運維監(jiān)控做成這樣，就達到 BATJ 的水準了
一、 導語
我們知道監(jiān)控系統的目標是：為保障業(yè)務 SLA，幫忙我們更全面、細致的了解業(yè)務系統的運行狀態(tài)，更及時的發(fā)現系統風險，同時給技術運營的同學爭取更多化解風險的時間和解決問題的方向。
為此有使用開源監(jiān)控系統（例如 Nagios、Zabbix、Prometheus、Grafana等），也有為了滿足自己的業(yè)務需求，會使用自己開發(fā)的監(jiān)控系統（例如小米的open falcon，騰訊內部的監(jiān)控系統 tnm2【基礎監(jiān)控】、cms【日志監(jiān)控】等）。
隨著業(yè)務系統對監(jiān)控系統的依賴，我們對監(jiān)控系統的高可用性、擴展性等能力都會有更高的要求，那我們應該如何來全面的、系統的看待和提高自身監(jiān)控系統的要求呢？
二、 能力提升方法
如何進行全面、系統的進行看待監(jiān)控系統的要求，有很多辦法，遇到問題的時候對照一些頂級公司的優(yōu)秀監(jiān)控系統，找出提升點。
也可以對照由 中國信息通信研究院牽頭 及 BATJ 等各大互聯網巨頭參與的專家《研發(fā)運營一體化（DevOps）能力成熟度模型》中關于 “監(jiān)控管理” 能力評估內容，根據標準的評估內容我們可以看到 BATJ 公司是如何定義一個先進的監(jiān)控系統的能力，下面我們來一起看看：
三、 提升點：能力項
我們發(fā)現整個關于“監(jiān)控管理”的能力項分成三個能力項，分別是“監(jiān)控采集”、“數據管理” 和 “數據應用” 三個，能力項內又包括了相關的子能力項，我摘取一些我自己覺得很有代表性的點來進行分析：
a）【能力項1：監(jiān)控采集】
1.能力點：“支持提供開放式、自定義的數據內容采集上報方案”
疑問：為什么需要對上報方案有要求呢？
解讀：比如騰訊內部的自研日志監(jiān)控系統CMS，對擁有多種采集方案“Agent、SDK、Kafka、ES等”，各種不同的采集方案應對不同的場景
Agent：類似filebeat，指定服務器的具體路徑，對文件的inode節(jié)點進行偵聽，發(fā)現新增立即進行上報數據；
SDK：可以嵌入到業(yè)務代碼邏輯里面，應對一些敏感數據不落地但是又需要上報的場景，可以在業(yè)務邏輯中對敏感數據進行脫敏（染色），然后再進行上報，也可以應對一些日志量太大，不想經過日志落盤這個中間消耗性能環(huán)節(jié)的場景；
例如：金融交易場景，要對交易數據做監(jiān)控，但是又有一些敏感數據不想進入監(jiān)控系統，這個時候就需要使用SDK在產生日志的時候進行脫敏，將用戶信息隱藏掉，再上報到監(jiān)控系統內部；
Kafka：可以應對一份日志多份消費者的場景，可以讓業(yè)務將日志放入Kafka后，多個消費者進行自行提取即可；
例如：還是金融交易場景，一份日志可以做安全審計，同時也可以做監(jiān)控系統，這時候就可以安全審計系統和監(jiān)控系統同時拉取一份Kafka的主題數據，不用打印多份；
2.能力點：“支持多種傳輸方案 ，如同時具備推與拉數據”
疑問：為什么需要具備推與拉數據呢？具備一種不可以嗎？
解讀：正常的監(jiān)控系統一般都是采用拉數據的方案，因為由服務器端發(fā)起，順序和過程可控，但是為什么需要拉數據呢？
