1.IT 运维监控体系概述#
IT 运维包括了很多方面，比如安装部署、配置管理、运维监控等。有句话说，“无监控，不运维”，可见运维监控在 IT 运维中的重要。本文就着重聊聊运维监控体系。IT 运维监控体系可以从三个对象维度去划分：性能（Metrics）、链路（Traces）、日志（Logs），参考图 1、图 2、图 3、图 4 所示：
图 1：企业 IT 运维的三个维度
来源：爱数学院
图 2：三个维度的表现形式
来源：爱数学院
图 3：三个维度解决的不同问题
来源：爱数学院
图 4：如何利用三个维度解决问题
（来源：爱数学院）
- Metrics 是最早期的运维关注点，其主要关注系统是否发生了问题，属于红海市场。
- Traces 是处于高速发展阶段，其主要关注系统发生问题的链路及源头，主要使用 APM（Application Performance Management，简称 APM）工具，通过对关键业务系统进行监测、告警与优化，不断改善业务可靠性与稳定性，为客户提供良好的服务，提升核心竞争力。
- Logs 相对而言，能够获得更多的安全、运维甚至运营信息，其主要关注的是系统发生问题的原因，所以门槛比较高，是目前相对的蓝海市场。
2. Metrics#
说起 Metrics，不得不提到Zabbix，这是一款开源的运维工具，支持分布式监控，为广大互联网企业所使用。Zabbix 的监控原理就是和监控对象建立通讯，进行数据采集。其通讯的方式包括 agent、SSH/telnet、SNMP（常用于网络设备，比如交换机）、IPMI（常用于电源、风扇等）、JMX（常用于 JVM 虚拟机）。Zabbix 的缺点在于底层是采用了数据库存储，所以不是很适合大量频繁地存储或读取日志（侧重点还是在 Metrics）。另外，Zabbix 对容器、微服务的监控能力较弱。
除了 Zabbix，目前常见的还有Nagios、Cacti、Prometheus等。随着这几年云原生的兴起，擅长云原生监控的 Prometheus 受到了大家的欢迎。而阿里云也适时地推出了ARMS Prometheus，全面对接开源 Prometheus 生态，支持类型丰富的组件监控，提供多种开箱即用的预置监控大盘，且提供全面托管的 Prometheus 服务。当然，Prometheus 仍然是 Metrics 层面的，告警功能并不算完美，更谈不上分析功能了。
3. Traces#
随着企业业务的发展，规模扩大，业务越来越多，所采用的组件也越来越多开始走向分布式化，如微服务、消息收发、分布式数据库、分布式对象存储、分布式缓存、跨域调用等，这些组件共同构成了繁杂的分布式网络，一个业务请求可能会涉及到几个、几十个服务的协同处理，这种情况下，我们需要使用能动态展示服务的链路，能分析服务链路的瓶颈并对其进行调优，能快速定位故障链路的的运维工具。由此，APM 工具就应运而生了。APM 工具既可以监控前端的譬如移动端 APP、浏览器，也可以监控应用后端。
APM 的数据获取一般通过探针埋点，又称 Agent 方式来获取。这种方式能够提供非常完整与细粒度的监控数据采集，提供代码级的问题定位。但此方式对应用有侵入性，如果埋点代码异常，会对应用本身的性能和稳定性产生影响。该方式可以再细分为两类：代码侵入式和字节码增强式。前者代表的产品有Zipkin、cat。后者代表的产品有 PinPoint，skywalking。产品的比较可以参考如下：
- 《调用链选型之 Zipkin，Pinpoint，SkyWalking，CAT》
- 《全链路追踪技术选型：pinpoint vs skywalking》
- 《监控系统比较 Skywalking Pinpoint Cat zipkin》
近年来，国内以 SaaS 模式提供 Traces 监控的厂商也崭露头角，虽然也是通过探针埋点的方式获取数据，但其商业模式已经发生了变化。目前国内比较知名的厂商有听云、云智慧、OneAPM等。
