得物技术直播服务监控告警归因实践

背景

伴随得物社区、直播业务快速发展，用户体量也越来越大，服务的稳定性要求日益趋高。那如何快速的对监控告警进行归因、快速的解决问题，我想每个人都有自己的排查定位手段。对经验稍少的同学，可能大家都经历过相同的几个阶段，迷惑告警信息不知从何入手、排查思路容易走入误区、问题原因不知如何筛选。本文着眼于该知识的沉淀，通过互相学习、借鉴团队智慧、总结排查case，希望最终可以让大家受益，快速定位、及时止损。

一、直播监控告警归因实践

本文不涉及到具体的业务问题归因，而是如何将告警信息归因到某一方面。对于业务层次的代码问题，这需要完善的日志输出、全链路追踪信息、符合条件的问题上下文等去判断，思路也是相通的。

目前得物社区、直播业务使用go、处于k8s环境，监控指标使用grafana展示，天眼告警平台飞书通知。目前存在的告警规则有：RT异常、QPS异常、goroutine异常、panic异常、http状态异常、业务异常等。最近直播业务碰到一次某服务RT抖动，虽然扩容解决了相应抖动，但在归因定位过程中也走过一些弯路，下面是对整个排查过程的一个展示：

服务监控表现

告警信息反馈：服务RT异常上升、goroutine上升。通过grafana查看服务指标， 发现该时间点有出现流量尖刺，QPS上升明显

查看HTTP、GRPC指标，平均RT、99线明显上升

Mysql指标中RT上升明显，猜测可能是由于mysql有大批量查询或者慢查询，导致RT波动，从而导致告警

Reids指标中RT上升明显，猜测是由于redis抖动，导致RT上升，出现超时然后流量被打到了mysql上

甄选可能的原因

	监控指标
外部HTTP	全部接口RT上升	QPS出现流量尖刺
Redis	全部请求RT上升	QPS随流量波动
Mysql	全部请求RT上升	QPS随流量波动
Goroutine	全部Pod都上涨明显
三方依赖	全部请求RT上升

结合上述现象，我们首先能确定影响范围为服务级别。其次发现服务日志中出现redis timeout的错误日志，调用三方服务出现超时错误日志。

第一点考虑系统资源是否充足，通过查看cpu、memory指标，告警时间点系统资源不造成瓶颈。那么我们可以排除这二个原因导致的此次服务抖动。

其次服务处于k8s环境中，由多个pod提供服务能力。且每个pod被调度在不同的node上，也就是不同的ecs上。同时该服务处于整体抖动状态，可以排除pod单机故障原因。

该服务整体受到影响，同k8s集群中其余服务正常，这可以排除网络故障的原因。总结下来所有的流量出入接口都受到影响，排除依赖服务故障的原因。那么接下来能考虑的就是服务的存储层(mysql、redis等) 存在故障，或者服务流量路径某个节点存在问题。

定位问题

通过阿里云的RDS，查看mysql、redis的性能趋势显示正常，并无慢查询日志，机器资源充足，网络带宽无异常，同时也不存在高可用切换。那么初步判断，存储层应该是没有问题的。

那么如何确定非存储层的问题呢？如果有使用同一存储层的另一服务，告警时段处于正常，那么就可以排除存储层故障。在直播微服务体系中，有另外一个服务使用相同的存储层，在告警时段服务处于正常状态，如此就可以确定排除此原因。

那么只剩下流量路径节点故障这一个原因，回顾一下整个链路， 服务使用k8s部署运维, 引入了istio做service mesh, 是不是该组件导致的问题呢？监控面板中也有istio的监控，如下：

从监控中查看好像并没有问题，只是在告警时间点有波动。问题排查到这里，发现好像都没问题，那么原因到底是什么呢？回顾一下前面的分析，我们发现能确定性的排除其他原因，同时服务扩容后，RT抖动也恢复正常了。

