详解APM数据采样与端到端

高驰涛 云智慧首席架构师

创新互联建站服务项目包括贺兰网站建设、贺兰网站制作、贺兰网页制作以及贺兰网络营销策划等。多年来，我们专注于互联网行业，利用自身积累的技术优势、行业经验、深度合作伙伴关系等，向广大中小型企业、政府机构等提供互联网行业的解决方案，贺兰网站推广取得了明显的社会效益与经济效益。目前，我们服务的客户以成都为中心已经辐射到贺兰省份的部分城市，未来相信会继续扩大服务区域并继续获得客户的支持与信任！

据云智慧统计，APM从客户端采集的性能数据可能占到业务数据的50%，而企业要做到从Request到Response整个链路中涉及到的所有数据的准确采集，并进行有效串接，进而实现真正的端到端，绝非一件易事。

那么云智慧是如何进行APM数据采样的，又是如何在“端到端”应用性能管理中满足用户对业务数据的高性能分析的呢？在2016年9月全球运维大会的APM专场上，云智慧首席架构师高驰涛先生为你揭晓APM背后的大数据奥秘。

高驰涛（Neeke Gao），云智慧首席架构师，PHP/PECL开发组成员，同时也是PECL/SeasLog,PECL/JsonNet,GoCrab等多项开源软件作者。10年+研发管理经验，早期从事大规模企业信息化架构研发，09年涉足互联网数字营销领域并深入研究架构与性能优化。2014 年加入云智慧，致力于 APM 产品的架构研发，崇尚敏捷，高效，GettingReal。

以下是高驰涛的精彩分享：

今天是APM专场，相信大家对APM都有一定了解，我就从APM的数据采样与端到端的几个层面进行分享，这也是云智慧近几年在服务和解决客户需求过程中的实践结果。

APM和大数据

在APM使用过程中有一个非常明显的特征，就是可采集的数据量非常大，大到不可想象，看看上面这个机房，谁能准确说出里面每天有多少数据流转，而这只是几台简单的机柜。我们对客户的数据做过统计，在互联网上，APM从客户端采集回来的数据能够占到企业业务数据的50%以上，这就意味着如果采集数据非常详细，很可能会比原始业务数据量还要庞大。假设业务数据带宽是2T，为了支撑APM又要上2T的带宽，支撑业务的服务器可能要三百台，现在要最少再额外增加150台支撑APM，这在数据处理方面是个很大的挑战，对于大多数企业来说，APM并不是企业的核心业务，但是用了非常多的计算与存储资源。这是数据未作采样时的现状。

什么是APM（Application Performance Management），从字面上看就是“应用+性能+管理”，前面两位嘉宾聊的都是APM的范畴，他们聊的核心就是应用性能，注意不是业务而是性能。APM后面还有一个词是管理，就是从业务的角度理解这个性能数据，比如说一个崩溃或者说一个卡顿会影响多少用户，影响的用户会给企业造成多少损失，这就是APM对业务价值方面的体现，也是我们正在努力和实践的方向。

我们为什么要用APM，今天有腾讯的嘉宾，举个在手机上玩CF游戏的例子，一个玩家在玩CF，最近常常因为应用运行卡顿被人打死，即便买了好枪、好装备还是打不过别人，用户必然会投诉，投诉之后客服会根据系统的知识库问一大堆有的没的问题，然后承诺玩家马上安排运维检查系统，最后往往不了了之。在企业业务人员在服务用户的过程中往往缺少一个工具，或者说一个平台来及时、准确的发现用户问题，甚至定位到具体用户，具体SQL和具体关键代码。

APM有两大好处，一个是可以提升工作效率，减少和用户无效沟通的时间；另一个就是及时发现和准确定位问题，因为运行在互联网上的业务系统，往往是用户最先感知到系统故障，如果能在接到用户反馈的第一时间及时发现和解决问题，就会大大降低故障带来的业务损失。举个简单的例子，云智慧有个客户的生产系统故障导致停服两个小时，造成了好几千万的损失，后台运维的解决办法非常简单，把服务切了一下，重新启了一套集群，把业务切过去，现场保留下来了，之后用了一个星期的时间发现其实是内存泄露。他们用一个星期的时间找到了问题，后来在云智慧透视宝的帮助下，直接在测试系统上重现了这个问题，并且在10分钟内准确地定位到了内存泄露的位置，使用APM可以有效地缩短问题的发现时间，并有效解决，避免再次发生类似问题。

