從單體式到分布式，系統(tǒng)架構在變，我們對系統(tǒng)的監(jiān)控需求也在變。隨著微服務概念的提出，容器與云技術的發(fā)展，如何保障整個系統(tǒng)鏈路及各分支系統(tǒng)的穩(wěn)定運行對企業(yè)的網(wǎng)絡穩(wěn)定與業(yè)務發(fā)展尤為重要。不同的監(jiān)控方式由于其數(shù)據(jù)源、監(jiān)控路徑、落地方式等不同，在進行全鏈路監(jiān)控中會面臨不一樣的挑戰(zhàn)。本文將日志類與網(wǎng)絡數(shù)據(jù)類這兩種市場上主流的性能監(jiān)控派別從以上三個方面進行討論，看看誰能更好地實現(xiàn)全鏈路監(jiān)控。

一、數(shù)據(jù)源對比

• 采樣數(shù)據(jù)VS全量數(shù)據(jù)

日志類的數(shù)據(jù)來源有兩類：一種是傳統(tǒng)物理設備上的日志文件，這種日志文件能夠提供的數(shù)據(jù)格式、數(shù)據(jù)精細度、數(shù)據(jù)內(nèi)容都是各個設備廠商預先設定的；另外一種是程序開發(fā)過程中或之后，為捕獲程序或者系統(tǒng)本身的運行信息開發(fā)出來的日志系統(tǒng)。日志系統(tǒng)本身不對應用程序發(fā)起主動式訪問，只是伴隨著程序的運行，將相關的運行數(shù)據(jù)輸送出來，大部分日志系統(tǒng)輸送出來的都是機器本身或者程序運行的狀態(tài)信息。此外，日志屬于采樣數(shù)據(jù)，信息級別與功能均由人工定義，在存儲以及分析的過程中時常因前端需求而更改，按照人為需求進行目標輸出，因此邊界十分明顯。

網(wǎng)絡數(shù)據(jù)是應用程序之間通過網(wǎng)絡進行傳輸?shù)莫毺剡^程數(shù)據(jù)，能提供業(yè)務活動、應用性能、安全性與IT基礎架構等方面的信息。通過交換機鏡像的方式將網(wǎng)絡數(shù)據(jù)復制出來，送至分析服務器從而實現(xiàn)性能監(jiān)控。網(wǎng)絡數(shù)據(jù)是一種全量數(shù)據(jù)，通過旁路捕獲數(shù)據(jù)包，不消耗任何系統(tǒng)資源，實時反映設備、服務器、系統(tǒng)等運行的狀態(tài)。

• 時間精度和實時性

日志時間由系統(tǒng)程序自動打印，一般精確到毫秒；網(wǎng)絡數(shù)據(jù)的時間戳由捕獲服務器的高性能網(wǎng)卡抓包時進行標記，最快可以實現(xiàn)納秒級。盡管同樣采用ntp時間同步，二者的時間準確程度也會因網(wǎng)絡傳輸?shù)纫蛩禺a(chǎn)生毫秒級以上的差距。

在網(wǎng)絡傳輸過程中，由于Delayed ACK與Nagle算法相互作用會導致最大500毫秒的延遲。日志往往無法排查此類問題，而通過網(wǎng)絡數(shù)據(jù)可以進行數(shù)據(jù)包回溯分析。因此，網(wǎng)絡數(shù)據(jù)比日志具備更高的實時性。

二、監(jiān)控路徑對比

作為兩種數(shù)據(jù)源，日志與網(wǎng)絡數(shù)據(jù)所監(jiān)控的定義與范圍有著天然的差別。分布式追蹤領域有三個重要的概念：Metrics、Trace、Log，全鏈路監(jiān)控就是利用三者間的關系分步驟實現(xiàn)。

• Metrics即指標，反映組件實時狀況與健康度；

• Trace即鏈路，反映在單次請求的范圍內(nèi)如何處理信息；

• Log即日志，反映離散的事件或過程；

  
  

  

（Metrics、Tracing、Logging三者間的關系示意圖）

一般進行全鏈路監(jiān)控有兩種做法：

• 第一種做法：首先通過指標即（Metrics）,查看組件的健康程度、受影響的交易類型，再通過指標關聯(lián)查看整個交易路徑的健康度即（Trace），最后定位具體的問題節(jié)點即（Log），找出根因。

• 第二種做法：當交易出現(xiàn)問題，先查看出錯的具體路徑即（Trace），再查看相對應的指標（Metrics），如服務器或應用性能指標等，最后查看詳細日志數(shù)據(jù)（Log）。

我們都知道，網(wǎng)絡數(shù)據(jù)通常反映的是指標，然而無論是指標還是日志都必須經(jīng)過數(shù)據(jù)加工處理才能進入全鏈路追蹤體系。Metrics輔助于應用監(jiān)控，傾向于節(jié)省資源，會對數(shù)據(jù)進行天然的“壓縮”，而Log傾向于無限增加，會頻繁地超出預期容量。無論是日志類還是網(wǎng)絡數(shù)據(jù)類監(jiān)控都可以采用以上兩種做法，只不過介于數(shù)據(jù)源的因素，網(wǎng)絡數(shù)據(jù)類監(jiān)控具有天然可操作性，而日志類監(jiān)控卻經(jīng)過了一個漫長的發(fā)展期，并衍生出許多新的問題。

三、落地方式對比

全鏈路監(jiān)控的需求不是一開始就有的，受制于網(wǎng)絡科技與業(yè)務發(fā)展等諸多因素，不同階段對全鏈路監(jiān)控的標準和需求也有著明顯的差異。

