随着出行业务的发展与行业技术的革新，滴滴在业务上和技术上都在与时俱进，这个过程中呈现了其独有的特点与难点。

在业务上，滴滴既要有严谨的交易逻辑和计算复杂的业务系统，又要有强一致性事务等特性的在线系统，要保证这类系统的稳定是最有挑战的。在交易中，每一笔订单的完整性、每一个状态的正确性、每一次支付的准确性都不能有毫末之差 。除了在业务完备性上的挑战，滴滴出行业务还具有典型的早、晚高峰期和平峰期的潮汐现象, 以及大、中、小城市的不同业务规模的业务特点，此外，还面临像元旦、端午、中秋、十一等节假日带来的瞬时或持续的大流量冲击。

在技术上，随着滴滴核心业务完成微服务化改造、服务全面上云，以及应对重大故障的同城多活、异地多活的架构积极演进，这无疑给服务通信的可靠性、服务治理、容错与止损、分布式追踪、日志管理、指标集成与观测都带来不小的挑战，与此同时，服务的可观测性自然也极其困难。

总之，滴滴业务是一种典型的具有交易特征的复杂业务逻辑，同时面临着大流量、海量数据，并且正在不断进行技术动态演进的技术模型。随着业务的不断发展，业务的熵增以及系统的架构复杂度也越来越高，多系统交叉影响的可能性越来越大，如何快速发现故障、定位、止损，以及避免类似的故障再次发生都成为了新的挑战与难题。

可观测性

开始之前，我们先聊聊业界热门词：可观测性。它起源于几十年前的控制理论，可观测性通常指通过观测系统的输出来衡量系统内部的状态的能力。如果可以仅使用输出信息(即遥测器数据)来衡量当前状态，则被认为系统是“可观测的”。

日志、追踪、度量的目标与结合

图片来源：https://peter.bourgon.org/blog/2017/02/21/metrics-tracing-and-logging.html

如今在业界，它被应用于提高分布式系统的性能与稳定性。通过依靠可观测性系统生成的数据(例如日志、指标和跟踪)测量系统当前状态的能力，来保持 IT 环境中的系统正常运行。

业务可观测性现状

滴滴业务场景特点与复杂度如前言，这里重点说下滴滴出行业务的可观测性实践的现状。

稳定性研发

在研发方向，我们紧紧依托业务特点，为业务提供例如NUWA业务框架、DiPRC组件、日志、Metric指标、Trace等标准业务组件，同时我们也把稳定性相关抓手预埋进组件里，比如超时治理、自动降级、业务放火能力，机器人依赖指标等。以及在架构上的全面云化、同城双活、异地多活、服务化改造与治理等，更详细见👉基于Go语言的滴滴DevOps重塑之路。

稳定性建设

在稳定性建设上滴滴一直在坚定不移的投入：为了应对系统的流量冲击而做的定期全链路压测、子链路压测等容量摸底与优化，在研发环节为了应对变更带来的风险而做的部署规范、分级发布、配置变更等。在运维环节通过告警自动化、告警管理平台、精准化提高故障的感知能力。以及在平时的巡检、重大节假日的“护堤”(滴滴内部重大节日的稳定性专项)等建设项。

稳定性运营

在建立好基础的研发与稳定性等能力后，如果没有很好的执行，就如同马其诺防线一样，看似坚不可摧，实则很容易被突破，因此我们在稳定性文化建设上也颇费心思，通过周会、海报、技术运营活动等手段，定期宣导稳定性红线、推广框架、工具的使用。在各个业务团队建立由稳定性BP同学指导的虚拟稳定性FT组织，并通过选、培、留、存等措施，确保组织内的同学具有较强的稳定性意识和能力，以老带新的梯度培养队伍。以及在发生故障后，积极通报与认真复盘。

业务智能告警实践

难点

如上，我们在稳定性建设投入了方方面面，随着稳定性能力的逐步提升，我们开始着手覆盖一些业务细分场景。

如何感知到小场景事故的发生变得越来越重要，但同时这又是一个难点。主要原因在于告警覆盖度低，导致细分场景事故频发，故障发现能力不足。如果仅仅为了提高告警覆盖度，在准确度不够的情况下(因为人为制定策略，思考有限，不足以覆盖全部场景)，会有狼来了效应，真有故障的时候疲于响应，最终效果仍然不能尽如人意。再就是业务高速发展，人为建立的告警策略场景总是落后业务发展，维护不及时，导致年久失修，失去感知能力。

方案

针对以上痛点，我们通过自研业务告警系统，系统批量覆盖业务场景观测，释放业务为了维护告警带来的人力消耗，有效地提高了告警覆盖率。通过自研算法提高告警的准确度，以及接收内部业务主动变更发出的消息，来批量管理告警策略，应对人为运营活动带来的告警风暴。还有通过平台化、定期更新、降低使用难度、同时集成业务的反馈指标数据，以更好地迭代系统功能。

