基于OTel的移動(dòng)端全鏈路Trace為什么很難復(fù)現(xiàn)和定位？

首先，我們了解一下移動(dòng)端全鏈路 Trace 的背景：

從移動(dòng)端的視角來看，一個(gè) App 產(chǎn)品從概念產(chǎn)生，到最終的成熟穩(wěn)定，產(chǎn)品研發(fā)過程中涉及到的研發(fā)人員、工程中的代碼行數(shù)、工程架構(gòu)規(guī)模、產(chǎn)品發(fā)布頻率、線上業(yè)務(wù)問題修復(fù)時(shí)間等等都會(huì)發(fā)生比較大的變化。這些變化，給我們?cè)谂挪閱栴}方面帶來不小的困難和挑戰(zhàn)，業(yè)務(wù)問題會(huì)往往難以復(fù)現(xiàn)和排查定位。

比如，在產(chǎn)品初期的時(shí)候，工程規(guī)模往往比較小，業(yè)務(wù)流程也比較簡(jiǎn)單，線上問題往往能很快定位。而等到工程規(guī)模比較大的時(shí)候，業(yè)務(wù)流程往往涉及到的模塊會(huì)比較多，這個(gè)時(shí)候有些線上問題就會(huì)比較難以復(fù)現(xiàn)和定位排查。

本文匯集了筆者在 2022 D2 終端技術(shù)大會(huì)上的相關(guān)技術(shù)分享，希望能給大家?guī)硪恍┧伎己蛦l(fā)。

端側(cè)問題為什么很難復(fù)現(xiàn)和定位？

線上業(yè)務(wù)問題為什么很難復(fù)現(xiàn)和排查定位？經(jīng)過我們的分析，主要是由 4 個(gè)原因?qū)е拢?/p>

移動(dòng)端 & 服務(wù)端日志采集不統(tǒng)一，沒有統(tǒng)一的標(biāo)準(zhǔn)規(guī)范來約束數(shù)據(jù)的采集和處理。

端側(cè)往往涉及的模塊非常多，研發(fā)框架也各不相同，代碼相互隔離，設(shè)備碎片化，網(wǎng)絡(luò)環(huán)境復(fù)雜，會(huì)導(dǎo)致端側(cè)數(shù)據(jù)采集比較難。

從端視角出發(fā)，不同框架、系統(tǒng)之間的數(shù)據(jù)在分析問題時(shí)往往獲取比較難，而且數(shù)據(jù)之間缺少上下文關(guān)聯(lián)信息，數(shù)據(jù)關(guān)聯(lián)分析不容易。

業(yè)務(wù)鏈路涉及到的業(yè)務(wù)域往往也會(huì)比較多，從端的視角去復(fù)現(xiàn)和排查問題，往往需要對(duì)應(yīng)域的同學(xué)參與排查，人肉運(yùn)維成本比較高。

這些問題如何來解決？ 我們的思路是四步走：

建立統(tǒng)一標(biāo)準(zhǔn)，使用 標(biāo)準(zhǔn)協(xié)議 來約束數(shù)據(jù)的采集和處理。

針對(duì)不同的平臺(tái)和框架，統(tǒng)一數(shù)據(jù)采集能力。

對(duì)多系統(tǒng)、多模塊產(chǎn)生的數(shù)據(jù)進(jìn)行自動(dòng)上下文關(guān)聯(lián)分析和處理。

我們也基于機(jī)器學(xué)習(xí)，在自動(dòng)化經(jīng)驗(yàn)分析方面做了一些探索。

統(tǒng)一數(shù)據(jù)采集標(biāo)準(zhǔn)

如何統(tǒng)一標(biāo)準(zhǔn)？ 目前行業(yè)內(nèi)也有各種各樣的解決方案，但存在的問題也很明顯：

不同方案之間，協(xié)議/數(shù)據(jù)類型不統(tǒng)一；

不同方案之間，也比較難以兼容/互通。

標(biāo)準(zhǔn)這里，我們選擇了 OTel，OTel 是 OpenTelemetry 的簡(jiǎn)稱，主要原因有兩點(diǎn)：

OTel 是由云原生計(jì)算基金會(huì)（CNCF）主導(dǎo)，它是由 OpenTracing 和 OpenCensus 合并而來，是目前可觀測(cè)性領(lǐng)域的準(zhǔn)標(biāo)準(zhǔn)協(xié)議；

