业务监控的那些事儿

"监控不仅是一种技术，更是一种文化。" - 艾德·高斯林

1. 背景与挑战

1.1 背景

“唯一确定的就是不确定。” - 杰克·韦尔奇（Jack Welch）

我们生活在一个不确定的世界里。在软件系统领域，这种不确定性尤为突出。我们无法完全预知软件系统在运行时会发生什么，所以监控就会变得尤为重要。一个好的监控可以帮助我们实时观测软件运行情况，及时帮助我们发现问题和协助定位问题。

但我们不得不面临另一个问题就是软件系统本身其实是极其复杂的，所以如何把监控做好做全变得异常困难。相信大家在日常开发过程中都会遇到类似的场景，我自己觉得我做好了监控，但线上还是偶尔有一些“惊喜”发生，由于没有特定地布防监控，导致线上问题一直没有被发现，影响面越来越大。

我们在实际的业务场景中也遇到了同样的问题，曾经我们也布防了很多监控，但历史上仍然出现了多次由于线上监控不及时产生的线上故障。

接下来就分享一下我们是如何解决这个问题的。

1.2 冲突

上面提到历史上我们系统出现过多次的线上问题，其中包括代码bug引起，也包括运营修改配置出错引起。通过对于问题的复盘总结发现，其实我们有足够多的监控，但究竟是为什么仍然不能及时地帮助我们发现问题呢？

通过分析发现，过往的监控主要聚焦于系统层面和接口层面。这些监控本身是非常有必要的，但随着业务复杂度的增加，只有这些监控是往往不够的。我们真正缺失的是完善的业务监控。

抓住主要矛盾：缺失完善的业务监控

e.g. 我们线上有一处代码bug导致价格计算错误，应该是100元被算成120元。这时系统层面和接口层面的监控全部是正常的，所以几乎无法通过现有监控暴露出这个bug。这个时候就必须通过业务监控来发现。

就像这个天枰一样，我们过于注重系统和接口层面的监控，对于业务监控的关注度太小。导致天枰发生倾斜，无法及时帮助我们发现线上可能出现的问题。

在进行业务监控体系搭建的时候也遇到了很多的挑战。

1.3 挑战

业务监控可借鉴的经验较少

行业内针对系统维度、接口维度的解决方案数不胜数，但对于业务监控的方法论其实是严重不足的。导致我们几乎没有太多可借鉴的经验。需要我们自己摸索出一条道路来。

计价业务对于监控的要求非常高

计价业务系统对于监控的准确率是非常高的。

2. 解决思路

2.1 整体思路

监控的核心要义在于发现异常情况。所以我们要分析出当出现异常情况时，可能在哪些东西上有所体现。这里以计价业务为例，下图是一次简化的计价过程。

在一次算价过程中，首先要进行路径规划得到起点和终点的距离。然后进行各个费用项的计算，比如起步价、超里程价等等。接着进行营销部分的计算，比如平台减免和优惠券等等。最后将这些结果聚合起来形成一个最终的总价。

首先，我们知道肯定要对结果数据进行监控。即把整个计价过程看成一个黑盒，观察总价的变化曲线、趋势、最值等等是否出现异常。

其次，我们假设计价过程中任何环节都可能出现异常，而有时过程中的出错可能并不能直接体现到总价上，但往往又是用户和司机特别关注的。

e.g. 某个城市的总价的平均值是100元，如果优惠券部分出现问题导致由5元错算为2元。这个时候总价上的曲线是完全体现不出来的。但是对于用户和司机感知还是非常强烈的，这就要求对于优惠券必须单独监控起来。

所以仅仅监控总价是不够的。我们还要监控过程数据，类似于白盒。即观察计算过程是否异常，比如费用项A、路径规划、优惠券等等是否正确。

因此总结一下，我们可以将业务监控整体分为：结果监控和过程监控。即任何的异常无非就是体现在这两类数据上。

2.2 结果监控

结果数据监控类似于黑盒测试，将我们的系统看成一个黑盒，并不知道里面是具体如何运行的。这时我们所知道的只有请求和对应的结果，我们就针对结果进行监控。

而关注的方向大致分为以下两种：

结果数据是否正常

判断结果是否正常的方法可以有两种：是否缺失和是否正确。而每种方法都有各自的评判标准，决定了各自的监控方式。

• 核心数据必须在预设的范围之内；以里程计费为例，起步价是不可能低于0，如果出现此类情况，则可认为暴露的数据不正确。

• 业务结果单个字段指标趋势（枚举、数值大小区间、数值变化）。以里程计费为例，起步价、超里程的趋势可以从侧面验证此类计价的正确性。
• 关联性比较大的业务指标组合，趋势是否正常。以里程计费为例，由于客单价与距离会有某些关联，如果各自使用单指标趋势，可能无法体现两者互相影响的程度，这时就需要指标组合，将两者的关联性清晰的展现出来

结果数据是否符合业务预期

有些场景下，我们仅通过结果是否正常并不能真正的发现问题。比如业务A和业务B是有关联的，单看某个业务曲线都是正常的，但放在一起比较就会发现是有问题的。

e.g. 车型A的平均价格是100元，车型B的平均价格是200元。如果单看车型A和车型B的价格曲线，各自都是正常的。但业务上规定：车型B的价格一定小于车型A的价格。所以我们只能通过两个曲线结合才能发现问题。

总结一下：就是从结果里找到关键的业务字段来组建业务大图，判定返回结果的是否符合业务预期。

2.3 过程监控

有些场景下，仅仅通过结果监控并不能发现线上问题，必须通过过程数据才能发现。

e.g. 城市A的平均价格是100元，价格是由多个费用项组成。这时某个费用项由于代码bug引起，由1元算错成了5元。如果仅仅通过最终的结果总价来看，是无法感知波动的(因为4元的波动对于总价100来说几乎看不出来)。必须针对过程数据(此费用项)进行监控，才可以发现问题。

与侧重于黑盒的业务结果指标不同，过程指标更像是白盒测试，是对业务执行的内部逻辑和数据结构进行分析。

大概可以分为以下几个部分：

核心中间数据是程序执行过程产生的数据和依赖服务数据，当它出现问题时会阻断主流程或者带来一些严重的业务故障；所以它需要更加精细和敏感的监控力度，不仅仅是异常情况需要感知，某些必须的数据返回也需要监控，出现问题时可能需要相关方立即修复。

如果我们把系统代码中的分支都抽象成一张图的话，可以发现每个业务都会有自己的执行路径。所以我们可以针对性地监控业务的执行路径是否正确，从而来发现线上问题。

关于代码分支理论上分为两类：业务分支、开关分支。由此可以画出自己系统的分支路径图。

3. 具体方案

下面我们结合了具体实际的计价业务场景，进行了业务监控体系的搭建。

3.1 计价结果监控

通过分析我们找到了结果数据中一定不能缺失的数据字段，如下。

• 零容忍

通过分析我们找到了结果数据中字段异常情况和趋势异常情况，如下。

• 零容忍

• 趋势：

我们通过分析得到，价格的费用项中起步价、超里程和路径的长短有着非常密切的关系，所以针对性的进行布防业务大盘。下面只是给了部分的截图示例。

3.2 计价过程监控

我们通过分析，得到了关于计价业务场景的核心中间数据和执行过程。下面给出部分的监控示例。

4. 结果

结果：

收益：

e.g. 线上xx业务调整，我们通过监控的曲线波动预警，及时发现问题并与相关研发业务确认，防止一些误操作。

5. 建议

在这里我们也给大家在做业务监控时一些建议：

"你无法预防你无法监控的。" - 埃里克·托马斯（Eric Thomas）