視頻監(jiān)控落地四要素：預測、檢測、報警及定位

背景介紹

該分享是阿里媽媽Goldeneye業(yè)務監(jiān)控平臺的智能監(jiān)控解決方案。

這個分享主要包括智能監(jiān)控的技術實現，以及大規(guī)模日志監(jiān)測數據的自動化接入兩部分。我先介紹一下智能監(jiān)控部分，下一期分享中我的兩位同事將給大家著重介紹日志分析處理的計算。智能監(jiān)控現在其他一些公司也有在做，希望通過這次分享能夠給大家?guī)硪恍┬碌膯l(fā)，也歡迎大家能夠提出問題和建議，互相切磋交流經驗。——馬小鵬

相關廠商內容

分享內容的提綱如下：Goldeneye智能監(jiān)控的業(yè)務背景、技術思想、技術實現細節(jié)、難點和今后的優(yōu)化方向。

嘉賓介紹

馬小鵬，阿里媽媽全景業(yè)務監(jiān)控平臺技術負責人。2013 起在阿里從事大規(guī)模系統日志分析及應用的研發(fā)，曾經主導了直通車廣告主報表平臺和實時報表存儲選型。在加入阿里之前，曾負責網易電商 App 數據統計平臺的研發(fā)。

一、Goldeneye智能監(jiān)控的背景

Goldeneye作為阿里媽媽業(yè)務監(jiān)控平臺，主要在業(yè)務日志、數據的實時統計分析基礎上做監(jiān)控報警以及輔助定位。阿里集團內部也有很多優(yōu)秀的監(jiān)控平臺，它們在開放性上做的很好，接入成本也不高，但是監(jiān)控閾值也是開放給用戶自己設定。這種情況下，對于業(yè)務監(jiān)控人工維護閾值就比較復雜，需要有豐富的經驗來拍定閾值，需要人工持續(xù)的維護不同監(jiān)控項的監(jiān)控閾值。所以，在業(yè)務快速發(fā)展的前提下，傳統的靜態(tài)閾值監(jiān)控很容易出現了誤報、漏報的問題，而且人工維護成本高，監(jiān)控視野局限。Goldeneye就是在這種基礎上，我們試著從大數據應用的角度，去解決業(yè)務監(jiān)控中的問題，由此誕生的。

1. 業(yè)務背景：

(1)體量大：Goldeneye現在接入的業(yè)務線覆蓋了阿里媽媽主體的90%業(yè)務，每天處理的日志量在100T以上，業(yè)務監(jiān)控需要對各業(yè)務線的流量分層級實時監(jiān)控，核心數據以1分鐘為周期，一般監(jiān)測數據以5分鐘或1小時為周期，監(jiān)控目標非常多，按人工維護這些監(jiān)控的閾值、啟停、生效實效等幾乎是達不到的。

(2)變化多：業(yè)務監(jiān)控的監(jiān)測數據大都是業(yè)務指標，不同于系統運維指標，比如RT/QPS/TPS等一般是比較穩(wěn)定的，業(yè)務指標具有周期性變化的特點，比如工作日和節(jié)假日的區(qū)別、業(yè)務營銷策略調整的影響等，在這種情況下人工設定的靜態(tài)報警閾值準確性就很難保障了。

(3)迭代快：隨著阿里媽媽資源整合和業(yè)務的快速發(fā)展，監(jiān)控目標也經常發(fā)生變化，比如流量監(jiān)控資源位的調整、效果監(jiān)控的產品類型劃分等，曾經出現過新流量上線后的監(jiān)控盲點。

2. 技術背景：

圖1 Goldeneye技術背景

通常的業(yè)務監(jiān)控系統或平臺，都是由采集、數據處理、檢測、報警等模塊組成的，Goldeneye也是如此，不過它的技術架構上用了阿里內部的一些技術中間件，比如采集我們使用TimeTunnel(它有agent在各臺日志服務器上拉日志到Topic，并且負責將離線日志放到ODPS上)，這部分我不再介紹了。

數據處理我們使用的jstorm和ODPS MR job分別對日志進行實時、離線批處理，主要包括日志解析、校驗、時間周期歸一化、聚合、寫存儲(HBase)等操作，這部分下一期分享中我的同事會詳細介紹。今天的分享主要集中在閾值預測、監(jiān)控檢測、報警生成通知、輔助定位這四部分。