OTel 對(duì)不同語言和數(shù)據(jù)模型進(jìn)行了統(tǒng)一，可以同時(shí)兼容 OpenTracing 和 OpenCensus，它還提供了一個(gè)廠商無關(guān)的 Collectors，用于接收、處理和導(dǎo)出可觀測(cè)數(shù)據(jù)。

在我們的解決方案中，所有端的數(shù)據(jù)采集規(guī)范都基于 OTel，數(shù)據(jù)存儲(chǔ)、處理、分析是基于 SLS 提供的 LogHub 能力進(jìn)行構(gòu)建。

端側(cè)數(shù)據(jù)采集的難點(diǎn)

只統(tǒng)一數(shù)據(jù)協(xié)議還不夠，還要解決端側(cè)在數(shù)據(jù)采集方面存在的一些問題?？偟膩碚f，端側(cè)采集當(dāng)前面臨 3 個(gè)主要的難點(diǎn)：

數(shù)據(jù)串聯(lián)難

性能保障難

不丟數(shù)據(jù)難

端側(cè)研發(fā)過程中涉及到的框架、模塊往往比較多，業(yè)務(wù)也有一定的復(fù)雜性，存在線程、協(xié)程多種異步調(diào)用 API，在數(shù)據(jù)采集過程中，如何解決數(shù)據(jù)之間的自動(dòng)串聯(lián)問題？移動(dòng)端設(shè)備碎片化嚴(yán)重，系統(tǒng)版本分布比較散，機(jī)型眾多，如何保障多端一致的采集性能？App 使用場(chǎng)景的不確定性也比較大，如何確保采集到的數(shù)據(jù)不會(huì)丟失？

端側(cè)數(shù)據(jù)串聯(lián)的難點(diǎn)

我們先來分析一下端側(cè)數(shù)據(jù)自動(dòng)串聯(lián)所面臨的主要問題。

在端側(cè)數(shù)據(jù)采集過程中，不僅會(huì)采集業(yè)務(wù)鏈路數(shù)據(jù)，還會(huì)采集各種性能&穩(wěn)定性監(jiān)控?cái)?shù)據(jù)，可觀測(cè)數(shù)據(jù)源比較多；

如果用到其他的研發(fā)框架，如 OkHttp、Fresco 等，可能還會(huì)采集三方框架的關(guān)鍵數(shù)據(jù)用于網(wǎng)絡(luò)請(qǐng)求，圖片加載等問題的分析和定位。對(duì)于業(yè)務(wù)研發(fā)同學(xué)來說，我們往往不會(huì)過多的關(guān)注這類三方框架技術(shù)能力，涉及到這類框架問題的排查時(shí)，過程往往比較困難；

除此之外，端側(cè)幾乎完全異步調(diào)用，而且異步調(diào)用 API 比較多，如線程、協(xié)程等，鏈路打通也存在一定的挑戰(zhàn)。

這里會(huì)有幾個(gè)共性問題：

三方框架的數(shù)據(jù)如何采集？如何串聯(lián)？

不同可觀測(cè)數(shù)據(jù)源之間如何串聯(lián)？

分布在不同線程、協(xié)程之間的數(shù)據(jù)如何自動(dòng)串聯(lián)？

端側(cè)數(shù)據(jù)自動(dòng)串聯(lián)方案

我們先看下端側(cè)數(shù)據(jù)自動(dòng)串聯(lián)的方案。

在 OTel 協(xié)議標(biāo)準(zhǔn)中，是通過 trace 協(xié)議來約束不同數(shù)據(jù)之間的串聯(lián)關(guān)系。OTel 定義了 trace 數(shù)據(jù)鏈路中每條數(shù)據(jù)必須要包含的必要字段，我們需要確保同一條鏈路中數(shù)據(jù)的一致性。比如，同一條 trace 鏈路中，trace_id 需要相同；其次，如果數(shù)據(jù)之間有父子關(guān)系，子數(shù)據(jù)的 parent_id 也需要與父數(shù)據(jù)的 span_id 相同。