另外，不通过探针埋点获取数据的 APM 工具也逐渐兴起，国内代表的产品有RStone。其获取数据的方式主要采用旁路部署，不对网络拓扑、系统等进行任何改变，也不用安装任何软件，只需要在关键节点上旁路部署设备，参考图 5 所示：
图 5：RStone 监控方式
(来源：RStone 官网）
4. Logs#
传统运维监控主要还是 Metrics，近年来开始重视 Traces，但是上述两种仍然存在以下一些问题：
- 监控断层 ——IT 基础设施的监控和应用层的监控不通，或由不同的团队来监控
- 缺乏统一 —— 根据监控对象不同，监控工具各不相同
- 告警泛滥 —— 缺乏告警收敛、故障治愈等智能运维手段
通过 Logs，可以有效地解决上述问题。目前市面常见的工具有 Splunk、ELK、日志易、AnyRobot。
Splunk，日志监控产品的佼佼者，主要就是针对公司的日志文件进行分析，通过它，可以快速的通过一个 Centralized Application 进行各种各样的统计和查询，同时也可以产生各种报告，方便大家对整个数据进行性能评估。不仅是数据量，而且还有查询速度，查询方便程度，统计报告等各种各样你可能想到的功能。不仅是公司的日志文件分析，它目前作为一家面向企业端客户的 SaaS 企业，为客户在搜索、监视、分析和解释各种机器生成的大量数据提供软件解决方案。不止 IT 公司，DevOps 解决方案，还有电信、能源、金融、政府等各个领域。Splunk 的优秀吸引了鼎鼎大名的 ARK 的木头姐曾在一天豪掷 5500 万美元，在 ARK 的四大 ETF 中同时加仓 Splunk。
但 Splunk 并不是强大到不可战胜的。Splunk 产品使用涉及到多个组件及工具，每一个组件会涉及到收费，成本较高。成熟的商业开源正逐步蚕食 Splunk 的市场，其中最著名的就是 ELK。
ELK，ElasticSearch，Logstash，Kibana 的缩写，分别提供搜索，数据接入和可视化功能，构成了 Elastic 的应用栈。虽然这三个都是单独的开源项目，但它们实际上在 Elastic 的同一屋檐下为所有组件提供了极具凝聚力的路线图，其检索结果的评分机制更是优于 Splunk。由于是开源的，所以得到了许多开发力量的支持，相较于 Splunk，ELK 给开发者更好的参与感。
在国内市场上，同样存在着两款优秀的日志监控产品 —— 日志易和 AnyRobot，两者都是基于日志的大数据运维分析产品，其区别罗列一部分如下：
- 日志易可谓是 Splunk 的忠实模仿者，一直在模仿，但从未超越。AnyRobot 基于 ELK 开发，充分发挥了 ELK 的优势。
- 日志易的产品形态包括软件版和 SaaS 版，AnyRobot 不仅有软件版和 SaaS 版，还有一体机版。
- 日志易的计费模式是按照数据流量收费，AnyRot 的收费按照用户实际需要分析的数据量所消耗的计算单元进行收费。
- 日志易在数据流管理方面有单独的产品 “数据工厂”，AnyRobot 这块有空白。
- 日志易在金融行业的案例较多，AnyRobot 在政府、教育、医疗行业的案例较多。
- 日志易在涉密行业销售有阻碍，AnyRobot 具有在涉密行业销售的通行证。
- 日志易对抗 Splunk 的方式是替换策略，研发和 Splunk 体验感类似的产品来代替 Splunk，AnyRobot 的方式是纳管策略，不替换但可以纳管 Splunk。
5. 结尾#
- Metrics 监控仍然是目前大部分运维正在做的主要工作，Zabbix 等工具还将继续沿用。
- 基于 Traces 乃至基于 Logs 的监控运维会越来越被重视和接受，传统运维监控正在向智能运维，即 AIOps 转变。
- 运维工具从软件版向 SaaS 版转变。
- 国内市场上，国产化在兴起，优秀的厂商和产品也在不断地涌现。