在線教育行業(yè)現(xiàn)狀
隨著 90 年代互聯(lián)網(wǎng)的引入，在線教育產(chǎn)品也依托于互聯(lián)網(wǎng)誕生。隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，在線教育產(chǎn)品也開 始了出現(xiàn)新的模式。在線教育從最初單純的文字形式，開始往圖片、音頻方面開始發(fā)展。教育在線化也進一步促進了數(shù)據(jù)化的發(fā)展，內(nèi)容作為教育企業(yè)的核心資產(chǎn)，無論是數(shù)據(jù)化程度還是數(shù)據(jù)化規(guī)模都在不斷提升。同時用戶使用時長的提升，又為教育 AI 提供了大量源數(shù)據(jù)。據(jù)統(tǒng)計今年 3 月份在線教育用戶日均在線 時長，超過 200 萬天。如此海量的數(shù)據(jù)為行業(yè)的智能化發(fā)展提供了良好的土壤，推動了教學內(nèi)容、課程營銷、師資 管理、質(zhì)量評估等智能分析的發(fā)展。

流利說公司介紹
流利說是世界領(lǐng)先的科技驅(qū)動的教育公司，作為智能教育的倡行者，流利說擁有一支業(yè)內(nèi)領(lǐng)先的人工智能團隊，經(jīng)過多年積累，流利說已擁有巨型的“中國人英語語音數(shù)據(jù)庫”，累積實現(xiàn)記錄大約 37 億分鐘的對話和 504 億句錄音。
2013年流利說推出了第一款產(chǎn)品“英語流利說”，集成了語音識別、打分和自適應(yīng)學習等多種核心技術(shù)。具有上下文情景對話、發(fā)音指導課程等豐富內(nèi)容，并提供人工智能英語老師和游戲化的學習體驗，為用戶在英語學習中獲得更多樂趣。這款有趣又有效的產(chǎn)品很快就占領(lǐng)了當時的市場并獲得了用戶的高度認可。
但業(yè)務(wù)快速發(fā)展，用戶數(shù)大幅度增長，平臺的用戶數(shù)量已從當初的百萬級，增長至過億，因此業(yè)務(wù)的高低峰期數(shù)據(jù)流量變化、業(yè)務(wù)復(fù)雜度和分析難度都給給 IT 架構(gòu)帶來了巨大的挑戰(zhàn)。

流利說統(tǒng)一監(jiān)控平臺的相關(guān)挑戰(zhàn)
作為一個沒有單獨運維部門的公司，基礎(chǔ)平臺的統(tǒng)一監(jiān)控平臺主要由cloud-infra團隊的研發(fā)來完成，而團隊的核心訴求也不僅僅是SLA、性能的監(jiān)控、告警和提供問題定位的相關(guān)數(shù)據(jù)，還包括cloud-infra的技術(shù)價值運營，例如利用率、成本節(jié)約、業(yè)務(wù)關(guān)系網(wǎng)絡(luò)等。在這些核心訴求下，對于統(tǒng)一監(jiān)控平臺會具高的要求：
1.采集、監(jiān)控各種異構(gòu)數(shù)據(jù)源，包括K8s、ECS上的機器指標、利用率、Istio相關(guān)的調(diào)用日志、自建中間件相關(guān)指標、云服務(wù)提供的指標、業(yè)務(wù)的Trace數(shù)據(jù)等，此外還要包括各類成本數(shù)據(jù)的實時采集。
2.各類資源的動態(tài)發(fā)現(xiàn)與動態(tài)采集，包括組織關(guān)系等部門相關(guān)的數(shù)據(jù)也需要實時更新，以便能夠?qū)崟r反饋出最準確的相關(guān)指標和歸屬關(guān)系。
3.大規(guī)模的數(shù)據(jù)存儲與分析，由于流利說的業(yè)務(wù)規(guī)模大，使用的各類云資源以及業(yè)務(wù)產(chǎn)生的數(shù)據(jù)量非常巨大，每天在數(shù)十TB，方案需要滿足在此規(guī)模上的實時分析和展現(xiàn)的能力。
4.監(jiān)控平臺負責的是穩(wěn)定性問題，本身的穩(wěn)定性也需要做好，因此需要消除各個部分的單點問題，并且具備異?？焖倩謴?fù)的能力。