我們知道，不管是 Android 平臺(tái)，還是 iOS 平臺(tái)，線程都是操作系統(tǒng)能夠調(diào)度的最小單元。也就是說，我們所有的代碼，最終都會(huì)在線程中被執(zhí)行。在代碼被執(zhí)行過程中，如果我們能把上下文信息和當(dāng)前線程進(jìn)行關(guān)聯(lián)，在代碼執(zhí)行時(shí)，就能自動(dòng)獲取當(dāng)前上下文信息，這樣就可以解決同一個(gè)線程內(nèi)的 trace 數(shù)據(jù)自動(dòng)關(guān)聯(lián)問題。

在 Android 中，可以基于線程變量 ThreadLocal 來存儲(chǔ)當(dāng)前線程棧的上下文信息，這樣可以確保在同一線程中采集到的業(yè)務(wù)數(shù)據(jù)進(jìn)行自動(dòng)關(guān)聯(lián)。如果是在協(xié)程中使用，基于線程變量的方案就會(huì)存在問題。因?yàn)樵趨f(xié)程中，協(xié)程真實(shí)運(yùn)行的線程是不確定的，可能會(huì)在協(xié)程執(zhí)行的生命周期內(nèi)進(jìn)行線程切換，我們需要利用協(xié)程調(diào)度器和協(xié)程 Context 來保持當(dāng)前上下文的正確性。在協(xié)程恢復(fù)時(shí)，讓關(guān)聯(lián)的上下文信息在當(dāng)前線程生效，在協(xié)程掛起時(shí)，再讓上下文信息在當(dāng)前線程失效。

在 iOS 中，主要基于 activity tracing 機(jī)制來保持上下文信息的有效性。通過 activity tracing 機(jī)制，在一個(gè)業(yè)務(wù)鏈路開始時(shí)，會(huì)自動(dòng)創(chuàng)建一個(gè) activity，我們把上下文信息與 activity 進(jìn)行關(guān)聯(lián)。在當(dāng)前 activity 作用域范圍內(nèi)，所有產(chǎn)生的數(shù)據(jù)都會(huì)與當(dāng)前上下文自動(dòng)關(guān)聯(lián)。

基于這兩種方案，在產(chǎn)生 Trace 數(shù)據(jù)時(shí)，SDK 會(huì)按照 OTel 協(xié)議的標(biāo)準(zhǔn)，自動(dòng)把上下文信息關(guān)聯(lián)到當(dāng)前數(shù)據(jù)中。最終產(chǎn)生的數(shù)據(jù)，會(huì)以一棵樹的形式進(jìn)行邏輯關(guān)聯(lián)，樹的根節(jié)點(diǎn)就是 Trace 鏈路的起點(diǎn)。這種方式，不僅支持協(xié)程/線程內(nèi)的數(shù)據(jù)自動(dòng)關(guān)聯(lián)，還支持多層級(jí)嵌套。

三方框架的數(shù)據(jù)采集和串聯(lián)

針對(duì)三方框架的數(shù)據(jù)采集，我們先看看業(yè)內(nèi)通行的做法，目前主要有兩類：

如果三方庫支持?jǐn)r截器或代理的配置，一般會(huì)通過在對(duì)應(yīng)攔截器增加埋點(diǎn)代碼的方式來實(shí)現(xiàn)；

如果三方庫對(duì)外暴露的接口比較少，一般會(huì)通過 Hook 或其他方式增加埋點(diǎn)代碼，或者不支持對(duì)應(yīng)框架的埋點(diǎn)。

這種做法會(huì)存在兩個(gè)主要的問題：

埋點(diǎn)不完全，拿 OkHttp 來舉例說明，三方 SDK 內(nèi)部也可能存在對(duì) OkHttp 的依賴，通過攔截器的方式，可能只支持當(dāng)前業(yè)務(wù)代碼的埋點(diǎn)采集，三方 SDK 的網(wǎng)絡(luò)請(qǐng)求信息無法被采集到，會(huì)導(dǎo)致埋點(diǎn)信息不完全；

