去哪儿网张悦：合适的开源软件，支撑 800 万 + 监控指标

从垂直搜索起家，后杀入在线旅游交易。去哪儿网的业务越来越复杂，整个技术系统对可靠性、质量的要求越来越高，去哪儿网的工程师们克服了种种困难，确保了最终系统的顺畅运行。例如，去哪儿网的运维团队基于开源项目 Graphite+Grafana+Nagios 二次开发了监控系统 Watcher，用来支撑去哪儿百万级别的基础 / 业务监控指标。

2016 年 8 月 18-19 日，由极客邦、InfoQ 和听云联合主办的 APMCon2016 中国应用性能管理大会将在北京举行（现在报名，享8 折优惠），聚焦当前最为关键的移动端、Web 端和Server 端的性能监控和管理技术。

本届大会，我们有幸邀请到了去哪儿网运维开发工程师张悦，前来分享《去哪儿监控系统实践》的内容，讲述她在Watcher 开发过程中对监控系统性能的探索经验与实践。

InfoQ：请介绍一下您在 Watcher 开发过程中主要负责的内容？以及您现在的工作职责！

张悦：我是从 2013 年毕业就加入去哪儿，一直从事监控方面的改进和开发工作，参与 Watcher 从选型、设计、开发到维护的全过程，从一开始两个人到现在稳定的三个人的小团队，我们自己做产品 + 开发 + 测试。虽不敢说 Watcher 是一个成熟完备的监控方案，但现在 Watcher 已经承载了去哪儿网大部分核心业务的监控和告警。

目前我还是主要负责监控相关的开发和运维工作。

InfoQ：去哪儿网在后期使用大众监控工具 Cacti 遇到了什么瓶颈？在开发新的监控系统初期有哪些长远的规划？

张悦：其实 Cacti 我们也用了很长一段时间，一开始还是蛮稳定的，而且 Cacti 有丰富的第三方插件，但是随着指标量的增长，在性能上、扩展性上以及用户的使用效率上出现了一些问题，比如：

1. 单点：一旦出了故障恢复起来较慢的话，那个期间监控系统是完全不可用的，就如同裸奔…
2. 无法横向扩展：因为 Cacti 不是分布式的，指标量一大，单机磁盘有限，就不得不通过压缩 RRD 文件来换取空间，但是这样历史数据就失真了
3. 监控可视化较弱
4. 没有开放 API

所以，基于以上我们开始着手新监控系统时，设定的目标是必须要做到：

1. 高可用
2. 可横向扩展，易扩容
3. 加强监控可视化

InfoQ：关于 Watcher，它是如何保证数据准确性和监控可视化的？

张悦：首先数据准确性上，上面提到了，之前 Cacti 因为不是分布式的，单机磁盘有限，所以选择压缩历史数据，一个月以前的数据就失真了。Watcher 设定目标时有一点是一定是要可横向扩展的，选型时我们选择了基于 Graphite，之所以会选择它，很大一部分原因也是它的设计完全是 scale out，每一层都是可扩展的。那么既然可以横向扩展，我们就可以把不压缩的时间区间放的大一些。同时我们也会对收集的指标进行抽样监控，比如断点监控，一定程度上也是保证数据的准确性。

关于可视化，我们希望可以做到直观方便，想怎么看就怎么看。我们选择基于 Grafana 来做二次开发，定制开发的主要点是集成 Qunar 的产品树、用户体系和基础监控，在 dashboard 上提供多维度灵活的数据展示，以及自定义空间来展示核心监控，再配合 Grafana 强大的可视化，基本达到了最初我们想实现的效果。

InfoQ：Watcher 的告警策略是什么样的？

张悦：最基本的是设置大于 XXX 或小于 XXX 就报警，除此之外常见的用法还有环比上周大于 XXX 或小于 XXX；可设定检查的频率、多次不 OK 再报警；不同时间段设置不同的报警规则；支持临时规则；报警联系人支持轮班；报警回调；多种通知方式等。

InfoQ：接下来，去哪儿网对 Watcher 的关注点将会集中在哪里？有什么计划吗？

张悦：主要在两个方面，一个是成本，一个是人员效率。当量小的时候，我们需要资源也少，但是目前 Watcher 监控指标已超过 800 万 +， 每分钟集群要支撑 1500 万指标上报，虽然 Watcher 是可横向扩展的，可以理解成加机器就可以了，但是这中间还是有很大优化的空间的，所以我们就需要关注成本控制。另外就是下一步计划报警上要继续完善，健全报警机制，通过人员对报警、故障的应答时间，反映出人员、团队的工作效率。

InfoQ：去哪儿网在自动化运维方面用了哪些工具？有什么考量？

张悦：监控相关的工具有：

• Graphite
• Grafana
• Collectd

日志收集工具：

• ELK
• Mesos
• Docker

存储工具：

• Swift
• MFS
• Ceph

配置管理工具：

• SaltStack
• Ansible

LB 工具：

• LVS
• HAproxy
• Nginx

这里只列举出来一部分我们在用的工具，我参与选型及开发的主要还是监控相关的。不过可以说一下我们对开源软件选择的思路，选择的过程基本是先分析场景，然后看每个软件跟场景的匹配程度以及开源软件的成熟程度，首先找到合适的开源软件，然后把它与我们的运维体系集成起来，比如 OpsDB，先解决了大部分问题，才会考虑基于原始版本定制开发。所以我们对自动化工具的选择就是选型加迭代，选择适合当前场景下的运维方式（工具）才是最重要的，并且总是把一个组件的从头开发放到最坏的打算里，Watcher 的选型过程也是按照这个思路做的。

InfoQ：之前，有电商网站因人为原因，导致订单被单方面取消，那么去哪儿网在监控这方面有哪些特定的措施？

张悦：订单被取消的可能性有很多，所以监控点也会很多。一般可以对“取消订单”量计数，根据指标波动情况设置阈值（包含同比阈值）来报警。

InfoQ：您即将在 8 月份的 APMCon 上发表《去哪儿监控系统实践》演讲，具体会讲哪些内容呢？

张悦：特别荣幸能参加 APMCon，作为一个默默无闻的程序媛，竟然能有幸和那么多技术大神一起分享，对自己来说是一次非常好的学习和锻炼的机会。

这个演讲主要是分享去哪儿监控系统 Watcher 的设计、选型、架构，Watcher 的开发过程中遇到的问题以及一些经验。这些经验对如何使用开源项目快速搭建一套监控系统会有一些帮助。

InfoQ：感谢张悦接受我们的专访，期待您即将在 APMCon 上的演讲。

关于受访嘉宾

张悦，去哪儿网运维开发工程师。于 2013 年加入去哪儿。一直从事运维开发，参与开发 Watcher 监控系统，现负责监控相关的开发和运维工作。