具体方案，我们依靠已集成好的各种业务基础指标数据，通过业务场景指标规划、指标计算、自动阈值计算、指标生成、负向规则拦截、分布式任务、定时任务，管理平台等建立自动化告警系统，为复杂业务场景告警、故障发现、AIOps提供技术支持。

笛卡尔乘积

考虑到网约车业务的特性与复杂性，得出网约车出行业务一个多品类、多城市、多场景组合效果的业务形态。

• 业务模型有一定规模的抽象，通过维度组合可以定义一个细微场景。

• 业务抽象模型，基本都是可枚举的范围，易管理。

综上特性，我们很容易能想到，用笛卡尔乘积来描述一个细分场景，然后针对某一指标，特定场景做具体规则计算，制定相应的报警策略。

分布式任务

自动报警系统可以基于多产品线、多指标做批量告警策略建设，串行执行，效率较低，所以选择分布式执行。具体做法：定时任务触发自动化报警系统，master收到执行策略生成指令，去指标库查询所有指标ID，分发给一系列的worker，worker计算每一条指令然后生成报警策略并写入报警系统。

定时任务

随着业务数据的变化，比如业务增长很快，或者新功能逐渐开量过程，这样原始数据变化，报警策略阈值要随之相适应。

• 通过用户设置自动更新时间，比如业务初期，可以每天执行一次，后期业务稳定后可以选择3天。

• 定时任务选择夜间低峰期实行更新策略，一般选择凌晨2-4点执行。

• 限流保护，避免告警系统瞬时压力过大。

管理平台

为了提高自动化告警的覆盖率，降低使用门槛，我们通过平台化简化告警的增加、修改、更新、删除、批量屏蔽，调优参数等操作，提高易用性。

生成规则

指标本质上是以时间为横坐标，指标量为纵坐标的数据曲线。所有曲线共有的特征是随着时间的变化数据指标有明显的高峰期与低峰期，且高峰期数据稳定，低峰期数据波动。

我们根据不同时间段曲线波形的不同特点，人为划分策略区间与周期，然后回溯这个区间的历史数据，计算本周期的预测阈值，通过集成业务的特征数据，进行笛卡尔乘积，为每一个计算出的场景设置前一步计算的阈值。

借鉴业界模型报警检测突降的思路，采用移动平均算子方案(时序-移动平均算法)，N-MA算子，此算子优化通过前后的点来预测中心点，预测值形成的预测曲线会更加平滑，可以减少波动，同时增加衡量算法优劣策略(R-squared回归策略)，有效的提高了告警的准确率。具体做法：

第一、使用机器学习和深度学习算法，对订单和乘车数据进行时间序列分析，以便捕捉周期性波动和趋势变化，构建异常检测模型来识别异常情况，例如司机在线数波动、订单量波动等。预测模型可用于预测高峰、平峰、和规律行业务的情况。

第二、基于统计，对不同地区、时间段等进行方差分析，识别出差异性较大的情况，从而进行有针对性的告警。

第三、基于业务经验，制定一系列人工规则，例如一些量级非常小的场景，再或者一些不连续的业务场景，我们需要制定人工兜底规则，例如连续掉底等来规避这部分带来的误报情况。

综上，只有在AI智能算法基础上，再加上行业经验和业务特性，并将统计和人为规则结合，才能近乎完美的保证告警的准确性。

拦截规则

再好的模型也无法完全应对无限的业务形态，对于极端异常情况，我们采用拦截策略用来避免误报。

• 如果某时间段数据缺失过多或者量级较小，这种情况采取移动平均算子方案的算法误报率较高，如从2变为1，下降了50%，类似情况采用人为规则，设置掉底告警。

• 人为日常运营活动，这类运营通常因为恶劣天气、疫情等关城，通过前面的介绍，我们批量生成告警，这时自然会带来告警风暴，我们采用接收对应运营平台的通知，直接批量屏蔽这类告警。

业务故障定位与止损实践

业务处理故障的难点

当故障发生时，故障的发现、定位、止损的时间是相当珍贵的，我们应该极力缩短这部分时间，在过往实践中，通常影响故障处理时间有以下三个方面：

• 协同弱：平时大家各司其职，故障发生时，即使有平时的应急处置SOP宣传，依旧效果甚微。再就是沟通不畅，人力得不到有效分配。还有在遇到决策时，上升机制不畅;

• 定位难：故障表现是多种形态的，平时建立的指标、告警、大盘、Trace追踪信息繁杂，噪音也大，且业务领域知识和运维场景领域知识的综合能力通常依赖专家能力，不能充分利用所有同学的能力，这给故障定位带来很大难度;

• 止损慢：即使故障被定位，且在平时建立很多预案(比如限流、切流、降级，超时控制、业务开关等)，但是过往经验表明仍存在预案寻找时间长、没有权限无法操作、操作不规范导致二次事故等现象。

