發布日期：2022-04-26 點擊率：86
關鍵詞： 大數據 服務器
摘要：騰訊公司從2012年開始，通過對服務器運營流程、工具系統的建設，服務器從一線到三線的運營基本轉入線上自動化。在服務器靜態配置、動態的運行狀態和生命周期各個節點的運營這幾個方面，產生了大量的運營數據，這些信息像滾雪球一樣，以幾何量級快速增長。數據越來越多，該如何著手處理呢？這就像剛入門的廚子一樣，在農貿市場里面對堆積如小山般的食材，無從下手。到2013年，建立網平的大數據平臺，把所有的基礎架構運營數據統一接入和管理，從此，我們開始了在數據礦山中挖掘金礦的歷程。
大數據的處理
經過長時間的實踐和總結，我們發現服務器運營的大數據有以下四個特點，由淺入深，分別是：1）Volume 數據體量巨大，特別是騰訊有海量的服務器，綜合起來，數據量可以到PB級別，需要大容量、高性能的存儲技術，分析的算法也需要最優化；2）Variety 數據類型眾多，涉及大量的運行日志、部件狀態、生產鏈運營、環境變量等，經常要抽絲剝繭，才能找到有用的數據；3）Value 價值巨大，但并不是每個數據都有價值，需要經過清洗和加工處理后，其產生的效果才能顯現，以機房環境溫度告警為例，數百萬條溫度的信息，經過分析對比后，才有可能發現溫度異常；4）Velocity 數據需要快速處理，特別是告警類的應用，時效性是非常重要的。
下面講講我們是怎么收集和存儲服務器運營數據的，給我三分鐘，給你一個帥氣又有營養的答案！
運營系統架構
對于海量服務器的管理，我們建立了一套功能強大的運營分析系統，從服務器的帶內和帶外收集了全面的靜態屬性和動態運行數據，對服務器的每個關節進行的全方位的數據采集和監控。猶如我們平時體檢，把心、肝、脾、肺、腎，甚至每個毛孔，都進行了檢查。系統架構如下圖所示。
存儲和分析
數據收集起來后，除了一部分實時的數據存在本地數據庫，幾乎全部的歷史數據都會存儲在公司級的數據平臺中。這個數據平臺提供了豐富的工具系統，功能全面，涵蓋了數據存儲、分析、實時計算等。例如，TPG是基于postgreSQL的數據庫，用于存放TDW（Tencent distributed Data Warehouse騰訊分布式數據倉庫）離線分析后的結果數據，便于系統調用（如服務器利用率分析，故障分析、服務器生命周期等生產數據）；Hbase基于No SQL，萬億級的分布式、有序數據存儲，用于存放分析后的結果數據（如溫度功耗分析結果數據）。整體的架構如下圖所示。
大數據的四個實踐
大數據的規劃分析，決策者和開發者首先要從業務驅動的角度，選擇數據生產的業務場景，即要預計數據分析得到的結果能帶來哪些效益。根據公司服務器運營的特點，我們在以下四個場景做了大數據的分析和應用，給實際的運營帶來的實實在在的好處。
硬盤故障預測
硬盤是服務器硬件故障率最高的一個部件，如果能提前預測到硬盤故障，對業務體驗、完善備件管理都有莫大的收益。這也是基礎架構運營在經歷自動化、流程化后，需要進一步提升運營效率、降低運營成本的天然要求。
涉及硬盤的運營數據包括業務IO數據、硬盤內部的SMART和硬盤運行的環境變量數據(溫度和濕度)。目前，運營系統對IO數據是每小時采集一次，SMART數據每三小時采集一次，溫度和濕度每半小時采集一次，這些數據合計起來每天的記錄數上億條。硬盤故障預測，適合使用分類算法，我們使用了目前較為流行的SVM分類算法，輔以合適的核函數來加快學習計算的效率。
經過了一年多時間的實踐，走了不少彎路，也碰到了很多坑，在硬盤故障標準確定、業務IO分類定義等方面吃了不少的虧，我們在基于SMART數據做的故障預測，達到了令人滿意的效果。在實際運營環境中驗證的結果如下：準確率precision達到98%，預測時間leadtime的整體偏差不超過2天。
需要重點指出的是，我們做的預測結果，除了training階段用歷史數據外，驗證的過程是用現網的實時數據來進行的。就是說，經過SVM算法得到的預測模型后，我們是用最新采集的實時數據輸入到模型中，得到的ok和fail兩種預測結果，在3天、7天、14天后再對預測的結果進行驗證。這個比傳統的預測方式（訓練和驗證都是使用歷史數據），對現網應用的價值大大提高了。目前在現網環境中，主要的落地場景包括：1）預測出來的結果，經過運營流程，對BG業務提前發出預警，以提高業務運維效率； 2）根據預測出來的大規模硬盤故障，對備件進行有效管理。