技術(shù)選型
統(tǒng)一監(jiān)控平臺不僅僅是時序相關(guān)的數(shù)據(jù)，其中非常核心的業(yè)務(wù)可用性數(shù)據(jù)需要通過各類日志進行計算和分析，因此整體上需要選擇Logs和Metrics兩種數(shù)據(jù)方案。對于這兩類數(shù)據(jù)都分別有不同的社區(qū)方案或商業(yè)方案，例如ES、Loki、SLS、Prometheus、OpenTSDB、InfluxDB等。最終日志方案選擇了阿里云SLS，時序方案選擇了Prometheus SLS，主要的原因如下：
1.SLS具備各類數(shù)據(jù)統(tǒng)一存儲、分析的能力，能夠在SLS上去關(guān)聯(lián)到Metrics、Logs數(shù)據(jù)，這是其他平臺所不具備的
2.SLS平臺能夠適應(yīng)非常大的數(shù)據(jù)規(guī)模，相比ES來說性能要好很多，也是免運維的服務(wù)，省去了自己維護ES高可靠的問題
3.時序方案以Prometheus為主，Prometheus的生態(tài)非常完善，而且PromQL使用起來也簡介。SLS的時序庫可以作為Prometheus的遠端高可靠存儲，能夠解決Prometheus的可靠性問題
4.SLS的方案中有數(shù)據(jù)加工的功能，可以和外部的數(shù)據(jù)源去做Join分析和加工，能夠更好的來處理各種復(fù)雜的日志，把日志加上catalog相關(guān)的信息

整體架構(gòu)

當前流利說統(tǒng)一監(jiān)控平臺的架構(gòu)如上圖所示：

1.為了能夠?qū)崿F(xiàn)自動化，我們開發(fā)了一套適用于云上場景的IaaS、PaaS資源動態(tài)發(fā)現(xiàn)的機制，能夠?qū)崟r將新購買、創(chuàng)建的資源加入到監(jiān)控、采集中，避免大部分的人工操作

2.日志相關(guān)：
?不同業(yè)務(wù)的日志直接通過SLS的Logtail采集到不同的日志庫中
?并不是所有的日志都需要長時間存儲和索引，因此我們對于日志進行歸類，對于其中需要有審計需求的，會投遞到OSS上做長期存儲；業(yè)務(wù)排查問題的日志只保存2周，并開啟全文索引；AccessLog只開啟部分字段的索引，可以節(jié)省很多的索引費用。
?對于需要計算SLA、PXX指標的NGINX訪問日志，會使用數(shù)據(jù)加工，配合已經(jīng)在RDS中存儲的一些映射規(guī)則、部門、應(yīng)用等Catalog信息，將NGINX訪問日志中的URL映射成對應(yīng)的部門、應(yīng)用、方法等。

3.監(jiān)控相關(guān)
?監(jiān)控方案選擇了Prometheus，針對于流利說的場景，我們開發(fā)了一些Exporter用于從各類云上產(chǎn)品、自建組件中獲取Metrics
?同時為了更好的使用Prometheus，和內(nèi)部的CICD系統(tǒng)集成，我們在Prometheus上增加了一個Sidecar，監(jiān)聽Git倉庫的變更，并根據(jù)變更動態(tài)的Reload Prometheus配置
?Prometheus上為了提高查詢速度，配置了各類Recording Rule，這些都統(tǒng)一使用Git管理
?AlertManager的告警直接對接內(nèi)部的告警中心，可以做排版、升級等高級功能
?為了解決Prometheus單點的問題以及后面和Catalog進行關(guān)聯(lián)分析的問題，我們使用SLS的時序庫，直接讓Prometheus Remote Write到SLS的時序庫中