为什么说APM是大数据呢？我们知道大数据有着非常明确的4V特征: 

一个是数据量大（Volume），我们的一个典型用户，每天在APM系统中产生的数据存储量超过了500G；

一个是种类繁多(Variety)，例如目前我们已知的移动端APM指标超过三百多个，维度更多；

一个是高速（Velocity），数据产生的速度和消费的速度都是非常恐怖的；

一个是数据价值（Value），单条数据价低，需要综合大量数据进行多纬度综合分析，以得出数据现状和趋势；

这是大数据的典型特征， APM数据恰好符合。

Apdex的得失

面对这么大的数据量应该怎么做，最直接有效的方式就是采样。为什么要做采样，一个是可以有效降低数据量，从数据价值角度来说我们不希望一条数据漏掉，但当大量数据进来以后，为了描述一天的数据量需要花费几天的时间，这就意味着永远无法准确描述。

怎么处理呢？大家看这个Jmeter的请求散点图，在上面标注密密麻麻的点，一个请求一个点位，根据时间维度和响应时间不停地在画布上面点。这时候很难点到每个准确的点，只是比较客观的描述一个事情，就像是一篇流水账，但是不能描述整个应用，也不能描述这个应用是什么样子。

利用这个散点图可以做出这样的一个二维的柱状图，同一个柱状图上又有面积又有高度又有时间，这样好几个维度交叉起来做一个二维图，右侧是从大量不同维度的数据里把几个指标通过APDEX算法融合成一个Apdex指标。

APDEX就是应用性能指标，是APM领域共同遵循的一个规范标准，这个算法不仅限于应用性能领域，在很多我们想要用同一个指标描述大量数据的时候都可以用。我们先看看为什么要用APDEX，左边这张图是高斯分布，也就是正态分布图，可以把一个指标的散点图画到这个地方，形成一张高斯分布图，它的波动曲线上波峰越高说明性能越差，越平缓说明性能越好。但这种描述方式有个明显的缺点，很容易忽略两极，这个图两极是响应速度最快或者最慢的情况，而高斯分布更关注中庸状态，假设非中庸的数据都是异常数据，这就意味着描述的时候其实把看起来非常棒和非常差的状态丢弃了，只留下中庸数据。

APDEX是对高斯分布的一个改良，这个柱是一个标尺，这个标尺最上面1.00T，T是APDEX的一个单位，APDEX是从0到1描述一项指标，比如计算应用在某一天的平均响应时间，假设一共有四十个请求，平均响应时间是两秒，低于两秒的时候设为一，从零到两秒是十个请求计成一，从两秒到八秒有二十个计成0.5，另外十个大于八秒的计成零，得到APDEX的计算结果是（1×10+0.5×20+0×10）÷40=0.75。用这个方法可以描述应用在一天内的响应时间指标是0.75，把0.75放在这个柱子上看还可接受，如果低于0.5是完全不可接受，可能是有故障。这就是APDEX算法，可以用一个值去描述应用在一段时间内大量采样数据的整体状况。

APDEX有什么问题呢？以血压为例子，比如说高压120是标杆，有40个人进行测量，这40个人像刚才说的，优秀的10个，中庸的20个，血压偏高已经不行的人占了10个，描述40个人的健康状况得出一个还不错的数据0.75。这个时候就有一个非常可怕的问题，用0.75去描述这个人群是没问题的，但是忽略了最后大于四倍标量时候的那部分数据，也就是说那10个快要死的人根本没管他，这是APDEX最大的问题。APDEX的另一个问题是原始数据和端到端的缺失，因为APDEX是通过数据流动过程中直接计算出指标来节省大量存储的，不但原始数据没了，端到端数据也被抛弃了。

再举一个更直接的例子，如果应用系统的数据库连接池出现了问题，此时整个应用接受到的请求在判断连接池出现问题后，可能会快速地抛出一个异常并响应前端一个静态页，此时整个应用响应非常快速，APDEX值也会非常的理想，而整个应用的性能其实是非常非常差的，因为正常的业务全部被中断了。

真正的端到端和APM的采样

真正的端到端是能够串联各个请求从客户端到后面的网络、DB、物理层、外部服务、文件操作的整个链路的数据，数据是不能存在数据孤岛的，如果可以通过一个ID号或者是时间维度把数据进行串接，这才是真正的端到端。