二、技術思想

智能監(jiān)控就是讓系統在業(yè)務監(jiān)控的某些環(huán)節(jié)上代替人工執(zhí)行和判斷的過程。人工維護監(jiān)控目標和閾值是以經驗為參考的，系統如何自動判斷哪些目標需要監(jiān)控、自動設定監(jiān)控目標的閾值水位、不用人力維護，是基于對歷史樣本數據統計分析得出判斷依據。

通過收集監(jiān)測數據的樣本，并使用智能檢測算法模型，讓程序自動對監(jiān)控項指標的基準值、閾值做預測，在檢測判斷異常報警時使用規(guī)則組合和均值漂移算法，能精確地判斷需要報警的異常點和變點。

1.閾值水位自適應變化

以往我們添加監(jiān)控有兩種做法：

給指標M1設置一個水位線，低于(或高于)水位，觸發(fā)報警;

給指標M1設置同比、環(huán)比波動幅度，比如同比波動20%、環(huán)比波動10%觸發(fā)報警;

以上兩種方式，是平常大家常用的監(jiān)控方式，但是效果確不理想，這種靜態(tài)閾值長期來看沒有適應變化的能力，需要人工維護，而且報警準確性也依賴于同環(huán)比數據的穩(wěn)定性。

我們能否讓系統具備自動適應變化的能力，自動調整閾值水位?就如同手動擋的汽車換成自動擋一樣，可以根據速度自己調節(jié)檔位。

2.監(jiān)控項自動發(fā)現

當我們的監(jiān)控系統具備預測動態(tài)閾值的能力后，監(jiān)控項的維護是否也可以交給系統去做?

可能大家也曾遇到過類似的情況，舊的監(jiān)控項已經沒有數據了，新的監(jiān)控目標卻因為各種原因被漏掉，人工維護監(jiān)控項需要及時同步上下線變更，但是當我們需要監(jiān)控的目標有一千個、一萬個甚至更多的時候，人力是無法一直跟進這些監(jiān)控項的維護工作的，或者說這種工作比較單調容易被忽視。

我們能否將判斷如何篩選監(jiān)控項的規(guī)則交給系統，讓它去定期檢查哪些監(jiān)控項已經實效，哪些監(jiān)控項需要新增，哪些監(jiān)控項的閾值需要調節(jié)。這種發(fā)現規(guī)則是穩(wěn)定的，僅僅是依據發(fā)現規(guī)則得出的監(jiān)控項內容在不斷變化而已。

3.過濾誤報時欲擒故縱

當我們的監(jiān)控系統具備預測動態(tài)閾值、自動發(fā)現并維護監(jiān)控項的能力后，如何達到不漏報和不誤報之間的平衡?

對于監(jiān)控而言，漏報是不可容忍的，但是誤報過多也容易使人麻木。

通常的做法是為了不被誤報干擾至麻木，會把閾值調節(jié)得寬松些，但是這種做法容易產生漏報，尤其是下跌不太明顯的情況。

Goldeneye采取的思路是對誤報case欲擒故縱，在首先確保不漏報的基礎上降低誤報率。先監(jiān)控產生疑似異常點，這一環(huán)節(jié)我們基于動態(tài)閾值去檢測時相對嚴格一些(或者說這一環(huán)節(jié)不用考慮報警收斂的問題)，然后對這些疑似異常點再做驗證、過濾，最終生成報警通知，驗證和過濾的依據是預先定義的規(guī)則，比如指標組合判斷、報警收斂表達式等。

三、技術實現細節(jié)

下面介紹技術實現的一些細節(jié)，分為監(jiān)控系統的架構、動態(tài)閾值、變點檢測、智能全景、輔助定位五個點。

1、整體介紹

Goldeneye監(jiān)控系統的四個輸入：實時監(jiān)測數據、歷史數據、預測策略、報警過濾規(guī)則。

其中，歷史數據是實時監(jiān)測數據的積累。

而預測策略主要包括：

(1)閾值參數：設置基于預測基準值的系數決定閾值上下限區(qū)間、分時段閾值預測系數、分報警靈敏度閾值預測系數;

