
链路与日志关联
链路与日志关联是一个很重要的场景。 在很多时候,某一个调用失败, 失败的原因,并不能体现在 Trace 之上, 也许是发生在业务侧,例如余额不对, 导致整个调用的失败。 因此,很多时候,我们需要将链路和日志关联,帮助我们更好的判断到底是什么原因,导致链路调用失败,或者是进行进行其他分析。
为此,我们提供了一个 SDK ,用户可以根据我们官网上的配置, 对 log4j 及其他 logger进行配置后, 将 TraceId 及 RPCId 从 Tracer 中进行获取, 那么在打印的日志的时候,TraceId , RPCId 也会如图上所, 在日志中打印出来。 最后, 然后通过 Trace view , 我就能在查看链路的同时,查看关联的日志。
具体的配置方式或者原理,感兴趣的同学, 可以查看蚂蚁金服金融科技官网。
拓扑与指标关联
除了链路与日志关联, 我们 SOFA 还提供了应用指标的上传功能, 在应用上传 Trace 的同时, 我们将指标与调用拓扑进行了关联, 用户可以点击应用拓扑中的应用,下转查看响应的拓扑指标。
按照固定采样率进行采样不能满足实践使用需求
有 Tracing 相关产品使用经验的同学都知道,在业务量大的时候, 相关的 Tracing 产生的数据量会较多, 导致存储成本以及处理成本的大幅度增加。在实际的生产中, 我们往往会对 Tracing 进行采样,通常会采用 1⁄100 甚至是1/1000 的方式进行采样。
具体的采样方式,通常采用 Head-based 采样,即,对 TraceId 进行以 100 或者 1000 来采模,采模后如果是 1 ,则 agent 对该 TraceId 进行进行采集。是否对链路进行采集的决定,发生在链路的第一跳,即 TraceId 产生时,所以叫 Head-based 采样。
这种采样方法好处是实现非常简单,但问题是 100 个链路数据中,可能有 3-5 个是运维人员关心的,通常是调用出错的链路,又或者是调用缓慢的链路,通过这种简单粗暴的采样,能采集到相应链路的机会就会很少。大部分情况下, 用户只能期望异常多次发生,并在某次被采样命中,然后进行分析。
目前,开源软件中,采用的都是这种方案。
我们在蚂蚁金服内部,使用的是 Tail-based 的采样方案,简单来说,我们会把所有的 Span 数据,都会放到内存里, 但这个时候,并不能决定具体那一条链路是采集还是不采集,但是当整条链路闭合后,我们就会对整条的 Trace 根据规则进行判断, 如果有调用失败,或者整个调用中有部分 Span 是处于缓慢状态的,系统会将会标记此链路为异常链路,即命中采样,永久保存。这样就能保证运维人员能够无视采样率,具备对异常链路进行查看能力。由于对某一条链路数据是否采集的决定,其实是处于链路的尾部(非严格意义)才作出的,所以叫 Tail-based 采样。
当然以上 Tail-based 的采样的描述是极其简单及理想化的, 在海量数据量的情况下,以上的方法基本上没有办法使用,很容易就把内存给撑爆了。在实际设计中,我们还考虑了很多的因素, 进行了更多的细节处理, 使得 Tail-based 采样的资源消耗也在一个可以接受的范围内。
目前这个功能在内部已经落地,对外还在产品化之中。
(想要了解上述更多技术细节,可以查看参考资料[1]&[2])
统一化 微服务 + Mesh + Serverless
未来,可以预期混合使用经典微服务、服务网格的企业必然越来越多。因此,如何设计一个通用的模型, 对以上三部分进行统一管控, 这也是蚂蚁金服目前正在实践探索的地方,期望外来有机会向大家分享。
未来展望
综上所述,随着云原生的发展, 我们相信拥有完整的可观察性三大支柱处理能力,并能在产品层面上对三大支柱进行灵活关联、下转、查看的监控产品,适用于混合的云原生场景的监控的产品,都将会越来越多,帮助企业内部落地云原生架构。
视频回顾
本次分享的视频回顾以及PPT 查看地址:https://tech.antfin.com/community/activities/779/review