轉(zhuǎn)載本文需注明出處：微信公眾號EAWorld，違者必究。

引言：

微服務(wù)框架落地后，分布式部署架構(gòu)帶來的問題就會迅速凸顯出來。服務(wù)之間的相互調(diào)用過程中，如果業(yè)務(wù)出現(xiàn)錯誤或者異常，如何快速定位問題？如何跟蹤業(yè)務(wù)調(diào)用鏈路？如何分析解決業(yè)務(wù)瓶頸？...本文我們來看看如何解決以上問題。

目錄：

一、SkyWalking初探

二、業(yè)務(wù)調(diào)用鏈路監(jiān)控

三、服務(wù)性能指標(biāo)監(jiān)控

四、服務(wù)告警

一、SkyWalking初探

Skywalking 簡介

Skywalking是一款國內(nèi)開源的應(yīng)用性能監(jiān)控工具，支持對分布式系統(tǒng)的監(jiān)控、跟蹤和診斷。

它提供了如下的主要功能特性：

Skywalking 技術(shù)架構(gòu)

SW總體可以分為四部分：

1.Skywalking Agent：使用JAVAagent做字節(jié)碼植入，無侵入式的收集，并通過HTTP或者gRPC方式發(fā)送數(shù)據(jù)到Skywalking Collector。

2. Skywalking Collector ：鏈路數(shù)據(jù)收集器，對agent傳過來的數(shù)據(jù)進行整合分析處理并落入相關(guān)的數(shù)據(jù)存儲中。

3. Storage：Skywalking的存儲，時間更迭，sw已經(jīng)開發(fā)迭代到了6.x版本，在6.x版本中支持以ElasticSearch、MySQL、TiDB、H2、作為存儲介質(zhì)進行數(shù)據(jù)存儲。

4. UI ：Web可視化平臺，用來展示落地的數(shù)據(jù)。

Skywalking Agent配置

通過了解配置，可以對一個組件功能有一個大致的了解。讓我們一起看一下skywalking的相關(guān)配置。

解壓開skywalking的壓縮包，在agent/config文件夾中可以看到agent的配置文件。

從skywalking支持環(huán)境變量配置加載，在啟動的時候優(yōu)先讀取環(huán)境變量中的相關(guān)配置。

• agent.namespace: 跨進程鏈路中的header，不同的namespace會導(dǎo)致跨進程的鏈路中斷
• agent.service_name:一個服務(wù)（項目）的唯一標(biāo)識，這個字段決定了在sw的UI上的關(guān)于service的展示名稱
• agent.sample_n_per_3_secs: 客戶端采樣率，默認(rèn)是-1代表全采樣
• agent.authentication: 與collector進行通信的安全認(rèn)證，需要同collector中配置相同
• agent.ignore_suffix: 忽略特定請求后綴的trace
• collecttor.backend_service: agent需要同collector進行數(shù)據(jù)傳輸?shù)腎P和端口
• logging.level: agent記錄日志級別

skywalking agent使用javaagent無侵入式的配合collector實現(xiàn)對分布式系統(tǒng)的追蹤和相關(guān)數(shù)據(jù)的上下文傳遞。

Skywalking Collector關(guān)鍵配置

Collector支持集群部署，zookeeper、kubernetes（如果你的應(yīng)用是部署在容器中的）、consul（Go語言開發(fā)的服務(wù)發(fā)現(xiàn)工具）是sw可選的集群管理工具，結(jié)合大家具體的部署方式進行選擇。詳細(xì)配置大家可以去Skywalking官網(wǎng)下載介質(zhì)包進行了解。

Collector端口設(shè)置

downsampling: 采樣匯總統(tǒng)計維度，會分別按照分鐘、【小時、天、月】（可選）來統(tǒng)計各項指標(biāo)數(shù)據(jù)。

通過設(shè)置TTL相關(guān)配置項可以對數(shù)據(jù)進行自動清理。

Skywalking 在6.X中簡化了配置。collector提供了gRPC和HTTP兩種通信方式。

UI使用rest http通信，agent在大多數(shù)場景下使用grpc方式通信，在語言不支持的情況下會使用http通信。

關(guān)于綁定IP和端口需要注意的一點是，通過綁定IP，agent和collector必須配置對應(yīng)ip才可以正常通信。

Collector存儲配置

在Application.yml中配置的storage模塊配置中選擇要使用的數(shù)據(jù)庫類型，并填寫相關(guān)的配置信息。

Collector Receiver

Receiver是Skywalking在6.x提出的新的概念，負(fù)責(zé)從被監(jiān)控的系統(tǒng)中接受指標(biāo)數(shù)據(jù)。用戶完全可以參照OpenTracing規(guī)范來上傳自定義的監(jiān)控數(shù)據(jù)。Skywalking官方提供了service-mesh、istio、zipkin的相關(guān)能力。