(2)預測參數：樣本數量、異常樣本過濾的高斯函數水位或者過濾比例、基于均值漂移模型的樣本分段選取置信度等。

關于報警過濾規(guī)則，主要是為了在充分捕捉疑似異常點的前提下，過濾不必要的報警。比如指標M1異常，但是組合規(guī)則是M1和M2同時異常才報警，這種就會過濾掉。再比如，按照報警收斂規(guī)則，一個監(jiān)控項的第1次，第2次，第10次，第50次連續(xù)報警值得關注，可以設置收斂表達式為1，2，10，50，那么在報警通知生成時對于第3，4，…，9，11，12，…，49次報警可以忽略，因為反復通知的意義不大，這個規(guī)則可以按需要達到自動收斂。也可以在同一監(jiān)控項的多個實例同時發(fā)生異常報警的情況下，按規(guī)則合并成一條報警，這些規(guī)則可以按具體情況去實現，最終的目的是以最簡潔的方式暴露最值得關注的報警。

(這里補充一句，我們最近在考慮新的收斂方式，對第1條和最后1條報警，并且自動計算出累積gap，這樣異常的起止和影響范圍更明顯)

圖2 Goldeneye報警系統架構

2、動態(tài)閾值

監(jiān)控使用控制圖，對監(jiān)測指標的時間序列可視化，讓人們可以清楚的看到指標的波動?；诳刂茍D的監(jiān)控，以往很多都是靜態(tài)閾值方式，比如前面提到的靜態(tài)水位線、同環(huán)比。動態(tài)閾值是為控制圖的時間序列每個點，預估該點對應時刻這個指標的基準值、閾值上限、閾值下限，從而讓程序可以自動判斷是否有異常。因為這種預估基于過去幾個月甚至更多的歷史樣本作為參考，所以比同環(huán)比兩個數據作為參照的準確度要高。動態(tài)閾值預測的理論基礎是高斯分布和均值漂移模型。

圖3 動態(tài)閾值原理

動態(tài)閾值預測的步驟主要是這樣：

(1)樣本選?。哼@個根據自己的需要，一般建議選取過去50天左右的樣本。

(2)異常樣本篩除：這個過程主要使用高斯分布函數過濾掉函數值小于0.01，或者標準方差絕對值大于1的樣本。

(3)樣本截取：因為后來我們優(yōu)化的版本，在(2)的基礎上使用均值漂移模型對歷史樣本在時間序列上進行分段檢驗，如果有周期性變化、或者持續(xù)單調變化，則會反復迭代均值漂移模型尋找均值漂移點，然后截取離當前日期最近第一段(或者可以理解為最近一段時間最平穩(wěn)的樣本序列)。樣本選取還有一個需要注意的問題，節(jié)假日和工作日的樣本要分開選取，預測工作日的閾值要選擇工作日的樣本，節(jié)假日亦然，也就是對預測樣本從日期、周末、平穩(wěn)性三個維度拆分選取。

(4)預測基準值：經過(2)和(3)的篩選、截取，剩下的樣本基本上是最理想的樣本了，在此基礎上，保持樣本在日期上的順序，按指數平滑法預測目標日期的基準值，得到基準值以后根據靈敏度或閾值系數，計算閾值上下限。

(補充說明：第四步預測基準值，有些人可能之前用過指數平滑法預測，跟第四步我們在樣本權重加權時的做法很相近，但是他們預測的效果不理想，因為對樣本整體沒有充分的過濾選取最穩(wěn)定的樣本集合)

3、變點檢測

動態(tài)閾值用數據統計分析的辦法解決了靜態(tài)閾值的誤報漏報問題，節(jié)省了人工維護的成本，一定程度上降低了監(jiān)控風險。不過在微量波動、持續(xù)陰跌的故障面前，動態(tài)閾值也有局限性，閾值區(qū)間收的太緊誤報會增多，區(qū)間寬松就會漏報一些不太顯著的故障。在review漏報case時，我們從控制圖上發(fā)現這些微量波動肉眼可以觀察到趨勢，但是程序通過閾值區(qū)間擊穿的判斷方式很難控制，所以引入了均值漂移模型來尋找變點。所謂變點，就是持續(xù)微量下跌到一定時間，累積變化量到一定程度后，使得變點前后監(jiān)測指標在一段時間內的均值發(fā)生漂移。