【免费】虾米SRE实践_监控体系升级之路1资源-CSDN文库

需积分: 0 23 浏览量 2022-08-03 11:29:45 上传评论收藏 1.94MB PDF 举报

资源详情

资源评论

资源推荐

作者：宋旭（全琮）

创作期：2019-08-20

专栏地址：【稳定于切】

监控直是服务端掌握应󰉁运󰢩状态的重要段，经过近的发展，阿󰮟虾󰒣服务端󰋴前已经有百多个

Java 应󰉁，承担核业务的应󰉁也有将近五个，对于应󰉁的监控配置也是因󰖳异。有的应󰉁负责较

有“追求”，配置的监控较细，有的应󰉁在经历多开发阶段以后，监控就逐渐疏于管󰇹，有些应󰉁的监

控项最后修改时间只停󰉙到 2 以前，早已适应业务的发展。

与部分团队样，虾󰒣也有个报警处󰇹群，将内部的监控报警平台（如 Sunﬁre 等）的信息通过机

投递到群中，由于监控项配置合󰇹、监控粒度较，每天报警群都被条甚󰙸上百条报警通知狂轰乱

炸，󰲊此以往家对报警已经麻，部分报警也会去处󰇹。

基于这样的现状，虾󰒣 SRE 团队将作重点放在对监控的治󰇹上󰴯，经过 2 个的研发，构建虾󰒣全

新的监控体系。

报警原因分析

监控优化

报警󰩁径优化

借助流󰮢调度

推荐具&产品

加我们

过去的监控配置可谓五花󰲋，由应󰉁负责同学配置的些监控多局限在应󰉁整体 RT、QPS 的监控和部

分业务志的监控，报警发󰈿时，部分情况只知道这个应󰉁有问题，但很难快速定位是哪󰮟出问题，

出么问题。个新接的同学可能需要经过查看配置项、登录机、扫描志甚󰙸去查离线志等步

骤，经过分钟才能定位到问题，有的时候甚󰙸需要排查个半天时间。

经过段时间的研究和摸索，我们发现个应󰉁如果在稳定运󰢩段时间以后突然发󰈿报警，那么原因通

常都是以下类：

程序 Bug：如代码问题导致空指针、频繁 FullGC 等。

上游依赖出问题：上游某个接出问题导致本应󰉁出现接超时、调󰉁失败等。

单机故障：某个容受宿主机应󰉁导致 Load、CPU 突然升󰷼，最终导致超时、线程池满等情况发󰈿。

虾󰒣SRE实践: 监控体系升级之󰩁

󰋴录

报警原因分析

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余8页未读，立即下载

评论0

内容反馈

洋葱庄

粉丝: 19
资源: 311

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈

feedback-tip