可能需要侵入業(yè)務(wù)代碼，為了實(shí)現(xiàn)對(duì)應(yīng)框架的埋點(diǎn)，需要有一個(gè)切入時(shí)機(jī)，這個(gè)切入時(shí)機(jī)往往需要在對(duì)應(yīng)框架初始化時(shí)增加代碼配置項(xiàng)來實(shí)現(xiàn)。

如何解這兩個(gè)問題？

我們使用的方案是實(shí)現(xiàn)一個(gè) Gradle Plugin，在 Plugin 中對(duì)字節(jié)碼進(jìn)行插樁處理。我們知道，Android App 在打包的過程中，有個(gè)流程會(huì)把 .class 文件轉(zhuǎn)為 .dex 文件，在這個(gè)過程中，可以通過 transform api 對(duì) class 文件進(jìn)行處理。我們是借助 ASM 的方式來實(shí)現(xiàn) class 文件的插樁處理。在對(duì)字節(jié)碼處理的過程中，需要先找到合適的插樁點(diǎn)，然后注入合適的指令。

這里拿 OkHttp 的字節(jié)插樁進(jìn)行舉例：插樁的目標(biāo)是在 OkHttpClient 調(diào)用 newCall 方法時(shí)，把當(dāng)前線程的上下文信息關(guān)聯(lián)到 OkHttp 的 Request 中。在 Transform 過程中，我們先根據(jù) OkHttpClient 的類名過濾出目標(biāo) class 文件，然后再根據(jù) newCall 這個(gè)方法名過濾要插樁的方法。接下來，需要在 newCall 方法開始的地方把上下文信息插入到 request 的 tags 對(duì)象中。經(jīng)過我們的分析，需要在 newCall 方法調(diào)用開始的時(shí)候，插入目標(biāo)代碼。為了方便實(shí)現(xiàn)和調(diào)試，我們?cè)跀U(kuò)展庫中實(shí)現(xiàn)了一個(gè) OkHttp 的輔助工具，在目標(biāo)位置插入調(diào)用這個(gè)工具的字節(jié)碼，傳入 request 對(duì)象就可以了。

插入后的字節(jié)碼會(huì)和擴(kuò)展庫進(jìn)行關(guān)聯(lián)。這樣就能解決三方框架數(shù)據(jù)采集和上下文自動(dòng)關(guān)聯(lián)的問題。

相對(duì)于傳統(tǒng)做法，使用字節(jié)碼插樁的方案，業(yè)務(wù)代碼侵入性會(huì)更低，埋點(diǎn)對(duì)業(yè)務(wù)代碼和三方框架都能生效，同時(shí)結(jié)合擴(kuò)展庫也能完成上下文的自動(dòng)關(guān)聯(lián)。

如何確保性能

在可觀測(cè)數(shù)據(jù)采集過程中，會(huì)有大量的數(shù)據(jù)產(chǎn)生，對(duì)內(nèi)存、CPU 占用、I/O 負(fù)載都有一定的性能要求。

我們基于 C 對(duì)核心部分進(jìn)行實(shí)現(xiàn)，確保多平臺(tái)的性能一致性，并從三個(gè)方面對(duì)性能做了優(yōu)化：

首先，是對(duì)協(xié)議化處理過程進(jìn)行優(yōu)化。數(shù)據(jù)協(xié)議方面選擇使用 Protocal Buffer 協(xié)議，Protocal Buffer 相對(duì) JSON 來說，不僅速度更快，而且更省內(nèi)存空間。在協(xié)議的序列化上，我們采用了手動(dòng)封裝協(xié)議的實(shí)現(xiàn)，在序列化的過程中，避免了很多臨時(shí)內(nèi)存空間的開辟、復(fù)制以及無關(guān)函數(shù)的調(diào)用。

其次，在內(nèi)存管理方面，我們直接對(duì) SDK 的最大使用內(nèi)存做了可配置的大小限制。內(nèi)存的使用，可以根據(jù)業(yè)務(wù)情況按需配置，避免 SDK 內(nèi)存占用過大對(duì) App 的穩(wěn)定性造成影響；其次，還引入了動(dòng)態(tài)內(nèi)存管理機(jī)制，內(nèi)存空間的使用按需增加，不會(huì)一直占用 App 的內(nèi)存空間，避免內(nèi)存空間的浪費(fèi)。同時(shí)還提升了字符串的處理性能。在字符的處理上，引入了動(dòng)態(tài)字符串機(jī)制，它可以記錄字符串自身的長度，獲取字符長度時(shí)，操作復(fù)雜度低，而且可以避免緩沖區(qū)溢出，同時(shí)也可以減少修改字符串時(shí)帶來的內(nèi)存重分配次數(shù)。

