Google SRE每周十條故障報(bào)警

運(yùn)維工程師面試者第一個(gè)問題是：需要值班嗎?

筆者自己也曾經(jīng)歷過月入十萬的時(shí)期，在那個(gè)時(shí)候，數(shù)個(gè)系統(tǒng)同時(shí)發(fā)布下一代版本，而老系統(tǒng)還需要過渡很長時(shí)間，工作量直接翻倍。

大家只能勉強(qiáng)應(yīng)付一線運(yùn)維工作，團(tuán)隊(duì)成員開始陸續(xù)離職，而新人又無法在短時(shí)間內(nèi)上手，整體情況不斷惡化，持續(xù)半年左右才緩過勁來。

[[279470]]

下面兩張截圖是我挑選的兩個(gè)團(tuán)隊(duì)一周報(bào)警數(shù)的對比圖，前者的單日報(bào)警量最高是55348條，后者單日的報(bào)警量最高為34條，兩者相差1600倍，而前者才是國內(nèi)很多互聯(lián)網(wǎng)運(yùn)維團(tuán)隊(duì)的真實(shí)寫照。

在管理大規(guī)模集群的情況下，究竟有多少報(bào)警量才是合理的呢?

Google SRE每周只有十條報(bào)警，如果超過十條，說明沒有把無效報(bào)警過濾掉(Google SRE僅負(fù)責(zé)SLA要求為99.99%的服務(wù))。

筆者所在的團(tuán)隊(duì)要求則是，每周至多兩晚有報(bào)警，單日報(bào)警量不能超過50條(比Google SRE放水好多啊)。

通過控制單日報(bào)警數(shù)量，嚴(yán)格約束夜間報(bào)警天數(shù)，確保最少不低于四人參與值班，筆者所在的團(tuán)隊(duì)，近幾年來，不僅少有因?yàn)橹蛋鄩毫Χx職的同學(xué)，而且我們每年都能持續(xù)招聘到985前20名學(xué)校的多個(gè)研究生。

那么，怎么做到呢，以下是筆者的一些經(jīng)驗(yàn)分享。

運(yùn)維工程角度看報(bào)警優(yōu)化

1)報(bào)警值班和報(bào)警升級

基于值班表，每天安排兩人進(jìn)行值班處理報(bào)警，將值班壓力從全團(tuán)隊(duì)壓縮在兩人范圍內(nèi)，從而讓團(tuán)隊(duì)能夠有足夠的時(shí)間和人力進(jìn)行優(yōu)化工作。

同時(shí)，為了避免兩個(gè)值班人員都沒有響應(yīng)報(bào)警，可以使用報(bào)警升級功能，如果一個(gè)報(bào)警在5min內(nèi)值班人員均未響應(yīng)，或者15min內(nèi)未處理完畢，或者有嚴(yán)重故障發(fā)生，都可以將報(bào)警進(jìn)行升級，通告團(tuán)隊(duì)其他成員協(xié)助處理。

如果公司的監(jiān)控系統(tǒng)暫不支持值班表功能，則通過人工定期修改報(bào)警接收人的方式進(jìn)行。

而對于監(jiān)控系統(tǒng)不支持報(bào)警升級的問題，通過自行開發(fā)腳本的方式，也能在一定程度上得到解決。

也可以將報(bào)警短信發(fā)送至商業(yè)平臺來實(shí)現(xiàn)。總之一句話，辦法總比問題多。

對于報(bào)警值班人員，需要隨時(shí)攜帶筆記本以方便處理服務(wù)故障，這個(gè)要求，和報(bào)警數(shù)量多少以及報(bào)警的自動化處理程度并無關(guān)系，僅和服務(wù)重要性有關(guān)。

對于節(jié)假日依然需要值班的同學(xué)，公司或者部門也應(yīng)該盡量以各種方式進(jìn)行補(bǔ)償。

2)基于重要性不同，分級應(yīng)對

一個(gè)問題請大家思考一下，如果線上的服務(wù)器全部掉電后以短信方式通知值班人員，那么線上一臺機(jī)器的根分區(qū)打滿，也通過短信來通知是否有必要。