現(xiàn)在Skywalking支持服務(wù)端采樣，配置項為sampleRate，比例采樣，如果配置為5000則采樣率就是50%。

關(guān)于采樣設(shè)置的一點注意事項

關(guān)于服務(wù)采樣配置的一點建議，如果Collector以集群方式部署，比如：Acollector和Bcollector，建議Acollector.sampleRate = Bcollector.sampleRate。如果采樣率設(shè)置不相同可能會出現(xiàn)數(shù)據(jù)丟失問題。

假設(shè)Agent端將所有數(shù)據(jù)發(fā)送到后端Collector處，A采樣率設(shè)置為30%，B采樣率為50%。

假設(shè)有30%的數(shù)據(jù)，發(fā)送到A上，這些數(shù)據(jù)被全部正確接受并存儲，極端情況（與期望的采樣數(shù)據(jù)量相同）下，如果剩下20%待采樣的數(shù)據(jù)發(fā)送到了B，這個時候一切都是正常的，如果這20%中有一部分?jǐn)?shù)據(jù)被送到了A那么，這些數(shù)據(jù)將是被忽略的，由此就會造成數(shù)據(jù)丟失。

二、業(yè)務(wù)調(diào)用鏈路監(jiān)控

Service Topology監(jiān)控

調(diào)用鏈路監(jiān)控可以從兩個角度去看待。我們先從整體上來認(rèn)識一下我們所監(jiān)控的系統(tǒng)。

通過給服務(wù)添加探針并產(chǎn)生實際的調(diào)用之后，我們可以通過Skywalking的前端UI查看服務(wù)之間的調(diào)用關(guān)系。

我們簡單模擬一次服務(wù)之間的調(diào)用。新建兩個服務(wù)，service-provider以及service-consumer，服務(wù)之間簡單的通過Feign Client 來模擬遠程調(diào)用。

從圖中可以看到:

有兩個服務(wù)節(jié)點：provider & consumer

有一個數(shù)據(jù)庫節(jié)點：localhost【mysql】

一個注冊中心節(jié)點

consumer消費了provider提供出來的接口。

一個系統(tǒng)的拓?fù)鋱D讓我們清晰的認(rèn)識到系統(tǒng)之間的應(yīng)用的依賴關(guān)系以及當(dāng)前狀態(tài)下的業(yè)務(wù)流轉(zhuǎn)流程。細(xì)心的可能發(fā)現(xiàn)圖示節(jié)點consumer上有一部分是紅色的，紅色是什么意思呢？

紅色代表當(dāng)前流經(jīng)consumer節(jié)點的請求有一斷時間內(nèi)是響應(yīng)異常的。當(dāng)節(jié)點全部變紅的時候證明服務(wù)現(xiàn)階段內(nèi)就徹底不可用了。運維人員可以通過Topology迅速發(fā)現(xiàn)某一個服務(wù)潛在的問題，并進行下一步的排查并做到預(yù)防。

Skywalking Trace監(jiān)控

Skywalking通過業(yè)務(wù)調(diào)用監(jiān)控進行依賴分析，提供給我們了服務(wù)之間的服務(wù)調(diào)用拓?fù)潢P(guān)系、以及針對每個endpoint的trace記錄。

我們在之前看到consumer節(jié)點服務(wù)中發(fā)生了錯誤，讓我們一起來定位下錯誤是發(fā)生在了什么地方又是什么原因呢？

在每一條trace的信息中都可以看到當(dāng)前請求的時間、GloableId、以及請求被調(diào)用的時間。我們分別看一看正確的調(diào)用和異常的調(diào)用。

Trace調(diào)用鏈路監(jiān)控

圖示展示的是一次正常的響應(yīng)，這條響應(yīng)總耗時19ms，它有4個span：

• span1 /getStore = 19ms 響應(yīng)的總流轉(zhuǎn)時間
• span2 /demo2/stores = 14ms feign client 開始調(diào)用遠程服務(wù)后的響應(yīng)的總時間
• span3 /stores = 14ms 接口服務(wù)響應(yīng)總時間
• span4 Mysql = 1ms 服務(wù)提供端查詢數(shù)據(jù)庫的時間

這里span2和span3的時間表現(xiàn)相同，其實是不同的，因為這里時間取了整。

在每個Span中可以查看當(dāng)前Span的相關(guān)屬性。

• 組件類型: SpringMVC、Feign
• Span狀態(tài): false
• HttpMethod: GET
• Url: http://192.168.16.125:10002/demo2/stores

這是一次正常的請求調(diào)用Trace日志，可能我們并不關(guān)心正常的時候，畢竟一切正常不就是我們期待的么！

我們再來看下，異常狀態(tài)下我們的Trace以及Span又是什么樣的呢。

發(fā)生錯誤的調(diào)用鏈中Span中的is error標(biāo)識變?yōu)閠rue，并且在名為Logs的TAB中可以看到錯誤發(fā)生的具體原因。根據(jù)異常情況我們就可以輕松定位到影響業(yè)務(wù)的具體原因，從而快速定位問題，解決問題。