4.指標計算
?核心指標的計算一部分來源于NGINX的AccessLog，從入口就可以拿到各個業(yè)務(wù)的QPS、錯誤率、Latency（平均、PXX等），對于業(yè)務(wù)沒有任何的侵入性
?資源利用率、中間件、基礎(chǔ)設(shè)施等指標來源于Prometheus寫入的時序庫，基于Catalog可以聚合計算出每個部門、業(yè)務(wù)的相關(guān)指標
?計算完成后的指標信息，由于數(shù)據(jù)量非常小，可以很容易的存儲在MySQL、ES中，并且投遞一份到OSS上備份

相關(guān)成果
目前這套監(jiān)控平臺幾乎承載了公司所有的核心監(jiān)控，在上線后一直穩(wěn)定運行，并且在各類活動期間也能夠非常輕松的應(yīng)對數(shù)據(jù)量的突增。整體的業(yè)務(wù)價值主要體現(xiàn)在：
1.監(jiān)控：監(jiān)控的第一價值是做各類的監(jiān)控和告警，尤其是SLA相關(guān)，由于將數(shù)據(jù)已經(jīng)關(guān)聯(lián)到了具體的部門和業(yè)務(wù)應(yīng)用，可以很容易的得到每個部門、應(yīng)用的SLA，并進行公司范圍內(nèi)統(tǒng)一的推進和改進
2.問題排查與故障隔離：基于Istio的訪問日志，配合Catalog信息，可以計算出每個應(yīng)用的調(diào)用關(guān)系，因此可以實時的生成業(yè)務(wù)關(guān)系網(wǎng)格，并能夠知道每個關(guān)系（邊）的質(zhì)量情況。了解到業(yè)務(wù)的關(guān)系后，在出現(xiàn)問題的時候也可以快速的定位根源和故障隔離
3.FinOps：在Cloud Infra部門，被挑戰(zhàn)最多的就是開銷問題。因此成本優(yōu)化也是我們的一個核心工作，主要的做法是：計算每個部門、團隊的資源利用率，包括平均利用率以及各類PXX的利用率（如下表格所示），以此能夠判斷每個部門的資源使用情況，推進各部門優(yōu)化成本。

流利說統(tǒng)一監(jiān)控背后的技術(shù)
流利說統(tǒng)一監(jiān)控基于阿里云SLS進行構(gòu)建，SLS定位為云原生觀測分析平臺，為Log/Metric/Trace等數(shù)據(jù)提供大規(guī)模、低成本、實時平臺化服務(wù)。一站式提供數(shù)據(jù)采集、加工、分析、告警可視化與投遞功能，全面提升研發(fā)、運維、運營和安全等場景數(shù)字化能力。其中統(tǒng)一監(jiān)控使用到了多種SLS的核心功能，主要包括：

全方位日志采集

SLS支持Log/Metric/Trace統(tǒng)一采集，支持服務(wù)器/Kubernetes/應(yīng)用/移動設(shè)備/網(wǎng)頁/IoT等數(shù)據(jù)源接入，支持阿里云產(chǎn)品/開源系統(tǒng)/云間/云下日志數(shù)據(jù)接入，核心特點有：

1. 便捷：40 成熟接入方案，多客戶端統(tǒng)一采集，支持內(nèi)網(wǎng)、公網(wǎng)、全球加速傳輸?shù)榷喾N傳輸方式

2. 可靠：阿里經(jīng)濟體自用基礎(chǔ)設(shè)施，歷經(jīng)多次雙十一，春晚活動考驗。支持斷點續(xù)傳，可根據(jù)業(yè)務(wù)流量實現(xiàn)彈性伸縮