上述的問題在日常工作也屢屢發(fā)生，對于問題、異常和故障，我們采取了同樣的處理方式，因此產(chǎn)生了如此多的無效報(bào)警。

Google SRE的實(shí)踐則是將監(jiān)控系統(tǒng)的輸出分為三類，報(bào)警、工單和記錄。

SRE的要求是所有的故障級別的報(bào)警，都必須是接到報(bào)警，有明確的非機(jī)械重復(fù)的事情要做，且必須馬上就得做，才能叫做故障級別的報(bào)警。其他要么是工單，要么是記錄。

在波音公司裝配多個(gè)發(fā)動機(jī)的飛機(jī)上，一個(gè)發(fā)動機(jī)熄火的情況只會產(chǎn)生一個(gè)”提醒“級別的警示(最高級別是警報(bào)，接下來依次是警告、提醒、建議)，對于各種警示，會有個(gè)檢查清單自動彈出在中央屏幕上，以引導(dǎo)飛行員找到解決方案。

如果是最高級別的警報(bào)，則會以紅色信息，語音警報(bào)，以及飛機(jī)操縱桿的劇烈震動來提示。如果這時(shí)你什么都不做，飛機(jī)將會墜毀。

3)故障自愈

重啟作為單機(jī)預(yù)案，在很多業(yè)務(wù)線，可以解決至少50%的報(bào)警。沒有響應(yīng)，重啟試試，請求異常，重啟試試，資源占用異常，重啟試試，各種問題，重啟都屢試不爽。

換言之，針對簡單場景具有明確處置方案的報(bào)警，自動化是一個(gè)比較好的解決方案，能夠?qū)⑷肆拇罅恐貜?fù)的工作中解放出來。 

• 自動化處理報(bào)警的過程中，需要注意以下問題：
• 自動化處理比例不能超過服務(wù)的冗余度(默認(rèn)串行處理最為穩(wěn)妥);
• 不能對同一個(gè)問題在短時(shí)間內(nèi)重復(fù)多次地自動化處理(不斷重啟某個(gè)機(jī)器上的特定進(jìn)程);
• 在特定情況下可以在全局范圍內(nèi)快速終止自動化處理機(jī)制;
• 盡量避免高危操作(如刪除操作、重啟服務(wù)器等操作);
• 每次執(zhí)行操作都需要確保上一個(gè)操作的結(jié)果和效果收集分析完畢(如果一個(gè)服務(wù)重啟需要10min)。

4)報(bào)警儀表盤，持續(xù)優(yōu)化TOP-3的報(bào)警

如下圖示，全年TOP-3的報(bào)警量占比達(dá)到30%，通過對TOP-3的報(bào)警安排專人進(jìn)行跟進(jìn)優(yōu)化，可以在短時(shí)間大幅降低報(bào)警量。

TOP-3只是報(bào)警儀表盤數(shù)據(jù)分析的典型場景之一，在TOP-3之后，還可以對報(bào)警特征進(jìn)行分析，如哪些模塊的報(bào)警最多，哪些機(jī)器的報(bào)警最多，哪個(gè)時(shí)間段的報(bào)警最多，哪種類型的報(bào)警最多，進(jìn)而進(jìn)行細(xì)粒度的優(yōu)化。

同時(shí)，報(bào)警儀表盤還需要提供報(bào)警視圖的功能，能夠基于各種維度展示當(dāng)前有哪些報(bào)警正在發(fā)生，從而便于當(dāng)短時(shí)間內(nèi)收到大量報(bào)警，或者是報(bào)警處理中的狀態(tài)總覽，以及報(bào)警恢復(fù)后的確認(rèn)等。