服務器利用率分析
騰訊的業務類型和機型都相當多，機器分配給業務后，使用的情況如何？我們需要跟蹤服務器的利用率情況，下圖是某業務某機型磁盤IO的利用率統計分析圖。分析過程如下：存儲類機型，看到一段時間統計出來的IO的利用率并不高，并且是寫少讀多的應用，是否可以考慮使用IOPS相對不高的廉價硬盤？還是業務的架構存在優化的空間？
服務器利用率分析給運營帶來的好處在于：1）結合業務模型，發現業務應用服務器的短板，在發現并修復系統架構缺陷的同時，提高整體利用率；2）對機型選型的優化，例如對于磁盤容量使用率不高的機型，在后續的機型定制中減少硬盤的數量。
故障率分析
服務器故障分析對服務器的各個部件的故障率都做了分析和監控，包括1）生成月度故障率報表；2）故障率異常的實時監控和自動告警；3）分析外部條件與故障率的關系；4）與OS的軟件告警信息聯動起來，及時發現服務器的亞健康狀態。
上圖是某服務器硬件最近幾周的故障率統計信息。按部件給出各個機型的故障率情況，及時發現批次性故障并給出告警
環境監控
2013年8月，華東地區遭遇罕見的高溫天氣，很多機房空調制冷扛不住了，頻繁發生服務器高溫重啟的事件。如果能把機房環境溫度有效的監控起來，我們就能在發現異常時發出高溫告警，提前采取措施。對服務器入風口溫度進行采集和監控是一個較為有效的方案。
上圖顯示服務器入風口溫度變化的異常情況，經過數據的規整和誤差修正，產生了高溫告警。通過自動化流程，及時知會到機房現場負責人。
一些思考
不要被數據誤導
人們很容易被大數據忽悠。在很多場合我們都談了大數據強大的功能和美好的未來，認為可以解決許多社會問題，甚至預測未來。無論大數據如何神奇，若試圖用大數據引領未來只會誤入歧途，因為大數據背后本就存在著“先天不足”：從本質上看，大數據最大的缺陷就在于試圖以確定去“顛覆”混沌與不確定性。之前我們做硬盤故障預測，直觀的認為硬盤的讀寫壓力對硬盤老化和故障是有直接關系的，但經過分析，發現業務使用硬盤的隨機性太大了，硬盤響應IO的模式也很多變，對于業務的IO讀寫比例、塊大小等，有太多的不確定性，就是前面說的混沌，導致前面基于IO做的預測結果非常糟糕。其實這里要說的就是，目前這個階段，依靠大數據來指導服務器運營，不靠譜，服務器運營智能化遠遠沒有達到。這里還是要靠運營和開發人員的思維和頭腦，把自動化運營先做好。
數據質量的把控
數據的質量和字段規范性對后面分析效果的影響很大。但業務開發所設計的數據不是為了運營分析而服務的，很多情況下都是為了功能開發而存在，如果可以在系統構建初期進行介入，其實可用避免很多清洗工作，數據可直接投入分析使用。這里開發人員和數據分析的人員存在一個gap，如果對數據在系統設計中遇上各種約束的話，開發人員會覺得很痛苦，開發效率非常低；而數據分析人員卻覺得如果數據能做到工具級定制，就是連數據的表字段的名稱，注釋，連內部關系，都是由系統統一生成，這樣采集完美的。
后來，我們內部經過一段時間的討論和磨合，形成的共識。我們做的是運營系統，歸根到底是為運營服務的，而數據分析是運營的一個重要功能。所以沒有辦法，這個問題還是需要開發階段來解決，開發人員只能克服了。
對大數據未來的設想
精細化的傳感器
對于服務器上傳感器的設計，互聯網企業有特殊的需求，對上游硬件廠商的依賴是比較高的。騰訊有大量的服務器運營數據，非常希望可以跟業界一起在數據、資源、算法等各個維度可以共享，尋求更多提高運營效率的途徑。這里的傳感器也可以從廣義上來展開，除了服務器物理上的sensor越來越多，在服務器各個運營環節都可以在流程中加入各種采集代碼，把服務器部署、搬遷、退役等每個細小的步驟都如實的記錄下來。運營系統的不斷優化將使“傳感器”體積微型化，它將出現在生產的每一個角落，為運營決策提供更科學的數據支撐。
數據服務即開即用
隨著數據的逐步完善和開放，互聯網和企業都將建立起完善的大數據服務基礎架構及商業化模式，從數據的存儲、挖掘、管理、計算等方面提供一站式服務，將各行各業的數據孤島打通互聯。而且數據應用的生態系統也將變得非常成熟，甚至出現用戶與數據服務商之間的算法提供商，他們有專業領域內的精英人才，通過數據挖掘的方式，尋找事物間的聯系。用戶只需將其原始數據導入，提供商很快的就能在線的將分析結果返回，如水和電一樣，即開即用。
下一篇： PLC、DCS、FCS三大控
上一篇： 索爾維全系列Solef?PV
