提到服務(wù)器宕機檢測，大家會想到，宕機能夠很快知道，這個有什么可做的?實際上，很多時候服務(wù)器宕機，并不總是被及時感知。服務(wù)器宕機，ping或者ssh這是最簡單的做法，但真正的工程實踐，沒這么簡單。

想要獲知服務(wù)器宕機怎么辦?可以通過服務(wù)器宕機實時檢測：

1)發(fā)現(xiàn)宕機。

2)提前告警。

3)告知宕機的詳細原因，如硬件故障，內(nèi)核bug，網(wǎng)絡(luò)異常等等。

4)自動報修生成工單。

我們知道，進行全網(wǎng)物理機宕機準(zhǔn)確探測與實時發(fā)現(xiàn)，可以給宕機分析提供第一現(xiàn)場，獲取第一現(xiàn)場的日志。也可以盡早將宕機數(shù)據(jù)推送給業(yè)務(wù)或運營感知并處理，如自動報修，業(yè)務(wù)遷移等，從而盡可能將業(yè)務(wù)影響降到最低。

更重要的是，準(zhǔn)確的宕機發(fā)現(xiàn)數(shù)據(jù)可以為宕機預(yù)測提供準(zhǔn)確的標(biāo)注數(shù)據(jù)，為后期宕機預(yù)測提供數(shù)據(jù)基礎(chǔ)，并且這些數(shù)據(jù)提供給運營部門進行整體分析，提升處理效率。

那么，如何可以準(zhǔn)確發(fā)現(xiàn)宕機，減少誤報呢?我們可以有以下操作，比如：

心跳源檢測異常

顧名思義，通過心跳源，初步發(fā)現(xiàn)異常。通常心跳變化會有三類消息，update消息，delete消息和insert消息。心跳邏輯在于，正常情況下SA服務(wù)端與NC建立長連接，每數(shù)秒緩存一次心跳，每幾分鐘打包上報一次，但當(dāng)NC異常時，長連接感知后，立即上報異常，并修改路由表。所以心跳異常做到秒級感知。

update消息，在有心跳發(fā)生變化情況下都會有，心跳異常和心跳恢復(fù)正常時都會發(fā)起，是主要的心跳來源。

delete消息，在心跳異常，并且SA判斷ping不通，且ssh不通情況下發(fā)起，刪除該條消息，避免延遲太長。

insert消息，在新增加機器， 或者重裝后重新上位的機器發(fā)起，該消息對宕機發(fā)現(xiàn)價值不大，配合uptime使用。

心跳源檢測任務(wù)邏輯，主要是監(jiān)聽并緩存uptime消息，同時避免時間窗內(nèi)多次消息沖突，導(dǎo)致信息被覆蓋。

異常排除

排除非物理機器，將系統(tǒng)中暫時不關(guān)注的VM等產(chǎn)生的異常信息排除掉。

排除非業(yè)務(wù)狀態(tài)的機器，如裝機狀態(tài)中的，包括生產(chǎn)中，維修中，遷移中，重裝中，銷毀中，重啟中，無管控狀態(tài)，只監(jiān)控正常狀態(tài)的機器。

排除非正在工作的機器，如非working狀態(tài)機器。

網(wǎng)絡(luò)干擾排除

宕機分析中，較多誤報是由于網(wǎng)絡(luò)問題干擾，無法準(zhǔn)確判斷出物理機是否宕機，有可能是網(wǎng)絡(luò)問題。

排除上聯(lián)網(wǎng)絡(luò)設(shè)備異常導(dǎo)致的誤報，包括機房斷網(wǎng)演練，小面積網(wǎng)絡(luò)故障，上聯(lián)網(wǎng)絡(luò)故障，如通過探測丟包情況，使用一些邏輯初步判斷網(wǎng)絡(luò)問題。

服務(wù)器本身未丟包的誤報，除了需要過濾出網(wǎng)絡(luò)問題，還要通過丟包數(shù)據(jù)分析，過濾掉SA誤報問題， SA異常會上報心跳異常，被誤理解為宕機。

icmp及tcp丟包分析，icmp采集頻率為固定數(shù)秒，tcp采集頻率固定數(shù)秒，包括多個不同大小包(16，32，64，128，256等)的丟包情況，根據(jù)分析時間窗內(nèi)兩項數(shù)據(jù)的丟包情況

特殊情況干擾排除

個別機房有時候會出現(xiàn)大面積風(fēng)暴式的無故心跳異常，同時網(wǎng)絡(luò)ping包異常，但上聯(lián)網(wǎng)絡(luò)設(shè)備ping包正常，這種誤報，一般根據(jù)具體case具體進行針對性的分析。如根據(jù)監(jiān)控每個機房的上報頻率，排除干擾。

進一步識別誤報

至此，大部分干擾已經(jīng)過濾掉，但仍有一部分誤報隱藏其中。比如心跳異常，ping異常，都合乎宕機判斷的邏輯，會導(dǎo)致誤判成宕機，如導(dǎo)致網(wǎng)卡被打爆，或者重試率高，這種是業(yè)務(wù)原因?qū)е戮W(wǎng)絡(luò)異常，但業(yè)務(wù)認為不是異常，需要排除掉。再例如服務(wù)器并沒有掛掉，但是IO延時和資源占用率各項指標(biāo)都不正常等場景。針對以上等情況，增加uptime判斷以及帶外日志分析排查。

宕機時間點探測uptime確定是否發(fā)生重啟。

進一步通過分析日志是否連續(xù)，判斷是否發(fā)生重啟。

日志重啟特征值匹配，確認是否發(fā)生重啟。

如果還不能確定，使用uptime的時間窗技術(shù)進行重啟。

仍不能確定的待處理，進入長尾處理名單。

長尾再次處理

未確認的待處理的，會加入到長尾列表中，像這種分鐘級的心跳異常，ping異常，但串口日志一直正常輸出的情況，一般就是某種死機，死到連網(wǎng)絡(luò)都不通的場景。會觀察一段時間，一個固定時間窗內(nèi)仍未恢復(fù)或重啟的話，就暫時報宕機。后期會把這種死機單獨找劃分歸類。

講了這么多，到底效果怎么樣?

我們從準(zhǔn)確率和覆蓋率來看：

準(zhǔn)確率：目前發(fā)現(xiàn)的宕機中有很高準(zhǔn)確度，可以區(qū)分出真正宕機或者未宕機。而判斷為宕機的數(shù)據(jù)中，也存在少量的，由于缺少相關(guān)信息導(dǎo)致誤報，該部分將進一步優(yōu)化，逐漸降低誤報，在新的措施之后，該比例會接近0。

覆蓋率：當(dāng)前統(tǒng)計的覆蓋率已經(jīng)能很好的支撐日常宕機處理，該數(shù)據(jù)在有足夠的特征后，會進一步提升。

目前，宕機感知是宕機分析的基礎(chǔ)，通過服務(wù)器宕機實時檢測，會把相應(yīng)的宕機原因分布整理出來，明確具體的原因，達成服務(wù)器極致可靠性。

審核編輯：湯梓紅