微博現在日活達到了 2 億，微博廣告是微博最重要且穩定的收入來源，沒有之一，所以微博廣告系統的穩定性是我們廣告運維所有工作中的重中之重。

這樣的自動化運維平臺基本上滿足了運維的日常操作需求，在 Kunkka 平臺中還有自動擴縮容的功能，我們針對這個功能進行延伸。

在自動擴所容的基礎上，根據時間段，流量進行動態判斷，自動決策的擴所容夠功能。

彈性計算

為什么需要彈性計算

首先簡單介紹一下彈性計算的架構，彈性計算依托于 Kunkka 自動化運維平臺，以及 Oops 監控平臺，在業務壓測的情況下獲取業務指標監控，將數據送到容量決策系統，做出是否擴縮容的決定。

在云服務商方面，我們常用阿里云、華為云跟一部分自建的私有云。DCP 混合平臺是我們微博另外一個團隊做了幾年的平臺，它能夠對接云服務，快速生成

現在拿到了一個非常重要的容量值及消耗比來進行容量評估，用于描述當前的容量消耗情況。

拿到這個消耗比之后是不是就可以擴容了?還是可以縮容了?此處還需要一個評估標準，是 30% 就擴?還是 50% 再擴?

我們基于歷史數據給予分析，制定了三條水位線，包括安全線、警戒線和致命線，拿當前消耗值與水位線進行對比，在不同階段采取不同的措施。

比如，現在的消耗度遠遠低于安全線，說明現在服務器部署有冗余，我們可以進行逐步的縮容。

如果說現在已經高于致命線，則需要擴容，讓這個值更加接近安全線，保證系統的穩定性。

⑤在線容量評估體系

前面進行的數據采集、計算，以及動作的串聯，都是為了完成最后一個目標，服務擴容成功。

真正的服務器擴容到線上之后，怎么樣才能保證服務是健康可用的呢?我們還有另外一套輔助系統叫擴容演練。在實時演練過程中，要注意以下幾點：

部署效率：我們通過擴容演練來尋找整個擴容過程中的瓶頸，比如，我們下發是通過 DCP 對接云服務商來完成擴容的。

在真正的線上擴容過程中，DCP 有時要同時承載幾千臺節點的擴容并發。DCP 的效率是否能夠滿足?在擴容演練過程中需要確認這一點。

帶寬限制：微博和云服務商之間確實是拉了專線，但是微博和云服務商不只是微博廣告的一個業務，還有很多其他大戶。

而且一般在流量增加的時候他們的擴容也是非常猛烈的，所以帶寬是否可用，也是我們在日常演練過程中非常注意的現象。

依賴服務：這方面有很多案例，在這里簡單分享一下，2015 年春節，自動擴縮容的流程才剛剛開始，春節當天晚上我們擴容完幾千個節點后，忽然發現負載均衡加不上去。

說到監控，不得不說監控遇到的很多問題。市面上有很多開源的監控軟件，比如說常見的 Zabbix，在監控數據量少的情況下，不管是基礎監控還是業務監控，這些開源軟件都是可以直接滿足需求的。

