阿里云监控体系现状概览

本文根据InfoQ中文站跟阿里云产品技术部产品总监马劲的在2014年10月初的一次电话交流整理而成，褚霸对本采访内容亦有所贡献。在本次沟通中，马劲对阿里云监控体系的现状进行了简单介绍，涉及到监控的覆盖面、监控粒度、故障识别、OpenAPI的开放进度等方面。

嘉宾简介

马劲，花名竹蜓，来自阿里云产品技术部，是阿里云四大主题（云服务器，存储和多媒体、数据平台、中间件）的产品总监之一，负责阿里云所有中间件产品管理，目前负责管理的产品有OCS（缓存）、MQS（消息队列）、ACE（云引擎）、ESS（弹性扩展）、PTS（性能测试）、Open Search（开放搜索）、ONS（开放消息服务）、云监控。竹蜓之前在IBM有13年工作经历，曾经担任云计算软件全球产品总监、大中华区软件VIP客户服务总监、大中华区软件培训负责人、攻城狮、程序猿等多个职位。

背景概述

监控体系是云计算基础架构最重要的组成部分之一。阿里云监控体系有两个视角：运维自己的集群监控体系，由技术保障部主导；以及用户视角的监控产品（如云监控服务），由产品技术部主导。运维的工作着眼于掌握每个服务的可用性、可靠性数据，提升发现问题解决问题的速度；客户的需求则是可以方便的看到自己阿里云资源的状态，包括资源的稳定情况和资源消耗情况等，以及客户基于阿里云的应用的状态，例如应用是否可用，性能如何。

当然，无论是何种角度的监控，底层基础架构是共享的。

过去一年主要完成的相关工作包括：

• 为阿里云的各个产品逐步建立全链路监控，完成对所有服务各个模块端到端的数据采集（运维视角）
• 在2014年4月开始“云监控”产品的公测，目前包含站点监控、ECS监控以及自定义监控。ECS的CPU、内存、IO、存储等资源的状态，现在所有人都可以通过API项获取（用户视角）
• RDS、SLB在“云监控”上的接入正在实现当中（用户视角）
  

RDS的监控

褚霸：RDS全链路监控现在基本都做完了。RDS较早做到全链路监控，是因为用户对数据库的QPS和RT变化非常敏感，倒逼着我们对系统更深入把控。

这就要求我们能够从网络（交换机）、操作系统、LVS、中间层、数据库整个链路能够从用户的视角收集到详尽的数据，通过流计算平台聚合、对比来看到异常，先于用户发现变坏的趋势，在更短的时间内做出响应。

全链路是个麻绳，需要整个链条上的每个部件都暴露出足够多的信息（特别是用户触发的行为动作），透过这个麻绳串起来。比如说RDS中间层统计数据在内存中按照树状组织的，基本上所有的内部模块都有详细的运行状态，日志和诊断代码在中间层中占比达到30%。这些状态都在内存中，抓取统计数据的代价是恒定的，精细到每个用户的链接，再聚合成用户级别，主机级别，集群级别在监控系统界面上关联展现，指标超过150个，基本可以做到白盒，对系统的运行了如指掌。

监控粒度

ECS上的CPU争抢情况已经按秒级采集数据，而对于IO访问的访问请求监控是更细粒度，统计到每个IO访问的响应延时。

监控的目的提供稳定的服务，在出了问题以后能尽快处置，即使做到十毫秒级，如果还是基于事件，问题报警，也是事后诸葛亮。监控希望能做到事前分析与预测，所谓后发先至，避免发生影响服务的事件，这本身是一个IT数据的大数据应用的课题，例如我们正在分析VM的CPU消耗周期变化尽可能把CPU密集的VM均匀分布到不同的物理机器上，同时正在开发动态热点迁移技术进一步提高用户体验。

做到秒级不是目标，做到主动预测、主动干预化解问题，避免服务对外不可用，才是我们的目标。

故障预测

基于全链路的监控与分析平台，我们对每一次的故障进行review，将故障原因的相关指征提取出来，形成预警方法。有些故障是由软件更新的bug触发，不过bug触发的问题如果能够提取为指征，也可以回归到预警系统。另外，通过异常分析也可能找出可能未知的问题，报警让人来分析。

全链路监控与分析平台现在在RDS上得到应用已经取得不错的效果，ECS、SLB和CDN等正在应用该平台。

弹性计算服务

阿里云正在做Elastic Scaling Service弹性计算服务，原计划8月发布，但是觉得还达不到公测的质量水平标准，所以有所延迟，预计近期（10月）会推出邀请测试。

第三方监控服务

其实公测阶段的云监控产品目前还不太完善。比如ECS实例监控，现在还需要客户手动下载安装Agent，这对于ECS服务器数量多的客户是工作量很大的，可以做得更加自动化。

阿里云的云监控会提供更多服务，同时也欢迎第三方能够针对阿里云开发一些高级的监控。目前市场上已经有客户自己安装了第三方监控可以在阿里云上使用，包括商业监控软件和开源监控软件对阿里云资源的监控，也有客户自己订阅了监控SaaS服务来监控他们跑在阿里云上的应用，包括一些国外的SaaS监控（如New Relic）。

阿里云的云监控提供OpenAPI，目前已经在针对小部分可信用户进行内测。内测资格目前只有经过单独审批才能拿到，主要针对企业客户。因为API涉及到权限、流量等安全因素，所以这方面会非常谨慎的逐步公开，一方面要借助内测用户的尖锐批评来改进，减少bug、提升用户体验，另一方面也需要把文档更加完善起来，具体的时间表尚未确定。

总结

阿里云是非常技术的产品，但归根结底是为了让客户用的爽，解决客户的问题。阿里云总裁菲青经常带阿里云的管理者去跟客户沟通，管理者也被鼓励尽量带着一线员工出去了解客户。现在每次阿里云发新的feature之前，产品经理都会先把demo发到客户群里，这样在上线之前就能收集到部分反馈。今年9月初，阿里云管理者大会上搞了“火线24小时”的活动，全员自由组了几十个队伍去研究客户工单，在24小时内针对工单内容设计解决方案，最后选拔出来的8支队伍提供的方案在大会上讲演之后立刻往下迭代，不需要立项、审批、排期。这样的活动还会不定期的搞下去，只要客户有问题，阿里云就有动力持续的努力解决。

做阿里云，技术上固然有很多挑战，但最大的挑战还是对客户的理解。因为业务是很丰富的，比如客户提一个要查看某一个监控项比如缓存命中率的需求，我技术上实现不难，但做出来的东西未必是客户想要的，客户可能查看数据主要的目的是找到应用出了什么问题，具体观察的时间，观察到以后如何处理。唯有真的去客户那里和客户交流，深入了解客户使用的场景，了解客户的痛点，才能做出真正满足客户需求的服务。

工单，论坛都是是很重要的产品改进输入，我们的产品经理和管理者会认真看工单，不断转化为产品改进。恳请大家把您的问题告诉我们，“向客户学习，陪伴客户成长”是我们的理念。