通過Log我們看到連接被拒，那么可能是我們的網(wǎng)絡(luò)出現(xiàn)了問題（可能性小，因為實際情況如果網(wǎng)絡(luò)出現(xiàn)問題我們連這個trace都看不到了），也有可能是服務(wù)端配置問題無法正確建立連接。通過異常日志，我們迅速就找到了問題的關(guān)鍵。

實際情況是，我把服務(wù)方停掉了，做了一次簡單的模擬。可見，通過拓?fù)鋱D示我們可以清晰的看到眾多服務(wù)中哪個服務(wù)是出現(xiàn)了問題的，通過trace日志我們可以很快就定位到問題所在，在最短的時間內(nèi)解決問題。

三、服務(wù)性能指標(biāo)監(jiān)控

Skywalking還可以查看具體Service的性能指標(biāo)，根據(jù)相關(guān)的性能指標(biāo)可以分析系統(tǒng)的瓶頸所在并提出優(yōu)化方案。

Skywalking 性能監(jiān)控

在服務(wù)調(diào)用拓?fù)鋱D上點擊相應(yīng)的節(jié)點我們可以看到該服務(wù)的

SLA: 服務(wù)可用性（主要是通過請求成功與失敗次數(shù)來計算）

CPM: 每分鐘調(diào)用次數(shù)

Avg Response Time: 平均響應(yīng)時間

從應(yīng)用整體外部來看我們可以監(jiān)測到應(yīng)用在一定時間段內(nèi)的

• 服務(wù)可用性指標(biāo)SLA
• 每分鐘平均響應(yīng)數(shù)
• 平均響應(yīng)時間
• 服務(wù)進程PID
• 服務(wù)所在物理機的IP、HostName、Operation System

Service JVM信息監(jiān)控

還可以監(jiān)控到Service運行時的CPU、堆內(nèi)存、非堆內(nèi)存使用率、以及GC情況。這些信息來源于JVM。注意這里的數(shù)據(jù)可不是機器本身的數(shù)據(jù)。

四、服務(wù)告警

前文我們提到了通過查看拓?fù)鋱D以及調(diào)用鏈路可以定位問題，可是運維人員又不可能一直盯著這些數(shù)據(jù)，那么我們就需要告警能力，在異常達到一定閾值的時候主動的提示我們?nèi)ゲ榭聪到y(tǒng)狀態(tài)。

在Sywalking 6.x版本中新增了對服務(wù)狀態(tài)的告警能力。它通過webhook的方式讓我們可以自定義我們告警信息的通知方式。諸如:郵件通知、微信通知、短信通知等。

Skywalking 服務(wù)告警

先來看一下告警的規(guī)則配置。在alarm-settings.xml中可以配置告警規(guī)則，告警規(guī)則支持自定義。

一份告警配置由以下幾部分組成：

• service_resp_time_rule：告警規(guī)則名稱 ***_rule （規(guī)則名稱可以自定義但是必須以’_rule’結(jié)尾
• indicator-name：指標(biāo)數(shù)據(jù)名稱： 定義參見http://t.cn/EGhfbmd
• op: 操作符： > , < , = 【當(dāng)然你可以自己擴展開發(fā)其他的操作符】
• threshold：目標(biāo)值：指標(biāo)數(shù)據(jù)的目標(biāo)數(shù)據(jù) 如sample中的1000就是服務(wù)響應(yīng)時間，配合上操作符就是大于1000ms的服務(wù)響應(yīng)
• period: 告警檢查周期：多久檢查一次當(dāng)前的指標(biāo)數(shù)據(jù)是否符合告警規(guī)則
• counts: 達到告警閾值的次數(shù)
• silence-period：忽略相同告警信息的周期
• message：告警信息
• webhooks：服務(wù)告警通知服務(wù)地址

Skywalking通過HttpClient的方式遠程調(diào)用在配置項webhooks中定義的告警通知服務(wù)地址。

了解了SW所傳送的數(shù)據(jù)格式我們就可以對告警信息進行接收處理，實現(xiàn)我們需要的告警通知服務(wù)啦！

我們將一個服務(wù)停掉，并將另外一個服務(wù)的某個對外暴露的接口讓他休眠一定的時間。然后調(diào)用一定的次數(shù)觀察服務(wù)的狀態(tài)信息以及告警情況。

總結(jié)：

本文簡單的通過skwaylking的配置來對skywlaking的功能進行一次初步的了解，對skwaylking新提出的概念以及新功能進行簡單的詮釋，方便大家了解和使用。通過使用APM工具，可以讓我們方便的查看微服務(wù)架構(gòu)中系統(tǒng)瓶頸以及性能問題等。

關(guān)于作者：趙瑞棟，普元java工程師，從事Eclipse插件開發(fā)，參與普元EOS8 Platform開發(fā)，現(xiàn)主要參與EOS8微服務(wù)管理平臺開發(fā)工作。

關(guān)于EAWorld：微服務(wù)，DevOps，數(shù)據(jù)治理，移動架構(gòu)原創(chuàng)技術(shù)分享。長按二維碼關(guān)注！