2022，我们该如何理解可观测技术_云原生_王一鹏



 写点什么

本文受访嘉宾：蒋志伟，爱好技术的架构师，先后就职于阿里、Qunar、美团，前 pmcaff CTO，目前 OpenTelemetry 中国社区发起人，https://github.com/open-telemetry/docs-cn 主要维护者。

有心人可能已经发现，可观测问题正在悄然成为 IT 行业的热门话题。尤其是从 2021 下半年到今日的一年间，对可观测问题的讨论，不断见诸技术圈内，大有愈演愈烈之势。

从技术的角度看，这是因为微服务架构逐渐普及，导致可观测问题变得十分复杂。

差不多在五年前，分布式系统也已成熟，微服务架构尚未普及，可观测问题就已经在桎梏技术团队的工作效率。一个 To C 的软件使用问题可能由客服发起，整条支撑链路的所有技术部门，都要逐一排查接口和日志，流程非常原始，也非常低效。如果业务到达一个量级，支撑系统变多，两名研发查上两三个星期也是常事。

微服务架构普及后，问题变得更加严峻。一个服务被拆分成数个黑盒的、虚拟的微服务，故障排除彻底成为一种折磨。

从行业的角度看，则是因为 Datadog 在美上市，两年间市值翻了三倍多（截止到 5 月 30 日，市值为308亿美金），让从业者看到：可观测不但是个未被妥善解决的疑难老病，也有十分广大的市场空间。巨大的需求背后，必然是急速扩张中的市场。

这一切都使可观测成为 2022 年技术人必须关注的话题。

当我们谈论可观测，究竟是在谈论什么？

2016 年，一本名叫《Site Reliability Engineering - How Google Runs Production Systems》出版，谷歌的工程师在书中描绘了故障生命周期的五个阶段：故障预防、故障发现、故障定位、故障恢复、故障改进。而对 IT 系统故障的发现和定位，正是可观测问题的另一种诠释，某种程度上也最接近可观测问题本质的定义。

在此基础上，我们可以将可观测问题大致分为四类：

分布式链路追踪技术：可观测的基石
APM：Application Performance Monitoring ，应用性能监控
NPM：Network Performance Monitoring ，网络性能监控
RUM：Real User Monitoring，真实用户监控

其中，分布式链路追踪技术的核心思想是：在用户一次请求服务的调⽤过程中，无论请求被分发到多少个子系统，子系统又调用了多少其他子系统，我们都要把系统信息和系统间调用关系都追踪记录下来，最终把数据集中起来做可视化展示。（引用自《怎么理解分布式链路追踪技术》，作者：蒋志伟，该文章会在专题的后续更新中放出）

APM 主要是为了对企业核心业务系统进行性能的故障定位和处理，帮助优化性能，提高业务系统的可靠性和用户体验，更多偏向产品维度，其底层虽依赖分布式链路追踪技术，但不能直接用来解决分布式链路追踪的问题 —— 这是此前很多工程师容易混淆的问题。（《在生产环境如何选择靠谱的 APM 系统》，作者：蒋志伟，该文章会在专题的后续更新中放出）

NPM ，顾名思义，其关键在于实现全网流量的可视化，对数据包、网络接口、流数据进行监控和分析。

RUM 的关键在于端到端反应用户的真实体验，捕捉用户和页面的每一个交互并分析其性能，是种高度实用主义的监控设计。

同时，可观测存在三个主要的数据源：

指标（metrics）
链路（trace）
日志（log）

其中指标告诉我们是否有故障，链路告诉我们故障在哪里，日志则告诉我们故障的原因。

这三类可观测问题加上三种监控类型，共同构成了可观测问题的主要内容。

不同企业如何建设可观测体系

不过对于一个企业来说，想构建可观测体系，并不意味着要直接复刻上述所有目标维度。不同的企业类型，以及不同的行业背景，都有不同的侧重点和建设方式。我们可以简单将建设方式分为三种情况：

自研；
采用开源作品；
购买 SaaS 服务；

再来看看，如何应用其中 1 - 3 条方式完成企业的可观测体系建设。

首先，从团队规模来说，可分为几种不同的情况。

第一类：企业是互联网大厂，整体业务并发量非常大，稳定性要求很高。那么开源产品基本很难满足需求，只能依赖自研。因为达到一定规模的并发量与可靠性要求，在业内永远是少数派，开源产品很难遵循这样的演进路线。

第二类：中型企业，位于行业腰部，没有特别高的性能要求，同时有一定的自研能力。该类企业在可观测体系的建设上可以有三种思路：

如果目前技术栈内全部是主流框架、组件和编程语言，可以尝试直接采用开源产品，或是基于开源产品做定制化改造。当然，要注意反哺社区，有出有进；
如果包含一部分非主流框架或编程语言，比如 .net ,可以尝试单独购买第三方 SaaS 服务；
如果包含一部分非主流框架或编程语言，且对自研能力非常有信心，可以围绕这部分进行自研；