3. 開放：多協(xié)議（HTTP/Syslog/Prometheus/OpenTelemetry）無縫接入，完整對接開源生態(tài)

Prometheus時序方案

SLS時序存儲從設(shè)計之初就是為了解決阿里內(nèi)部與眾多頭部企業(yè)客戶的時序存儲需求，并借助于阿里內(nèi)部多年的技術(shù)積累，使之可以適應(yīng)絕大部分企業(yè)級時序監(jiān)控/分析訴求。SLS時序存儲的特點主要有：
1.豐富上下游：數(shù)據(jù)接入上SLS支持眾多采集方式，包括各類開源Agent以及阿里云內(nèi)部的監(jiān)控數(shù)據(jù)通道；同時存儲的時序數(shù)據(jù)支持對接各類的流計算、離線計算引擎，數(shù)據(jù)完全開放
2.高性能：SLS存儲計算分離架構(gòu)充分發(fā)揮集群能力，尤其在大量數(shù)據(jù)下端對端的速度提升顯著
3.免運維：SLS的時序存儲完全是服務(wù)化，無需用戶自己去運維實例，而且所有數(shù)據(jù)都是3副本高可靠存儲，不用擔心數(shù)據(jù)的可靠性問題
4.開源友好：SLS的時序存儲原生支持Prometheus的寫入和查詢，并支持SQL92的分析方法，可以原生對接Grafana等可視化方案
5.智能：SLS提供了各種AIOps算法，例如多周期估算、預(yù)測、異常檢測、時序分類等各類時序算法，可以基于這些算法快速構(gòu)建適應(yīng)于公司業(yè)務(wù)的智能報警、診斷平臺

實時數(shù)據(jù)分析

查詢分析提供關(guān)鍵詞、SQL92、AIOps函數(shù)等多種方式，支持面向文本 結(jié)構(gòu)化數(shù)據(jù)實時查詢分析，異常巡檢與智能分析。主要特點如下：
1.高性能：秒級分析十億級數(shù)據(jù)，且完整支持SQL、PromQL等分析接口，HTTP、Kafka、JDBC、Prometheus等協(xié)議
2.穩(wěn)定可靠：企業(yè)級設(shè)計，多租戶隔離，PB級容量設(shè)計，數(shù)萬企業(yè)用戶選擇
3.智能：經(jīng)過阿里經(jīng)濟體實踐的AIOps能力，支持智能異常巡檢與根因分析數(shù)據(jù)加工

數(shù)據(jù)加工通過靈活語法，在不編寫代碼情況下支持各種復(fù)雜數(shù)據(jù)提取、解析、富化、分發(fā)等需求，支持結(jié)構(gòu)化分析。數(shù)據(jù)加工的主要特點如下：
1.靈活：提供豐富算子、開箱即用的場景化UDF（Syslog、非標準json、AccessLog UA/URI/IP解析等）?？蓴U展語法應(yīng)對各種復(fù)雜格式
2.免運維：全托管云上服務(wù)，無須投入額外運維資源。支持自動根據(jù)流量彈性伸縮
3.可擴展：支持多層嵌套、分流等邏輯，支持復(fù)雜的數(shù)據(jù)分派與編排需求

在云原生時代，數(shù)字化正在各行業(yè)推動業(yè)務(wù)創(chuàng)新。只有提升用戶體驗、加速創(chuàng)新、更新基礎(chǔ)設(shè)施與架構(gòu)、利用好多樣化的數(shù)據(jù)，才能在整體大環(huán)境中脫穎而出。阿里云推出的智能運維平臺，不僅僅是要幫助工程師減少工作量，更多的是希望讓運維工程師們從各種機械化的工作中解脫。我們將會包攬所有的“臟活累活”，讓故障的時間大幅縮小，讓運維人將更多創(chuàng)造力，放在數(shù)字創(chuàng)新以及企業(yè)業(yè)務(wù)創(chuàng)新上，為企業(yè)提供提供更優(yōu)的競爭力。