5)基于時(shí)間段分而治之

下圖是國內(nèi)非常典型的一類流量圖，流量峰值在每天晚上，流量低谷在每天凌晨。

從冗余度角度來分析，如果在流量峰值有20%的冗余度，那么在流量低谷，冗余度至少為50%。

基于冗余度的變換，相應(yīng)的監(jiān)控策略的閾值，隨機(jī)也應(yīng)該發(fā)生一系列的變化。

舉例來說，在高峰期，可能一個(gè)服務(wù)故障20%的實(shí)例，就必須介入處理的話，那么在低谷期，可能故障50%的實(shí)例，也不需要立即處理，依賴于報(bào)警自動化處理功能，逐步修復(fù)即可。

在具體的實(shí)踐中，一種比較簡單的方式就是，在流量低谷期，僅接收故障級別的報(bào)警，其余報(bào)警轉(zhuǎn)為靜默方式或者是自動化處理方式，在流量高峰期來臨前幾個(gè)小時(shí)，重新恢復(fù)，這樣即使流量低谷期出現(xiàn)一些嚴(yán)重隱患，依然有數(shù)小時(shí)進(jìn)行修復(fù)。

這種方式之所以大量流行，是因?yàn)樵摬呗阅軌虼蠓鶞p少凌晨的報(bào)警數(shù)量，讓值班人員能夠正常休息。

6)報(bào)警周期優(yōu)化，避免瞬報(bào)

在監(jiān)控趨勢圖中，會看到偶發(fā)的一些毛刺或者抖動，這些毛刺和抖動，就是造成瞬報(bào)的主要原因。

這些毛刺和抖動，至多定義為異常，而非服務(wù)故障，因此應(yīng)該以非緊急的通知方式進(jìn)行。

以CPU瞬報(bào)為例，如果設(shè)置采集周期為10s，監(jiān)控條件為CPU使用率大于90%報(bào)警，如果設(shè)置每次滿足條件就報(bào)警，那么就會產(chǎn)生大量的報(bào)警。

如果設(shè)置為連續(xù)5次滿足條件報(bào)警，或者連續(xù)的10次中有5次滿足條件就報(bào)警，則會大幅減少無效報(bào)警。對于重要服務(wù)，一般建議為在3min內(nèi)，至少出現(xiàn)5次以上異常，再發(fā)送報(bào)警較為合理。

7)提前預(yù)警，防患于未然

對于很多有趨勢規(guī)律的場景，可以通過提前預(yù)警的方式，降低問題的緊迫程度和嚴(yán)重性。

下圖是兩臺機(jī)器一周內(nèi)的磁盤使用率監(jiān)控圖，可以預(yù)見，按照目前的增長趨勢，必然會在某一個(gè)時(shí)間點(diǎn)觸發(fā)磁盤剩余空間5%的報(bào)警，可以在剩余空間小于10%的時(shí)候，通過工單或者其他非緊急方式提醒，在工作時(shí)間段內(nèi)，相對從容的處理完畢即可，畢竟10%到5%還是需要一個(gè)時(shí)間過程的。

8)日常巡檢

提前預(yù)警面向的是有規(guī)律的場景，而日常巡檢，還可以發(fā)現(xiàn)那些沒有規(guī)律的隱患。

以CPU使用率為例進(jìn)行說明，近期的一個(gè)業(yè)務(wù)上線后，CPU使用率偶發(fā)突增的情況，但是無法觸發(fā)報(bào)警條件(例如3分鐘內(nèi)有5次使用率超過70%報(bào)警)，因此無法通過報(bào)警感知。

放任不管的話，只能是問題足夠嚴(yán)重了，才能通過報(bào)警發(fā)現(xiàn)。

這個(gè)時(shí)候，如果每天有例行的巡檢工作，那么這類問題就能夠提前發(fā)現(xiàn)，盡快解決，從而避免更加嚴(yán)重的問題發(fā)生。

9)比例為主，絕對值為輔

線上機(jī)器的規(guī)格不同，如果從絕對值角度進(jìn)行監(jiān)控，則無法適配所有的機(jī)器規(guī)格，勢必會產(chǎn)生大量無意義的報(bào)警。