網(wǎng)絡發(fā)展初期，業(yè)務規(guī)模小，企業(yè)通常采用標準作業(yè)程序（SOP）。由于系統(tǒng)多為單體架構，操作簡單、易部署，為節(jié)省資源、縮短時間成本，除核心系統(tǒng)外，沒有監(jiān)控其它系統(tǒng)的需求，因此，系統(tǒng)版本迭代較慢，不易擴展，全鏈路監(jiān)控也就無從談起。

到了2010年左右，互聯(lián)網(wǎng)發(fā)展進入飛躍期。隨著業(yè)務量逐漸增多，業(yè)務分支越來越細，垂直架構逐漸興起。然而，這一時期，系統(tǒng)與系統(tǒng)之間存在數(shù)據(jù)冗余，且同一個子系統(tǒng)中的業(yè)務無法實現(xiàn)關聯(lián)，盡管全鏈路監(jiān)控的需求與日俱增，如何實現(xiàn)卻成為一道現(xiàn)實難題。

在追求全鏈路監(jiān)控的過程中，由于缺乏統(tǒng)一的標準，對現(xiàn)有系統(tǒng)進行改造成為當時較為普遍的解決方案。然而，改造系統(tǒng)同樣面臨兩個嚴峻問題：

• 第一大問題：改造周期過長。即便如BMC對系統(tǒng)實施改造，在半年內(nèi)也僅能完成兩套系統(tǒng)的改造工作。如果用戶規(guī)模持續(xù)增多、業(yè)務量持續(xù)走高，耗時將會更久；而通過網(wǎng)絡數(shù)據(jù)對系統(tǒng)進行改造，可以實現(xiàn)3個月內(nèi)10套系統(tǒng)的改造升級工作。

• 第二大問題：成本過高。日志改造需要網(wǎng)絡部門與開發(fā)部門協(xié)同合作。我們都知道，在企業(yè)內(nèi)部，開發(fā)部門屬于增效部門，運維部門屬于降本部門，二者之間有天然的隔閡，改造日志勢必會增加開發(fā)成本、增加人天數(shù)；而利用網(wǎng)絡數(shù)據(jù)進行改造，將90%的工作在運維部門內(nèi)部完成，極大地降低開發(fā)成本，提高運維效率。

2014年，ThoughtWorks首席科學家Martin Fowler與James Lewis對微服務提供了完整定義：

• 每個服務運行在自己的進程中；

• 微服務之間采用輕量級通信；

• 微服務應基于業(yè)務能力進行構建；

• 采用自動化部署機制實現(xiàn)微服務的獨立部署；

• 服務的管理應采用最小的中心化管理。

隨著分布式鏈路架構的日益成熟，云環(huán)境與微服務的天然契合性，為日志全鏈路監(jiān)控標準的產(chǎn)生奠定了一定基礎。微服務即服務按照不同維度拆分，一次請求往往涉及多個服務，這些應用服務由不同的團隊開發(fā)、使用不同的編程語言，橫跨多個數(shù)據(jù)中心，因此全鏈路監(jiān)控勢在必行，進一步刺激了基于日志的全鏈路監(jiān)控標準與工具的產(chǎn)生。

微服務架構中，業(yè)務鏈路極其復雜，如何快速發(fā)現(xiàn)問題、判斷故障節(jié)點、梳理服務鏈路、分析鏈路性能是影響全鏈路監(jiān)控的主要問題。而基于日志的全鏈路監(jiān)控就主要圍繞這些問題，通過埋點與生成日志、收集與存儲日志、分析和統(tǒng)計調(diào)用鏈路數(shù)據(jù)來一一實現(xiàn)。埋點日志通常要包括traceID、spanID、調(diào)用開始時間、協(xié)議類型等信息，把統(tǒng)一traceID的Span收集起來，按時間排序即timeline，再把ParentID串起來就組成調(diào)用棧，利用traceID查詢調(diào)用鏈情況就可以隨時定位問題。但是在調(diào)用的過程中，如果調(diào)用失敗會直接中斷主流程，而調(diào)用過程又具有高依賴與頻繁依賴的特性，因此提升性能、增強穩(wěn)定性是解決日志全鏈路監(jiān)控的關鍵。

（span細節(jié)圖）

為了解決性能問題，眾多大廠紛紛入局，研發(fā)了許多開源的日志類監(jiān)控工具，如谷歌的Dapper、Zipkin、Sky Walking 、Pinpoint等。但是這些開源監(jiān)控產(chǎn)品通常通過代碼埋點進行部署，傳遞的是底層數(shù)據(jù)，和業(yè)務的相關性較低。除此以外，探針的性能、Collector的擴展性、時間人工成本等因素也影響著全鏈路監(jiān)控的應用。比如，在某大型股份制銀行長達兩年的云上分布式鏈路追蹤來看，其人工成本增加近150%，這對于某些中小型企業(yè)是難以承受的壓力。

（Dapper的分布式跟蹤）

而通過網(wǎng)絡數(shù)據(jù)，無需對系統(tǒng)進行改造，僅需對數(shù)據(jù)進行解碼，梳理各個節(jié)點的訪問關系，刻畫業(yè)務的調(diào)用路徑，相比日志更易落地。

未來，隨著技術的發(fā)展，日志類全鏈路監(jiān)控的落地難題也許會被攻克。但就目前而言，無論是數(shù)據(jù)源、監(jiān)控路徑，亦或落地方式，基于網(wǎng)絡數(shù)據(jù)的全鏈路監(jiān)控明顯優(yōu)于日志。需求決定市場，選擇網(wǎng)絡數(shù)據(jù)作為監(jiān)控數(shù)據(jù)源，從源頭解決全鏈路監(jiān)控的一系列難題，即刻落地、節(jié)約資源、發(fā)揮高效性能，維護網(wǎng)絡穩(wěn)定，推動業(yè)務發(fā)展。