百度商业大规模微服务分布式监控系统-凤睛

导读：作为凤睛早期的接入方、后期的核心成员，笔者经历了整个项目前后四年的变迁，看过项目的艰难开端、中期的默默积累以及后期的蓬勃发展。每一次架构的变迁都带着技术浪潮的烙印，也看到项目成员利用有限资源来解决实际问题而持续不断的创新。

凤睛是百度商业业务系统的性能监控系统（APM），它侧重于对Java应用的监控，基本接入了百度绝大部分Java应用（覆盖数千个业务应用，数万个容器）。它能够对主流中间件框架（ Spring Web、RPC、数据库、缓存等）进行自动埋点，实现全栈式性能监控和全链路追踪诊断，为百度各业务线提供微服务系统性能指标、业务黄金指标、健康状况、监控告警等。

△凤睛产品流程图

数据采集：凤睛探针技术能够自动植入到业务进程中去，采集相关性能信息，业务进程完全无感知。
数据计算和分析：按照类型，时序数据存储在百度SIA智能监控平台的时序数据库TSDB，用来生成可视化报表和异常报警。调用链数据会被存入Palo（开源名为Doris）大数据仓库，用来拓扑分析和调用链检索。
应用场景：如上所述，凤睛提供稳定性报表、异常报警、错误堆栈分析、服务耗时分析、调用拓扑分析、业务日志关联分析等。

△凤睛的架构变迁时间线

01 凤睛立项

项目发起在2016年，百度凤巢广告业务系统中间件 (分布式RPC框架 Stargate等、配置中心、数据库中间件等)已经完善。随着单体服务拆分的深入，整体Java在线上部署规模逐渐变多，同时，暴露的问题也越来越多。

典型的问题有：

核心服务问题定位周期长。多个模块大量报错后，花费了很长时间才定位问题。
集群日志获取代价非常高，缺乏日志调用链关系等原因导致定位代价很高，甚至有些问题无法定位。
异常日志需要登录具体的线上实例查看。而线上部署实例数目多，排错时间长。

凤巢业务端急需一个分布式追踪系统来完成整个业务端日志的“大串联”。所以百度商业平台基础架构组发起了凤睛的项目，名曰“凤巢之眼”。

02 凤睛1.0

在分布式链路追踪领域，探针采集这个环节主要存在侵入式和无侵入式。1.0探针走的侵入方式。业务开发人员首先引入探针相关的依赖 jar 包，通过拦截器自动收集调用关系以及性能数据；然后，添加硬编码补充业务数据。

△编码示例

探针采集的数据会被打印到磁盘，通过kafka收集走。底层的数据处理和数据存储采用了Storm、 Hbase等当时流行的数据处理系统。后端架构比较复杂。

△凤睛1.0架构示意图

03 凤睛2.0

凤睛2.0版本中，首先是降低探针接入成本。2.0版本中，探针改用java agent技术结合cglib 做AOP注解，把依赖引入的jar 包从N个降低到1个。从编写大段的调用链填充代码改为尽量走AOP。探针端传输层采用了更高效的传输协议（protobuffer+gzip）, 直接通过 HTTP 协议发送到 kafka，大大了降低磁盘IO开销。

2.0探针较1.0接入方便，传输也更快。但是仍需业务方添加AOP代码。对于业务端数以百计的应用来说，接入仍然是大工程，推广依然困难。

04 凤睛3.0

凤睛3.0架构设计中，项目组成员一直在思考两个问题：

如何让业务方快速接入，尽量少改动，甚至“无感知接入”？如何降低架构运维难度，既能处理海量数据，又能低成本运维？
为了解决问题1，探针3.0 决定完全放弃侵入式方式，改为无侵入即字节码增强方式。

对当时几种流行的监控诊断工具进行了调研：

△Newrelic，pinpoint，greys监控探针调研

3.0探针参考了Greys支持运行时增强的特点以及 pinpoint、Newrelic基于插件扩展开发的设计理念。最终效果是探针能够自动对业务进程植入监控代码，监控具体工作交由插件体系完成，完全面向切面监控。

△探针主动加载示意图

后端存储系统转而依托Doris。Doris是百度自研的基于 MPP 的交互式 SQL 数据仓库，兼容mysql协议，学习成本低。既可以做存储又可以做分析计算，初期避免引入spark，storm等技术，降低系统复杂度。