但是隨著監控指標的增多，加上我們的指標是實時性變化的，數據要求又比較高，這些原生軟件不再滿足我們需求了。

另外，微博廣告的業務數據有特殊性，一般運維關注的數據是系統的性能，系統的性能數據有時候來源于業務日志。

但是微博廣告的業務日志是收入，很多業務日志是一條都不能丟的，比如說結算的曝光。

每一條曝光對于廣告來說，都是真金白銀，對精準性要求比較高，單獨通過性能監控的日志收集方法是不能滿足需求的，這也是我們面臨的挑戰。

另外，監控系統一般都會具備告警功能，有告警就會有告警問題，接下來會詳細地介紹告警問題。

還面臨定位方面的挑戰，在監控越來越完善的基礎上，很多開發的操作情況發生了變化。

一旦發生問題，第一個反應并不是上服務器看一下系統怎么了，而是翻監控，看看哪些監控指標發生了問題，所以監控系統會越來越多地面向于問題定位這個方向。

Oops 整體架構面臨的挑戰

作為監控系統，Oops 在架構上并沒有什么出奇的地方，所有的監控無非就是四個階段：

• 從客戶端進行數據采集
• 數據的清洗和計算
• 數據存儲
• 數據展示

監控數據流向特點

所有的監控系統都逃不開這四個階段，只是根據業務的不同進行了定制化的工作。

針對廣告業務的監控流向，我們把數據分成兩類，有一部分精密數據的計算，我們采取的是離線分析的方式，通過采集軟件將所有的日志采集到 Kafka，通過計算的工具進行拆洗、計算，計算之后落存儲。

還有另外一個團隊開發的針對于這一部分數據的頁面展示化，還有一個系統叫 Hubble，針對精細數據的展現，實現個性化定制的展現。

另外一部分是運維比較關心的數據，今天來了多少流量?流量有多少是正常的?有多少是異常的?平均耗時是多少?針對這一部分，我們采取了實時數據計算的方法。

在數據采集階段發生了變化，我們并不采集全量日志，而是在客戶端做了預處理，進行分類計算。

比如說監控數據，就按監控數據的方法計算;告警數據，就按告警數據的計算。而且按照用戶讀取的需求進行分類存儲，保證了高并發數據的實時性。

海量指標監控系統流程

接下來詳細介紹實時數據計算。

首先從數據采集上講，上文提到我們不采取全量的采集方式，而是通過 Agent 對數據進行處理。

在數據采集階段，在數據產生的服務器上，針對不同的需求按不同的時間進行分類聚合，最終向后推送的數據是 key-value、計算方法這種模式，推送給 Proxy。

Proxy 拿到已經被打包的數據進行拆包，然后送給不同的計算結點，再按照 Key 進行計算，打時間戳。

這個數據并不精準，但我們可以接受部分損失，只需要保證數據的趨勢是正確的。

另外，關于分類計算，不同的需求推送給不同的計算節點。存儲也進行了分類，實時性要求比較強的話會直接放到內存，以最精細粒度進行存儲。

前三個小時的數據是按秒存的，按天計算的數據是按 10 秒、30 秒存的，一些單機數據是按分鐘存的。

另外一些歷史性的數據需要出報表的，比如說要看前一周的數據，前一個月的數據，按照大數據的方式存到 OpenTSDB 當中。

存儲的數據提供一個 API，通過 API 我們進行了分類計算、分類存儲，這種分類的需求來源于用戶，需要看用戶有什么要求，要什么樣的數據。

比如，Dashboard 的展示數據會直接被放到內存里。另外，上文提到的在線擴縮容數據，會相應獲取數據給用戶，其他相關的獲取需求 API 也會進行分類獲取。

接下來我們計算過的數據還有一部分會存儲到 Redis 通過 WatchD 作為告警中心的數據，因為告警數據一般都只要求當前數據，不會有人需要查看上個月這臺機器的負載有沒有告警。

所以 Alert 節點計算之后的數據直接存在 Redis，Redis 把這個數據拿出來之后經過告警中心根據告警規則進行清洗，通過各種方式推送到需求方。

同時有一個相對個性化的展示叫九宮格。我們的九宮格實際上是一個結合報警功能的監控，它是一個頁面，但具備了告警功能。

接下來看一下監控圖，下面三張圖是范冰冰宣布分手拿到的流量，我們的反映是非常靈敏的，平均耗時也漲上來了。

第三張圖是拿到這些數據之后，自動平臺顯示應該擴容了。藍色跟綠色的流量線已經降下來了，大部分量調到

下圖是我們的九宮格，因為時效性比較強，正常來說是以產品為頁面，以業務線為格子，每個格子記錄的是單機的詳細信息。

如果在這一組服務器當中單機故障數超過一定的比例，這個格子會變顏色。

所以在正常的運維工位上都會有這樣的大屏幕，運維可以一目了然發現自己所有負責的業務線情況，而不是讓一臺臺機器在這里展現，這樣就沒有辦法看到業務線情況了。九宮格可以讓運維更加直觀地看到當前的告警情況。