最后，在文件緩存管理方面，我們也限制了文件大小的上限，避免對(duì)端設(shè)備存儲(chǔ)空間的浪費(fèi)。在緩存文件的落盤處理上，我們引入了 Ring File 機(jī)制，把緩存數(shù)據(jù)存儲(chǔ)在多個(gè)文件上面，以日志文件組的形式對(duì)多個(gè)文件進(jìn)行組裝。整個(gè)日志文件組以環(huán)形數(shù)組的形式，從頭開始寫，寫到末尾再回到頭重新循環(huán)寫。

通過這種方式寫數(shù)據(jù)，可以減少寫文件時(shí)的隨機(jī) Seek，而且 Ring File 的機(jī)制，可以確保單個(gè)日志文件不會(huì)過大，從而盡可能的降低系統(tǒng) I/O 的負(fù)載。除了 Ring File 的機(jī)制外，還把斷點(diǎn)保存、緩存清理的邏輯放到了一起聚合執(zhí)行，減少隨機(jī) Seek。checkpoint 的文件大小也做了限制，在超出指定大小后會(huì)對(duì) checkpoint 文件進(jìn)行清理，避免 checkpoint 文件過大影響文件讀寫效率。

經(jīng)過上面的這些優(yōu)化措施之后，最終 SDK 采集數(shù)據(jù)的吞吐量提升了 2 倍，內(nèi)存和 CPU 占用都有明顯的降低。每秒鐘最高可支持 400+條數(shù)據(jù)的采集。

如何確保日志不丟失？

性能滿足要求還不夠，還需要確保采集到的數(shù)據(jù)不能丟失。在 App 的使用過程中，app 經(jīng)常可能會(huì)出現(xiàn)異常崩潰，手機(jī)設(shè)備異常重啟，以及網(wǎng)絡(luò)質(zhì)量差，網(wǎng)絡(luò)延時(shí)、抖動(dòng)大的情況。在這類異常場(chǎng)景下，如何確保采集到數(shù)據(jù)不會(huì)丟失？

在采集數(shù)據(jù)時(shí)，我們使用了預(yù)寫日志（WAL）機(jī)制，并結(jié)合自建網(wǎng)絡(luò)加速通道來優(yōu)化這個(gè)問題。

引入預(yù)寫日志機(jī)制的目的是確保寫入到 SDK 的數(shù)據(jù)，在發(fā)送到服務(wù)器之前，不會(huì)因?yàn)楫惓Ｔ蚨鴣G失。這個(gè)過程的核心是，在數(shù)據(jù)成功發(fā)送到服務(wù)器之前，先把數(shù)據(jù)緩存在移動(dòng)設(shè)備的磁盤上，數(shù)據(jù)發(fā)送成功之后，再移除磁盤上的緩存數(shù)據(jù)。如果因?yàn)?App 異常原因，或者設(shè)備重啟導(dǎo)致數(shù)據(jù)發(fā)送失敗，因?yàn)榫彺娴臄?shù)據(jù)還在，SDK 會(huì)根據(jù)記錄的斷點(diǎn)信息對(duì)數(shù)據(jù)發(fā)送進(jìn)度進(jìn)行恢復(fù)。同時(shí)預(yù)寫日志機(jī)制可以確保數(shù)據(jù)的寫入和發(fā)送并發(fā)執(zhí)行，不會(huì)互相阻塞；

在數(shù)據(jù)發(fā)送之前，還會(huì)對(duì)多條數(shù)據(jù)做聚合處理，并通過 lz4 算法進(jìn)行壓縮處理，這種做法可以降低數(shù)據(jù)發(fā)送時(shí)的請(qǐng)求次數(shù)和網(wǎng)絡(luò)傳輸流量的消耗。如果數(shù)據(jù)發(fā)送失敗，還會(huì)有重試策略，確保數(shù)據(jù)至少能成功發(fā)送一次；