业务故障处理方案

方案总览

故障总是错综复杂，突如其来，且伴随的数据具有信息类型繁多，价值密度低，时效性又高等特点，所以解决故障不能寄希望于单一技术能力，解法只有体系化。东海龙王(自动化定位机器人，因为内部研发生态名字是女娲，所以稳定性叫东海龙王，寓意“救火”)就此应运而生，机器人目前能做到核心场景预案覆盖，分钟级定位止损，同时能做到7x24小时永不间断地持续为业务保驾护航，而且支持自定义配置化，可以低成本的无限扩展。

核心思想，“少”即是“多”，这里少是指少噪音，噪音越少，根因越容易突出，这里多是指有效信息多，只有有效的信息多，决策才能更快速、准确，故障止损时间才能更快。

自动分析

依托业务场景，我们集成了足够多的基础数据指标，比如可观测性的三大支柱，其一、日志，包括业务基础日志、异常日志、组件的日志(Cache、DB、RPC)等;其二、记录业务变化的趋势的黄金指标(成功率、错误码、延迟)，以及业务自定义的指标，其三、完整的Trace追踪链路。同时我们还接收公司内部平台发出的运营活动等变更的消息，比如压测流量、故障注入、开关城等，以及上文提到的平时运营的稳定性虚拟FT人员信息和公司基础组织信息。

通过集成大量信息，当故障来临时，发出告警的同时，开始并行集成大量指标数据，基于固化的专家经验和业务领域知识已经明确的依赖关系，通过推理引擎，拿大量有关联的指标，基于时序的相关性分析与异常关联根因算法分析，构造根因故障传播图，起到故障初步筛查的作用，极大的缩小了故障范围，为决策提供有力信息。

防干扰

自动化定位后，在实践中经常遇见公司内部的稳定性日常数据干扰，比如故障注入、例行压测、业务关城、业务开量等，难以区分真实故障和还是内部mock数据，我们通过数据标签，上报事件平台，订阅事件信息来提示给RD，有效的排除了干扰。

核心能力

如上文提到，故障发生时，我们把以往的故障SOP，故障发现、故障定位、故障止损的标准动作通过机器人推到D-Chat客户端(滴滴内部即时通讯软件)，让每个RD的应急响应能力拉齐到同一水平，同时通过内部分析引擎决策分析，最终推出一张包含本次故障的必要信息卡片。如果故障不断升级，如核心大盘开始报警，会自动给最近操作人、QA、稳定性值班人员以及操作人直属上级电话通知，扩大问题感知范围。

易用性

为了提高使用效率，降级维护成本，我们通过提供平台化的能力，用户可以自定义自己组织的应急SOP流程，以及组织本部门相关的应急人员信息，管理定位模块、接口等范围，高效率、低成本的接入，来提高业务的故障处理能力。

ChatOps

ChatOps 通常指对话驱动的 DevOps，是使用聊天客户端、聊天机器人和来促进软件开发和应急响应。

在滴滴内部，我们也采用这种方式加速故障处理时间，当故障发生时，为了加强协同定位能力，会自动推出与故障最相关的上文提到的虚拟稳定性FT组织人员信息，给出标准的SOP指引，这里包括故障识别、故障定位、故障止损预案，同时启动电话、短信、D-Chat告警的提醒。

同时进行本故障相关的系统的根因分析，给出业务指标变动(成功率、错误码)、系统(集群、接口、系统指标)的异常变动，以及引起的变动的根因下钻信息，包括精确的Trace信息、中间组件错误信息、系统变更信息，包括，部署、限流、配置发布等变更信息，并以图文消息推送到D-Chat，同时提供应对本次故障已经准备好的预案，以备决策后，快速止损。

在公司内部，笔者也为ChatOps写了一段寄语：「故障将至，东海龙王始终守望，至死方休。它将不眠不休，不谎报军情，不计报酬。它将不争荣宠，尽忠职守，生死于斯。它愿做守护稳定性的利剑，抵御故障来袭，吹响ONCALL的号角，守护业务稳定性的底线。它将业务的无故障生产视为第一生命线，今夜如此，天天皆然。」

总结与未来

稳定性是个专业性强、综合性广的工作，需要系统化的建设，才能取得良好的收益，以下是我在过往工作中的些许感悟，分享给读者：

从故障驱动，突击建设稳定性，试图一劳永逸，表面看短期有成效，看似“妙手”，其实是浪费人力、物力的短期局部思维，也就是俗话说的，“头痛医头，脚痛医脚”，是一种妄念，实则是“俗手”，要警惕。

从技术、组织、技术运营，全方位，立体、系统的整体配套建设，坚持长期投入，坚持长期主义，才是“本手”，也就是俗话说，“台上一分钟，台下十年功”。

坚持长期“本手”，「理论-实践-再理论」，从而实现认知飞跃，量变到质变，“妙手”自来。

滴滴会不断坚持技术投入，稳定性建设投入，在各个环节深挖业务痛点与难点，夯实可观测性基础建设，加强混沌工程投入，通过控制最小爆炸半径，进行故障注入，主动验证系统的薄弱环节，提前发现故障隐患，持续向AIOps演进，最终迈向高度自洽的AIOps。