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(zhǎng)時(shí)間，工作量直接翻倍。

作者：焦振清

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(zhǎng)時(shí)間，工作量直接翻倍。

圖片來自 Pexels

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。

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(duì)比圖，前者的單日?qǐng)?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(guó)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 每周十條故障報(bào)警

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?qǐng)?bào)警量不能超過 50 條(比 Google SRE 放水好多啊)。

通過控制單日?qǐng)?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(jí)

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(jí)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(jí)，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(duì)于監(jiān)控系統(tǒng)不支持報(bào)警升級(jí)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(tái)來實(shí)現(xiàn)?？傊痪湓?#xff0c;辦法總比問題多。

對(duì)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(dòng)化處理程度并無關(guān)系，僅和服務(wù)重要性有關(guān)。

對(duì)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(jí)應(yīng)對(duì)

一個(gè)問題請(qǐng)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(tái)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(duì)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(jí)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(jí)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(dòng)機(jī)的飛機(jī)上，一個(gè)發(fā)動(dòng)機(jī)熄火的情況只會(huì)產(chǎn)生一個(gè)”提醒“級(jí)別的警示(最高級(jí)別是警報(bào)，接下來依次是警告、提醒、建議)，對(duì)于各種警示，會(huì)有個(gè)檢查清單自動(dòng)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(jí)別的警報(bào)，則會(huì)以紅色信息，語(yǔ)音警報(bào)，以及飛機(jī)操縱桿的劇烈震動(dòng)來提示。如果這時(shí)你什么都不做，飛機(jī)將會(huì)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(qǐng)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(duì)簡(jiǎn)單場(chǎng)景具有明確處置方案的報(bào)警，自動(dòng)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(dòng)化處理報(bào)警的過程中，需要注意以下問題：

• 自動(dòng)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(duì)同一個(gè)問題在短時(shí)間內(nèi)重復(fù)多次地自動(dòng)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(dòng)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(duì) 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(chǎng)景之一，在 TOP-3 之后，還可以對(duì)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(guó)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(dòng)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(jiǎn)單的方式就是，在流量低谷期，僅接收故障級(jí)別的報(bào)警，其余報(bào)警轉(zhuǎn)為靜默方式或者是自動(dòng)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(shì)圖中，會(huì)看到偶發(fā)的一些毛刺或者抖動(dòng)，這些毛刺和抖動(dòng)，就是造成瞬報(bào)的主要原因。

這些毛刺和抖動(dòng)，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(huì)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(huì)大幅減少無效報(bào)警。

對(duì)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(duì)于很多有趨勢(shì)規(guī)律的場(chǎng)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(tái)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(zhǎng)趨勢(shì)，必然會(huì)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(duì)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(chǎng)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 使用率出現(xiàn)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(duì)值為輔

線上機(jī)器的規(guī)格不同，如果從絕對(duì)值角度進(jìn)行監(jiān)控，則無法適配所有的機(jī)器規(guī)格，勢(shì)必會(huì)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(duì)值模式能更好的適配各種規(guī)格的場(chǎng)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(duì)于一些特殊場(chǎng)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(duì)值小于 100GB 報(bào)警。

⑩Code Review

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

通過對(duì)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)。

?沉淀標(biāo)準(zhǔn)和優(yōu)秀實(shí)踐

僅僅做 Code Review 還遠(yuǎn)遠(yuǎn)不夠，一堆人開會(huì)，面對(duì)一行監(jiān)控配置，大眼瞪小眼，對(duì)不對(duì)，為什么不對(duì)，怎么做更好?大家沒有一個(gè)標(biāo)準(zhǔn)，進(jìn)而會(huì)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，那么有了評(píng)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)定也給出了優(yōu)秀實(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))

?徹底解決問題不等于自動(dòng)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(dòng)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(huì)再次發(fā)生。

還是上面自動(dòng)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(huì)面對(duì)團(tuán)隊(duì)高工對(duì)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(huì)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(huì)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(duì)于希望退出值班列表的中級(jí)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?jī)?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(jí)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(duì)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(duì)單日?qǐng)?bào)警數(shù)量負(fù)責(zé)，如果當(dāng)周的日?qǐng)?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(duì)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。

閱讀目錄（置頂)(長(zhǎng)期更新計(jì)算機(jī)領(lǐng)域知識(shí)）

閱讀目錄（置頂)(長(zhǎng)期更新計(jì)算機(jī)領(lǐng)域知識(shí)）

閱讀目錄（置頂)(長(zhǎng)期科技領(lǐng)域知識(shí)）

歌謠帶你看java面試題

總結(jié)

以上是生活随笔為你收集整理的第八十二期:掌握这些监控报警优化技巧，百万年薪不在话下！的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。