△架构设计如图所示

架构升级后，作为小团队，也能快速批量部署探针，计算存储能力也能满足需求。截止2017年，凤睛3.0上线了100多个应用，跑在1000多个容器上面。

05 凤睛4.0

2018年，微服务和虚拟化浪潮席卷而来。随着部署平台的不断升级和 springboot体系的成熟完善，单体能够被快速拆分成了数目众多的微服务，依托平台进行高效的运维部署。凤睛作为基础组件被微服务托管平台集成，并得到公司级的推广应用，整体部署应用规模从百级别激增到了千级别，部署容器从千级别变成了万级别。

这个阶段爆发了很多问题，技术核心问题主要有两点：

探针升级需要重启业务应用生效，而线上应用重启流量有损。导致难以频繁升级探针版本，快速引入新功能。
每天实时写入150亿条，峰值流量300w 条/s。数据导入容易丢失；检索单条调用链性能查，大概需要100多秒。

2019年，凤睛进行了进一步的改造升级，针对1、2两个问题，进行了技术攻坚。

探针层面研究如何支持热插拔，也就是探针在业务进程运行的情况下自动完成升级。起初为了保证业务类对探针插件类的可见性，探针类统一放到了 System Classloader里。但是System Classloader 作为系统默认的，不支持卸载。反之，如果把探针类全部放到自定义类加载器中。探针类则对业务类完全不可见，也就无法完成字节码增强。

△探针热插拔classloader体系

为了解决可见性问题，探针引入了桥接类，通过桥接类提供的代码桩和插件类库投影，用户类可以访问实际使用的探针类，完成监控改造的目的。对于不同插件，则放在不同的自定义 Classloader 里面。这样来插件之间互不可见。单个插件也可以完成热插拔。具体的设计细节后面会有文章详细解读。

毋庸置疑，凤睛探针是业界唯一能够热插拔的监控探针技术，我们也申请了专利。它的功能正确性和性能是经历过大规模线上流量验证的。

继续推进优化调用链检索的性能。

首先分析下我们的底层存储结构：

通过对慢查询的分析，发现检索慢主要是两个原因：一是大量查询没有走任何索引，全表扫描海量数据非常慢。二是，导入碎片过多，导致文件Compaction特别慢，典型的LSM-Tree 的读放大。为了解决这些问题，调用链存储层重构表结构，通过大量Rollup配合基本表，优化查询时间。Doris 此时已经具备流式导入的能力，也借机从小批量导入切换到流式导入。

△调用链处理架构

△上图是凤睛实时构建的微服务全景拓扑图。截止2020年1月，大概涵盖了数十条产品线的线上流量拓扑，最细粒度的节点为接口，即 Java 应用中的函数。从图中可以分析出，托管全平台非孤岛接口节点大概有50w+，接口节点连线200w+ 条。

06 数据处理架构分离

架构继续演进，凤睛采集的数据量越来越多，业务方需求也越来越多。

主要面临两个问题：

数据可视化能力依赖于前端开发，大量多维可视化分析需求难以满足。
调用链做了采样，导致统计数据不准确，无法满足统计报表的需求。

这两个问题归根结底是时序数据如何存储和展现。这涉及到分布式追踪领域两个很基础的概念，时序时间和调用链数据。所谓的时序数据是基于时间的一系列的数据，用于查看一些指标数据和指标趋势。调用链数据是指记录一个请求的全部流程，用于查看请求在哪个环节出了故障，系统的瓶颈在哪儿。

时序数据不需要保存细节，只存时间、维度和指标的数据点, 可以存储在专门的时间序列数据库（Time Series Database）。实际场景中，凤睛没有专门去维护一个时序数据库。而是对接百度SIA智能监控平台的分布式时序数据库TSDB。同时，利用百度SIA平台提供丰富的多维可视化分析报表，用以解决用户各种可视化多维度数据分析的需求。

‍△当前整体的架构

07 结语

凤睛整个项目前后持续了4年，中间经历过无数的困难和坎坷，通过积累了项目成员们持续的付出，最终取得里程碑式的成果。本文简要介绍了凤睛产品的业务背景、技术架构和产品形态，后续会继续发文介绍技术相关的实现细节，欢迎持续关注。

推荐阅读：
百度世界2021：百度大脑升级、昆仑芯2量产、智能云加速AI落地爆发