第三类：创业公司。创业公司的业务、方向都可能出现较大变化，数据体系也不一定非常健全，所以创业公司可以暂缓建设可观测体系。

第四类：非 IT 技术驱动的传统企业，如律师事务所、报社等，只要能保证服务高可用（相对于当下业务的忍耐度），可以不购买或自研建设可观测体系。可观测体系是为了解决 IT 故障，不是为了显示技术团队很牛。如果需要的话，可以直接购买第三方服务。

企业在不同生命周期的方案不同，因为所处行业不同，对可观测体系的需求也会有较大差异。

蒋志伟为 InfoQ 记者举了个例子：“比如说，电商行业可能对链路和日志监控的联动要求很高，但物联网系统可能很多不需要链路监控。银行系统业务迭代不频繁，看重故障系统化改进，更关心压测系统。”

因行业背景而产生巨大差异的案例还有很多，像 IoT 因为行业特性，也基本没有链路追踪诉求。凡此种种，难以尽述，更为行之有效的办法，是找一找该行业内的标杆企业，观察一下他们可观测体系是如何建设的。

国内外可观测行业与技术发展现状

行业和技术的发展情况，则是我们应当关注的，最后、最重要的一个维度。

首先是行业层面。目前国内的行业发展和创新，仍然有些“硅谷追随者”的感觉，Datadog 的市值翻倍，给了大家信心，这让国内可观测产品的孵化速度正在加快。

在美国，Datadog 是该领域绝对的“当红炸子鸡”。蒋志伟对 InfoQ 记者说：

“Datadog 的获客成本非常低，销售占公司人员比例很少，大部分都是研发——他们的市场扩展，依赖的就是口碑和社区。Datadog 的 Slack 群聊中，居然有五万多名商业客户，这些客户每天都在抛出自己的需求和问题。而 Datadog 也以惊人的速度更新版本，满足这些客户的诉求。双向打磨下来，这些客户其实已经无法离开 Datadog —— 只有 Datadog 才能满足他们的需求。这是开源软件相对难以实现的商业闭环。”

阿尔法公社一篇 2020 年的采访显示：Datadog 上市后的年利润增长率达到了 82%，Rule of 40（SaaS 行业关键指标：增长率+利润率不低于 40%）高达 93%，净收入留存率 > 145%，三者皆是行业领先水平，是 SaaS 行业绝对的“头部玩家”。

事实上，Datadog 的成功只是 APM 行业在美高速发展的一个象征。如 DataTrace、Splunk 等企业不但通过高客单价保证了营收，也合力使 APM SaaS 产品覆盖了超过 50% 的美国市场。

相比较之下，国内的可观测产品还处于发展期，但也有 Skywalking 这样的开源作品，以及阿里云 ARMS、Prometheus 这样的商业产品，提供了比较好的使用体验。

但 ARMS 也暴露出一个可观测的关键技术障碍 —— 数据孤岛问题。如果要在企业内建设完善的可观测体系，很可能会形成链路监控、日志监控、指标监控等多套不同的监控系统，要打通是相当困难的。不同的业务线间，日志规则不互通，要完全互通也很困难。系统一旦过多，相关维护以及故障排除的时间成本就会大幅增加。

针对数据孤岛问题，目前行业内的一大趋势是：拥抱 OpenTelemetry。OpenTelemetry 是由一组 API 和库构成的标准，由 OpenTracing 和 OpenCensus 项目的合并而来，服务于可观测技术的底层数据采集，最早由微软和 Google 发起，当下已经成为美国可观测行业研发的事实标准 —— 微软、Google、Datadog、Splunk 等企业全部采用 OpenTelemetry 完成底层的数据采集，而 OpenTelemetry 的主要贡献者也来自这些公司。

OpenTelemetry 的特点在于制定统一的协议数据格式，并提供底层数据采集器。蒋志伟提到，OpenTelemetry 的数据采集器，目标是兼容所有的语言、所有的系统。

而与 OpenTelemetry 打配合的各大厂，要负责提供兼容该采集器的插件系统，是数据能够同步到这些企业的平台。

这使得 OpenTelemetry 既不会因动了“数据的蛋糕”，引起生态抵制，也极大保存了精力，得以专注于数据采集器，努力去兼容“所有的语言、所有的系统”。可以说，OpenTelemetry 试图从开源数据采集器的层面，解决可观测数据孤岛的问题，并且取得了开创性的成果和进展，值得特别关注。

关于 OpenTelemetry 发展的下一阶段，蒋志伟认为，AIOps 可能是一个重点。可观测的最终目的在于解决故障，如果能通过 AI 的手段，更高效的、自动化的排除故障，无疑又会开辟一个非常有想象力的技术应用领域。

参考链接：

https://finance.sina.com.cn/tech/2020-10-24/doc-iiznctkc7346044.shtml