告警

告警有很多的問題，我們遇到的問題可以分為以下四個方面：

①告警數量巨大

運維人員需要關注所有部分，從系統到服務、接口等等，維度很多，一旦有問題，各種策略都會觸發報警，報警數量多到一定程度，基本上等于沒有報警。

②重復告警率高

告警策略一般會周期性執行，一直到告警條件不被滿足，如果服務一直不恢復，就會重復報下去，另外，同一個故障也可能引發不同層次的告警。

比如，我們有一個業務線叫超粉，會有 360 臺服務器，流量高峰時 360 臺服務器會同時發送告警，這種告警的重復率很高。

③告警有效性不足

很多時候，網絡抖動、擁堵、負載暫時過高或者變更等原因，會觸發報警，但這類報警要么不再重現，要么可以自愈。

比如一個硬盤在接近 80% 的時候開始告警了，你讓它告嗎?好像得告，但似乎不告也可以。

④告警模式粗放

無論是否重要、優先級如何，告警都通過郵件、短信、App PUSH 發送到接收人，就像暴風一樣襲擊著接收人，接收人沒有辦法從中獲取到有效的信息，經常會讓真正重要的告警淹沒在一大堆普通告警中。

針對這些問題，我們采取了以下措施：

①抖動收斂

對于這種大規模服務器的維護，抖動是非常常見的現象。網絡抖一抖，整個服務單元就會向你告警。

針對這種抖動，我們增加了一些策略，抖動的時候會前后比較，監測重復性，看看是不是具備告警的意義，通過增加告警策略這種方式來進行收斂。

比如說流量突增的時候，需要查看是不是同單元都出現了這個情況。

②告警的分類和分級

詳細定義告警級別，發送優先級、升級策略等，可有效減少粗放模式下告警接收量。比如，一些低優先等級的告警會讓它告，處理的級別會低一點。

③同類合并

同一個原因可能會觸發一個服務池里面的所有實例都報警，比如同時無法連接數據庫，其實只需要報一次即可。

④變更忽略

我們的好多變更都是在 Kunkka 平臺上操作的，開發有時候會選中一個通知，現在是變更，告警請忽略。

以上措施能解決告警問題中 80% 的問題，現在大家都在朝著更高級的方向發展，我們也簡單做了一些探索。

在原有告警數據流情況下引入了工具 SkyLine，這個工具包含了多種算法，在異常檢測環節中，能夠通過它內置的算法將我們傳入的數據自動去抖動，提供平滑的數據，等你再拿到這個數據時就不需要再檢測是不是告警。

這個工具避免了人工操作，通過 Skyline 將數據進行平滑，提供一份準確的數據，我們只需要通過這份數據，進行規則判斷，決定是否需要告警就好了，減少了對數據準確性判斷的復雜過程。

接著是根因分析部分，隨著監控的覆蓋面越來越廣，監控精確性越來越高。

等故障出現的時候，開發人員就會去翻監控圖，去查看大概是哪些原因導致了故障。

隨著 Dashboard 越來越多，即便是經驗非常豐富的工作人員也很難快速地定位到原因會出現哪個方面、該去看哪張監控圖。

出現流量突增的情況時，Skyline 會通過內部的算法 Luminosity 尋找相似的情況，查看相同的時間內是否有其他地方出現流量異常，并將根源問題展示在 TOPN 上。

這樣就能夠快速查看在故障出現的前后哪些

本文標題：3000臺服務器不宕機，微博廣告系統全景運維大法
網頁網址：http://m.newbst.com/news40/97690.html

成都網站建設公司_創新互聯，為您提供網站營銷、手機網站建設、響應式網站、網站排名、企業網站制作、網站導航

廣告

聲明：本網站發布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創新互聯