所以还是将目光转向流量路径节点的问题，寻求运维侧的同学支持，希望实时查看下istio的状态。这时候，我发现运维侧同学反馈的istio负载和监控面板中不一致，这里也就是团队成员走弯路的地方，因为istio的负载指标显示错误，所以跳过了该原因。经过多方排查，最终发现监控面板收集数据存在异常，经过修复监控数据展示，最终istio的真实负载如下：

真实的istio的负载，明确的指明了此次告警的原因。最后，经确认，目前sidecar使用的资源为2c1g。服务初期使用的pod配置为1c512m, 随着业务发展pod数越来越多，所以选择了升级pod的资源配置为4c2g。并且经过服务拆分，该告警服务流量转发居多，导致istio的cpu负载过高，从而导致此次抖动。因为目前sidecar资源固定2c1g, 所以通过把服务配置降级为1c2g增加pod数量，pod数量与sidecar数量是1:1，从而增加了sidecar的资源池，避免后续出现此类抖动。

二、影响级别、可能的原因、参考思路

我们需要快速定位问题，那么首先要确定影响的范围级别，以及存在哪些可能的原因。经过直播服务抖动的归因实践，能发现是一系列的筛选过程，最终得到答案。 对于非社区、直播技术栈的业务而言，我想都能总结出一套适用于自身服务的条例。 对于直播服务技术栈，存在的范围级别，可能的原因如下所示：

	异常表现	cpu原因	memory	存储层	流量路径	三方依赖	网络故障
接口级别	服务中某接口存在异常状态，其余接口正常			存在		存在
pod级别	某一pod存在异常状态，同服务其余pod正常	存在	存在	存在	存在		存在
服务级别	某一服务所有pod都存在异常状态，同集群中其余服务正常			存在	存在
集群级别	服务所在集群整体受影响,如前段时间测试环境ingress问题				存在		存在
IDC级别	IDC范围内服务整体影响				存在		存在

• cpu方面：临时流量、代码问题、服务缩容、定时脚本
• 内存方面：临时流量、代码问题、服务缩容, (k8s中需要区分RSS和cache)

<!---->

• mysql、redis：临时流量、慢查询、大批量查询、资源不足、高可用自动切换、手动切换
• 流量路径节点：南北向流量中ingress导致、东西向流量中istio导致

参考思路：

我们在收到告警信息时，首先需要判断受影响的范围，其次考虑可能存在的原因，再依据现有条件、现状，针对性的排除某些原因。问题的排查过程就如同一个漏斗，最终漏斗的最下一层就是问题的根因，如下所示：

下面是一些快速排除原因的case:

• 同一存储层，其余服务正常，可以排除存储层故障
• 服务pod数量大于1,基本可以排除服务的网络故障，因为pod分布在不同的ecs上
• 并非所有的流量出入口都存在故障，那么可以排除流量路径节点问题

三、流量路径、存储层介绍

日常除却代码层面，我们也应该对服务的整个流量路径也要有所了解，对使用的基础设施架构要心中有数，这样在排查问题的时候，能快速的帮我们判断关键问题。下面介绍一下社区、直播业务的流量路径，以及基础设施高可用架构。

流量路径

南北向流量

南北向流量路径中，ingress是核心路径，出现问题会导致整个k8s集群不可用。

东西向流量

东西向流量路径中, Envoy proxy接管所有流量，proxy出现问题会导致服务pod受影响

存储层

mysql高可用架构

目前社区、直播业务使用的是mysql多可用区部署，在高可用自动切换的过程中，会导致服务抖动。

redis高可用架构

redis目前是通过代理实现集群模式，proxy和redis实例是1:N, 每个redis实例都是主从结构，当主从发生自动高可用切换、手动迁移、资源变动，也会导致服务抖动。

四、总结

回顾一下整个过程，如同抽丝剥茧，一步步揭开庐山真面目。快速的对告警归因，不仅要有正确的排查思路，也要求我们除了代码层面的掌握，还要对整个系统架构有所了解。

文/Tim
关注得物技术，做最潮技术人！