以磁盤剩余空間監(jiān)控為例，線上規(guī)格從80GB到10TB存在多種規(guī)格，從下圖表格看，比例比絕對值模式能更好的適配各種規(guī)格的場景(EXT4文件系統(tǒng)的默認(rèn)預(yù)留空間為5%，也是基于比例設(shè)置的并可通過tune2fs進(jìn)行調(diào)整)。

對于一些特殊場景，同樣以磁盤剩余空間為例進(jìn)行說明，例如計(jì)算任務(wù)要求磁盤至少有100GB以上空間，以供存放臨時(shí)文件，那這個(gè)時(shí)候，監(jiān)控策略就可以調(diào)整為：磁盤剩余空間小于5%報(bào)警且磁盤剩余空間絕對值小于100GB報(bào)警。

10)Code Review

前人埋坑，后人挖坑。在解決存量問題的情況下，不對增量問題進(jìn)行控制，那報(bào)警優(yōu)化，勢必會進(jìn)入螺旋式緩慢上升的過程，這對于報(bào)警優(yōu)化這類項(xiàng)目來說，無疑是致命的。

通過對新增監(jiān)控的Code Review，可以讓團(tuán)隊(duì)成員快速達(dá)成一致認(rèn)知，從而避免監(jiān)控配置出現(xiàn)千人千面的情況出現(xiàn)。

11)沉淀標(biāo)準(zhǔn)和最佳實(shí)踐

僅僅做Code Review還遠(yuǎn)遠(yuǎn)不夠，一堆人開會，面對一行監(jiān)控配置，大眼瞪小眼，對不對，為什么不對，怎么做更好?大家沒有一個(gè)標(biāo)準(zhǔn)，進(jìn)而會浪費(fèi)很多時(shí)間來進(jìn)行不斷的討論。

這時(shí)候，如果有一個(gè)標(biāo)準(zhǔn)，告訴大家什么是好，那么就有了評價(jià)標(biāo)準(zhǔn)，很多事情就比較容易做了。

標(biāo)準(zhǔn)本身也是需要迭代和進(jìn)步的，因此大家并不需要擔(dān)心說我的標(biāo)準(zhǔn)不夠完美。

基于標(biāo)準(zhǔn)，再給出一些最佳的監(jiān)控時(shí)間，那執(zhí)行起來，就更加容易了。

以機(jī)器監(jiān)控為例進(jìn)行說明，機(jī)器監(jiān)控必須覆蓋如下的監(jiān)控指標(biāo)，且閾值設(shè)定也給出了最佳實(shí)踐，具體如下：

• CPU_IDLE < 10 ;
• MEM_USED_PERCENT > 90;
• NET_MAX_NIC_INOUT_PERCENT > 80 (網(wǎng)卡入口/出口流量最大使用率);
• CPU_SERVER_LOADAVG_5 > 15 ;
• DISK_MAX_PARTITION_USED_PERCENT > 95 (磁盤各個(gè)分區(qū)最大使用率);
• DISK_TOTAL_WRITE_KB(可選項(xiàng));
• DISK_TOTAL_READ_KB(可選項(xiàng));
• CPU_WAIT_IO(可選項(xiàng));
• DISK_TOTAL_IO_UTIL(可選項(xiàng));
• NET_TCP_CURR_ESTAB(可選項(xiàng));
• NET_TCP_RETRANS(可選項(xiàng))。

12)徹底解決問題不等于自動處理問題

舉兩個(gè)例子，大家來分析一下這個(gè)問題是否得到徹底解決：

如果一個(gè)模塊經(jīng)常崩掉，那么我們可以通過添加一個(gè)定時(shí)拉起腳本來解決該問題。

那這個(gè)模塊崩掉的問題解決了嗎?其實(shí)并沒有，你增加一個(gè)拉起腳本，只是說自己不用上機(jī)器去處理了而已，但是模塊為什么經(jīng)常崩掉這個(gè)問題，卻并沒有人去關(guān)注，更別提徹底解決了。