在數(shù)據(jù)發(fā)送時(shí)，SDK 支持就近接入加速邊緣節(jié)點(diǎn)，并通過邊緣節(jié)點(diǎn)與 SLS 之間的內(nèi)部網(wǎng)絡(luò)加速通道傳輸數(shù)據(jù)。

經(jīng)過這三種主要的方式優(yōu)化之后，數(shù)據(jù)包的平均大小降低了 2.1 倍，整體的 QPS 平均提升 13 倍，數(shù)據(jù)整體的發(fā)送成功率達(dá)到了 99.3%，網(wǎng)絡(luò)延時(shí)平均下降了 50%。

多系統(tǒng)數(shù)據(jù)關(guān)聯(lián)處理

解決了端側(cè)數(shù)據(jù)的串聯(lián)和采集性能問題之后，還需要處理多系統(tǒng)之間的數(shù)據(jù)存儲(chǔ)和關(guān)聯(lián)分析問題。

數(shù)據(jù)存儲(chǔ)方面，我們直接基于 SLS LogHub 能力，把相關(guān)的數(shù)據(jù)統(tǒng)一存儲(chǔ)，基于 SLS，日均可以承載 PB 級(jí)別的流量，這個(gè)吞吐量可以支持移動(dòng)端可觀測(cè)數(shù)據(jù)的全量采集。

解決了數(shù)據(jù)的統(tǒng)一存儲(chǔ)問題之后，還需要處理兩個(gè)主要的問題。

第一個(gè)問題，不同系統(tǒng)可觀測(cè)數(shù)據(jù)之間的上下文關(guān)聯(lián)如何處理？

根據(jù) OTel 協(xié)議的約束，我們可以基于 parent_id 和 span_id 來處理根節(jié)點(diǎn)、父節(jié)點(diǎn)、子節(jié)點(diǎn)之間的映射關(guān)系。首先，在查詢 Trace 數(shù)據(jù)鏈路時(shí)，會(huì)先從 SLS 拉取一定時(shí)間段內(nèi)的所有 Trace 數(shù)據(jù)。然后按照 OTel 協(xié)議的約束，對(duì)每條數(shù)據(jù)進(jìn)行節(jié)點(diǎn)類型的判定。

由于多系統(tǒng)的數(shù)據(jù)可能存在延時(shí)，在查詢 Trace 數(shù)據(jù)鏈路時(shí)，有些數(shù)據(jù)可能還沒有到達(dá)。我們還需要對(duì)暫時(shí)不存在的父節(jié)點(diǎn)進(jìn)行虛擬化處理，確保 Trace 鏈路的準(zhǔn)確性。接下來，還需要對(duì)節(jié)點(diǎn)進(jìn)行規(guī)整處理，把屬于同一個(gè) parent_id 的節(jié)點(diǎn)進(jìn)行聚合，然后再按照每個(gè)節(jié)點(diǎn)的開始時(shí)間進(jìn)行排序，最終就可以得到一條 trace 鏈路信息，基于這個(gè)鏈路信息，我們可以還原出系統(tǒng)的調(diào)用鏈路。

第二個(gè)問題， 在進(jìn)行 Trace 分析時(shí)，我們往往還需要從系統(tǒng)視角出發(fā)，對(duì)不同維度的數(shù)據(jù)進(jìn)一步分析。比如，如果想從設(shè)備 ID、App 版本、服務(wù)調(diào)用等不同維度，對(duì) Trace 數(shù)據(jù)進(jìn)一步分析，該怎么做？我們來看一下怎么解決這個(gè)問題。

多系統(tǒng)數(shù)據(jù)拓?fù)渖?/p>

當(dāng)我們從系統(tǒng)整體視角對(duì)問題進(jìn)行分析時(shí)，所需要的 Trace 數(shù)據(jù)規(guī)模往往會(huì)比較大，每分鐘可能有數(shù)千萬條數(shù)據(jù)，而且對(duì)數(shù)據(jù)的時(shí)效性要求也比較高。傳統(tǒng)的流處理方式在這種場(chǎng)景下很容易遇到性能瓶頸問題。我們采用的方案是，把流處理問題轉(zhuǎn)換為批處理問題，把傳統(tǒng)的鏈路處理視角轉(zhuǎn)換為系統(tǒng)處理視角。經(jīng)過視角轉(zhuǎn)化之后，從系統(tǒng)視角來看，解決這個(gè)問題最主要的核心，就是如何確定兩個(gè)節(jié)點(diǎn)之間的關(guān)系。