原因是在幾種場景下需要這種能力：網絡限制，當出現網絡限制時，如安全等保中規(guī)定，高安全等級區(qū)域可以發(fā)起對低安全等級區(qū)域的鏈接，反之則不可以，所以需要從高安全等級區(qū)域推送數據至監(jiān)控服務；性能要求，如同 Zabbix 的 active模式 和 passive模式；服務特性，部分服務并么有對外提供請求接口，則需要內部邏輯對外進行主動 Push 監(jiān)控數據。為了保證對業(yè)務系統和流程全面的監(jiān)控，我們需要有多種能力的滿足；
例如：某個業(yè)務中有個定時任務將離線數據統計并更新至數據庫，該定時任務并無任何請求訪問接口，我們如何能監(jiān)控它的運行狀態(tài)呢？可以在定時任務邏輯內部加入一個心跳機制，定期向監(jiān)控系統push自身的監(jiān)控狀況，所以推的傳輸能力也是監(jiān)控必不可少的；
b）【能力項2：數據管理】
1.能力點：“具備對原始數據進行規(guī)則化處理的能力”
疑問：為什么在接收數據的時候需要有規(guī)則化的處理呢，落地之后進行規(guī)則化處理不行嗎？
解讀：基于性能高效及數據完整性的考慮，需要在接收過程具備這個能力，我們還是以騰訊自研日志監(jiān)控系統為例，當我們接收大量的日志Agent上報的時候，可能日志不一定是按照我們的規(guī)則進行上報，如果一旦有日志格式錯誤，會導致大量的入庫數據異常，還會導致數據污染，這個時候需要一個規(guī)則化處理的能力，將不滿足規(guī)則的數據進行清洗。同時如果大量的日志異常，落地之后進行清洗和處理將會消耗大量的算力，對于后來也是很大的壓力，所以具備這個能力是非常有必要的。
2.能力點：“對異構數據源的關聯分析處理能力”
疑問：異構數據源關聯分析處理能力具體是指什么？
解讀：異構數據源廣義上是指“數據結構、存取方式、形式不一樣的多個數據源”，我們還是以騰訊內部的 自研日志監(jiān)控系統CMS 為例，當 某個服務上報日志里面有 源IP地址 和 業(yè)務關鍵數據，我們簡單排重和排序就可以知道哪個源IP地址訪問最多，但是如果我們想知道某個城市、省份、甚至是運營商（電信、移動、聯通），那就需要這個關聯分析能力，我們知道有一種數據是IP地址對應城市、省份 和 運營商（由于不斷在更新，所以需要獨立維護），通過這個數據和日志數據一關聯就可以清楚地看到我們要的結果；
3.能力點：“具備數據一致性、完整性和可用性等管理特性”
疑問：數據一致性、完整性和可用性好理解，但是管理特性是什么？
解讀：我們還是以騰訊內部的 自研日志監(jiān)控系統CMS 為例，日志監(jiān)控系統是由用戶數據上報、數據格式化、處理、聚合（統計、維度分析）、入庫/投遞、寫入時序數據庫等多個環(huán)節(jié)組成，當用戶看到最終結果異常如何能快速知道哪里出了問題呢？這個就需要有相關的管理特性來實現了，在每個環(huán)節(jié)都增加自監(jiān)控的能力，清晰看到數據流和曲線圖，可以快速發(fā)現異常點；
c）【能力項3：數據應用】
1.能力點：“具備告警風暴管控的能力， 如抑制、收斂等”
疑問：告警收斂能力常用的方式都有哪些呢？
解讀：一般在告警收斂中常用的規(guī)則有“基于時間收斂”、“基于事件收斂” 和 “基于級別收斂”等，根據不同的業(yè)務需求可以有不同的收斂方式。基于時間是最常用的，Nagios 和 Zabbix 的基礎配置。基于事件，一般是需要有主動和被動調用關系的告警，比如Zabbix 的 trigger-Dependencies 的功能。基于級別的收斂更是在開源和自研的系統中被使用。
四、結尾
如何看待和提高監(jiān)控系統的能力，不管是參照開源監(jiān)控系統對比學習，還是從《研發(fā)運營一體化（DevOps）能力成熟度模型》中對比學習，都是一個不錯的方向，當然里面的知識點是集合了多數大牛的智慧結晶，本文只是摘取了少量的點進行解讀。