这张图的中间一层就是端到端链路，端到端的实现就是在每个点上的这么多服务、组件上采集数据，，同时由一个惟一标识在各个服务组件上采集的数据中作出传递； 在分析客户端用户行为的同时，还可以通过一个客户端的API调用，直接追踪到API对应后端执行的SQL和执行的代码栈，以及同时刻服务器的CPU/内存/网络/IO等系统状态。其中最大的难题是采样，在使用了APDEX的同时还要实现端到端，这其实就是一个矛盾，既要准确地描述应用的情况，又想降低描述的难度，而且一条数据都不丢，这是一个非常大的挑战。

这个时候有很多做法，这张图是为客户测试解决方案时的一个真实机器负载数据图，TPS降低4%，CPU资源使用率在5%以下。这是怎么做到的呢？我们在数据传输以及数据采集的地方做了大量的工作。比如说系统或接口有问题，问题可能在哪里？根据研发和运维经验很有可能是在进行操作或者有了网络请求，还有一种可能情况是内存和CPU的资源情况，知道这些条件之后，就可以有针对的采集数据，而不是一股脑全部采集。还有就是在不丢数据的前提下，要把一款日PV达到百万级的应用覆盖全，也是一个很大的挑战。

这是云智慧的端到端数据采集原理图，我们的目标是全量采集，同时要关注各个响应阈值，时间的响应阈值、CPU和内存响应阈值，还有错误和异常。为什么说是错误和异常？因为通常意义上的APDEX是对响应时间这个指标进行计算，做规定的描述。

比如说通过一个接口或者通过一个页面访问一条新闻，发一个请求，获取一篇文章，如果响应时间一百毫秒之内非常棒，但很有可能响应时间一百毫秒的时候要连接一次，连接一次之后要再写一次缓存或者写一个点击量什么的操作，这个时候返回这是一个正常的业务，但是很有可能没有连上，产生了错误或者异常，而响应时间是90毫秒，我们能说这个90毫秒的响应请求比一百毫秒更好吗？所以单纯用响应时间这个指标去衡量性能是有问题的，我们应该在关注响应时间指标的同时关注异常指标，而异常指标比正常指标更重要，在进行APDEX衡量的时候一定要进行异常指标的关注。

最后举个APM应用实例，这是监控宝在使用前和使用后的对比，右上角是响应时间占比，下面有访问时间等等，大家可以看到右上角×××部分就是缓慢响应，其实会发现应用有很多问题，缓慢数量大于了90%左右，这是错误和异常的指标，优化数据满眼都是绿色，查询的响应时间明显降下来了，这就是响应时间和错误相交叉的一个指标表现。通过事务快照还可以查看每个具体请求的代码运行栈/SQL/API请求/请求参数等指标，如果有错误或异常还可以快速地查看错误或异常的详情。

谢谢大家！

Q：我想问一下APDEX是APM行业内的标准，还是云智慧多年来的经验总结？

高驰涛：APDEX定义是来自于APM这个词，这个词是从APM出现以后才有的，而APDEX也是许多专业分析师提出来的标准。刚才说的四倍标量给定义0.5，大于四倍给零，这个其实没有约定，但是大家一直是这么做的，算一个未成文的约定。

刚才说了关注几个采样，关注响应时间、响应阈值，响应阈值包括访问时间，这是一个关注指标，在采集的时候首先可以确定连接，不管连接有多快、多慢、有没有出错，都必须要采集，因为这是未知的非常关键的操作，关键操作一定要采集。还有对于正常操作，比如说没有发生错误也没有发生异常，CPU和内存正常，这个时候如果响应时间的阈值低于一毫秒的方法我们会抛弃掉。

云智慧所有的设计都要求不让用户改一行代码，无工程侵入；如果要进行编码才能获取数据的话，是完全没有必要使用第三方平台的，开发者自己就可以轻松地实现。云智慧从无到有是必须要冷部署的，从有到暂停或者说从有到卸载是可以热部署的。

云智慧是业务运维解决方案服务商，旗下产品监控宝（www.jiankongbao.com ）、透视宝（www.toushibao.com）、压测宝（www.yacebao.com），已累计为电商、移动互联网、广告传媒、在线游戏、教育医疗、金融证券、政企等行业的几十万用户提供了一站式的应用性能监控、管理及测试服务。