我們看一下具體的處理過程。在批處理上，我們使用了 MapReduce 框架。首先，在數(shù)據(jù)源處理階段，我們基于 SLS 的定時(shí)分析（ScheduledSQL）能力，對(duì)數(shù)據(jù)進(jìn)行聚合處理，按照分鐘級(jí)從 Trace 數(shù)據(jù)源中撈取數(shù)據(jù)。在 Map 階段，先按照 traceID 進(jìn)行分組，對(duì)分組之后的數(shù)據(jù)再按照 spanID、parentID 維度對(duì)數(shù)據(jù)進(jìn)行聚合。

然后計(jì)算出相關(guān)的統(tǒng)計(jì)數(shù)據(jù)，如成功率、失敗率、延時(shí)指標(biāo)等基礎(chǔ)統(tǒng)計(jì)數(shù)據(jù)。在實(shí)際的業(yè)務(wù)使用中，往往還會(huì)采集一些和具體業(yè)務(wù)屬性相關(guān)的數(shù)據(jù)，這部分?jǐn)?shù)據(jù)往往會(huì)根據(jù)業(yè)務(wù)的不同，有比較大的差異。針對(duì)這部分類型的數(shù)據(jù)，在聚合處理的過程中，支持按照其他維度對(duì)結(jié)果進(jìn)行分組。此時(shí)會(huì)得到兩種中間產(chǎn)物：

包含兩個(gè)節(jié)點(diǎn)關(guān)系的聚合數(shù)據(jù)，我們把這種類型的數(shù)據(jù)，叫做邊信息

以及未匹配到的原始數(shù)據(jù)

這兩種中間產(chǎn)物，在 Combine 階段還會(huì)再進(jìn)行聚合處理，最終會(huì)得到包含基礎(chǔ)統(tǒng)計(jì)指標(biāo)，以及其他維度的結(jié)果數(shù)據(jù)。

最終產(chǎn)物會(huì)包含幾個(gè)主要的信息：

邊信息，可以體現(xiàn)調(diào)用關(guān)系。

依賴信息，可以體現(xiàn)服務(wù)依賴關(guān)系。

還有指標(biāo)信息，以及其他資源信息等。其中，業(yè)務(wù)屬性相關(guān)的數(shù)據(jù)會(huì)體現(xiàn)在資源信息中。

基于這些產(chǎn)物，我們可以通過對(duì)資源、服務(wù)等信息的多個(gè)維度篩選，來統(tǒng)計(jì)出對(duì)應(yīng)維度的問題分布和影響鏈路。

自動(dòng)化問題根因定位探索

接下來向大家介紹下，我們?cè)谧詣?dòng)化問題根因定位方向的一些探索。

我們知道，隨著 App 版本的迭代，每次 App 的發(fā)版可能會(huì)涉及到多個(gè)業(yè)務(wù)的代碼變更。這些變更，有的經(jīng)過充分測(cè)試，也有的未經(jīng)過充分測(cè)試，或者常規(guī)測(cè)試方法沒有覆蓋到，對(duì)線上業(yè)務(wù)可能會(huì)產(chǎn)生一定的潛在影響，導(dǎo)致部分業(yè)務(wù)不可用。App 規(guī)模越大，業(yè)務(wù)模式越多，對(duì)應(yīng)的業(yè)務(wù)數(shù)據(jù)量，請(qǐng)求鏈路，不確定性就越大。出了問題之后，往往需要多人跨域參與排查，人肉運(yùn)維成本比較高。

如何在端側(cè)問題排查定位方向，通過技術(shù)手段進(jìn)行研發(fā)效能的提速？ 我們基于機(jī)器學(xué)習(xí)技術(shù)做了一些探索。