如果一個(gè)機(jī)器經(jīng)常出現(xiàn)CPU_IDLE報(bào)警，那么我們可以將現(xiàn)在的監(jiān)控策略進(jìn)行調(diào)整。

比如說，以前5min內(nèi)出現(xiàn)5次就報(bào)警，現(xiàn)在可以調(diào)整為10min內(nèi)出現(xiàn)20次再報(bào)警，或者直接刪除這個(gè)報(bào)警策略，或者將報(bào)警短信調(diào)整為報(bào)警郵件，或者各種類似的手段。

但這個(gè)機(jī)器為什么出現(xiàn)CPU_IDLE報(bào)警，卻并沒有人去關(guān)注，更別提解決了。

通過上面兩個(gè)例子，大家就理解，自動化處理問題不等于解決問題，掩耳盜鈴也不等于解決問題，什么叫做解決問題，只有是找到問題的根本原因，并消滅之，才能確保徹底解決問題，輕易不會再次發(fā)生。

還是上面自動拉起的例子，如果仔細(xì)分析后，發(fā)現(xiàn)是內(nèi)存泄露導(dǎo)致的進(jìn)程頻繁崩掉，或者是程序bug導(dǎo)致的coredump，那么解決掉這些問題，就能夠徹底避免了。

如何解決團(tuán)隊(duì)內(nèi)部的值班排斥情緒

每個(gè)運(yùn)維團(tuán)隊(duì)早晚都會面對團(tuán)隊(duì)高工對值班工作的排斥，這也是人之常情。

辛辛苦苦干了幾年了，還需要值班，老婆孩子各種抱怨，有時(shí)候身體狀況也不允許了，都不容易。

不同的團(tuán)隊(duì)，解決方式不同，但有些解決方案，會讓人覺得，你自己都不想值班，還天天給我們打雞血說值班重要。

更嚴(yán)重一些的，會讓團(tuán)隊(duì)成員感受到不公平，憑什么他可以不值班，下次是不是我們大家也可以找同樣的理由呢。

筆者的團(tuán)隊(duì)是這樣明確說明的：

保證值班人員數(shù)量不低于四人，如果短時(shí)間內(nèi)低于四人，那么就需要將二線工程師短暫加入一線值班工作中，為期不超過三個(gè)月。

對于希望退出值班列表的中級工程師，給三個(gè)月不值班時(shí)間，如果能將目前的報(bào)警短信數(shù)量優(yōu)化20%-50%，則可以退出值班序列，但如果情況反彈，則需要重回值班工作。

團(tuán)隊(duì)達(dá)到一定級別的工程師，就可以轉(zhuǎn)二線，不參與日常值班工作，僅接收核心報(bào)警，且對核心報(bào)警的有效性負(fù)責(zé)，若服務(wù)故障核心報(bào)警未發(fā)出，則每次罰款兩百。

團(tuán)隊(duì)負(fù)責(zé)人不參與值班工作，但需要對單日報(bào)警數(shù)量負(fù)責(zé)，如果當(dāng)周的日報(bào)警數(shù)量大于要求值，則每次罰款兩百元。如果團(tuán)隊(duì)成員數(shù)量低于四人時(shí)，則需要加入值班列表。

寫在最后

在團(tuán)隊(duì)的報(bào)警量有了明顯減少后，就需要對報(bào)警的準(zhǔn)確性和召回率進(jìn)行要求了，從而才能持續(xù)的進(jìn)行報(bào)警優(yōu)化工作。

所謂的準(zhǔn)確性，也就是有報(bào)警必有損，而召回率呢，則是有損必有報(bào)警。

最后，祝愿大家都不在因?yàn)橹蛋喙ぷ鞫鄲?