我們目前的方法是，先對(duì) Trace 源數(shù)據(jù)進(jìn)行特征處理；然后再對(duì)特征進(jìn)行聚類分析，去找到異常 Trace；最后再基于圖算法等，對(duì)異常 Trace 進(jìn)行分析，找到異常的起始點(diǎn)。

首先，實(shí)時(shí)特征處理階段會(huì)讀取 Trace 源數(shù)據(jù)，對(duì)每個(gè) Trace 鏈路按照由底向上找 5 個(gè)節(jié)點(diǎn)的方式生成一個(gè)特征，并對(duì)特征進(jìn)行編碼。然后對(duì)編碼之后的特征通過 HDBSCAN 算法進(jìn)行層次聚類分析，此時(shí)相似的異常會(huì)分到同一個(gè)組里面，接下來再從每組異常 Trace 中找出一條典型的異常 Trace。最后，通過圖算法找到這條異常 Trace 的起點(diǎn)，從而確定當(dāng)前異常 Trace 可能存在的問題根因。通過這種方式，只要是遵循 OTel 標(biāo)準(zhǔn)協(xié)議的數(shù)據(jù)源都能夠進(jìn)行處理。

案例：多端鏈路追蹤

經(jīng)過對(duì)數(shù)據(jù)處理之后，我們來看下最終的效果。

這里有一個(gè)模擬 Android、iOS、服務(wù)端，端到端鏈路追蹤的場(chǎng)景。

我們使用 iOS App 來作為指令的發(fā)送端，Android App 來作為指令的響應(yīng)端，用來模擬遠(yuǎn)程打開汽車空調(diào)的操作。我們從圖上可以看到，iOS 端“打開車機(jī)空調(diào)”這個(gè)操作觸發(fā)后，依次經(jīng)過了“用戶權(quán)限校驗(yàn)”、“發(fā)送指令”、“調(diào)用網(wǎng)絡(luò)請(qǐng)求”等環(huán)節(jié)。Android 端收到指令后，依次執(zhí)行“遠(yuǎn)程啟動(dòng)空調(diào)”、“狀態(tài)檢查”等環(huán)節(jié)。

從這個(gè)調(diào)用圖可以看得到，Android、iOS、服務(wù)端，多端鏈路被串聯(lián)到了一起。我們可以從 Android、iOS、服務(wù)端的任何一個(gè)視角，對(duì)調(diào)用鏈路進(jìn)行分析。每個(gè)操作的耗時(shí)，對(duì)應(yīng)服務(wù)的請(qǐng)求數(shù)，錯(cuò)誤率，以及服務(wù)依賴都能體現(xiàn)出來。

整體架構(gòu)

接下來，我們來看下整套解決方案的架構(gòu)：

最底層是數(shù)據(jù)源，遵循 OTel 協(xié)議，各個(gè)端對(duì)應(yīng)的 SDK 按照協(xié)議規(guī)范統(tǒng)一實(shí)現(xiàn)；

數(shù)據(jù)存儲(chǔ)層，是直接依托于 SLS LogHub，所有系統(tǒng)采集到的數(shù)據(jù)統(tǒng)一存儲(chǔ)；

再往上是數(shù)據(jù)處理層，對(duì)關(guān)鍵指標(biāo)、Trace 鏈路、依賴關(guān)系、拓?fù)浣Y(jié)構(gòu)、還有特征等進(jìn)行了預(yù)處理。

最后是上層應(yīng)用，提供鏈路分析、拓?fù)洳樵儭⒅笜?biāo)查詢、原始日志查詢，以及根因定位等能力

后續(xù)規(guī)劃

最后總結(jié)下我們后續(xù)的規(guī)劃：

在采集層，會(huì)繼續(xù)完善插件、注解等方式的支持，降低業(yè)務(wù)代碼的侵入性，提升接入效率

在數(shù)據(jù)側(cè)，會(huì)豐富可觀測(cè)數(shù)據(jù)源，后續(xù)會(huì)支持網(wǎng)絡(luò)質(zhì)量、性能等相關(guān)數(shù)據(jù)的采集

在應(yīng)用側(cè)，會(huì)提供用戶訪問監(jiān)測(cè)、性能分析等能力

審核編輯：劉清