提到服務(wù)器宕機(jī)檢測(cè)，大家會(huì)想到，宕機(jī)能夠很快知道，這個(gè)有什么可做的?實(shí)際上，很多時(shí)候服務(wù)器宕機(jī)，并不總是被及時(shí)感知。服務(wù)器宕機(jī)，ping或者ssh這是最簡(jiǎn)單的做法，但真正的工程實(shí)踐，沒這么簡(jiǎn)單。

想要獲知服務(wù)器宕機(jī)怎么辦?可以通過(guò)服務(wù)器宕機(jī)實(shí)時(shí)檢測(cè)：

1)發(fā)現(xiàn)宕機(jī)。

2)提前告警。

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

4)自動(dòng)報(bào)修生成工單。

我們知道，進(jìn)行全網(wǎng)物理機(jī)宕機(jī)準(zhǔn)確探測(cè)與實(shí)時(shí)發(fā)現(xiàn)，可以給宕機(jī)分析提供第一現(xiàn)場(chǎng)，獲取第一現(xiàn)場(chǎng)的日志。也可以盡早將宕機(jī)數(shù)據(jù)推送給業(yè)務(wù)或運(yùn)營(yíng)感知并處理，如自動(dòng)報(bào)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(jī)發(fā)現(xiàn)數(shù)據(jù)可以為宕機(jī)預(yù)測(cè)提供準(zhǔn)確的標(biāo)注數(shù)據(jù)，為后期宕機(jī)預(yù)測(cè)提供數(shù)據(jù)基礎(chǔ)，并且這些數(shù)據(jù)提供給運(yùn)營(yíng)部門進(jìn)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(jī)，減少誤報(bào)呢?我們可以有以下操作，比如：

心跳源檢測(cè)異常

顧名思義，通過(guò)心跳源，初步發(fā)現(xiàn)異常。通常心跳變化會(huì)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(zhǎng)連接，每數(shù)秒緩存一次心跳，每幾分鐘打包上報(bào)一次，但當(dāng)NC異常時(shí)，長(zhǎng)連接感知后，立即上報(bào)異常，并修改路由表。所以心跳異常做到秒級(jí)感知。

update消息，在有心跳發(fā)生變化情況下都會(huì)有，心跳異常和心跳恢復(fù)正常時(shí)都會(huì)發(fā)起，是主要的心跳來(lái)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(zhǎng)。

insert消息，在新增加機(jī)器， 或者重裝后重新上位的機(jī)器發(fā)起，該消息對(duì)宕機(jī)發(fā)現(xiàn)價(jià)值不大，配合uptime使用。

心跳源檢測(cè)任務(wù)邏輯，主要是監(jiān)聽并緩存uptime消息，同時(shí)避免時(shí)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(jī)器，將系統(tǒng)中暫時(shí)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(jī)器，如裝機(jī)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(wú)管控狀態(tài)，只監(jiān)控正常狀態(tài)的機(jī)器。

排除非正在工作的機(jī)器，如非working狀態(tài)機(jī)器。

網(wǎng)絡(luò)干擾排除

宕機(jī)分析中，較多誤報(bào)是由于網(wǎng)絡(luò)問題干擾，無(wú)法準(zhǔn)確判斷出物理機(jī)是否宕機(jī)，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(bào)，包括機(jī)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(guò)探測(cè)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(bào)，除了需要過(guò)濾出網(wǎng)絡(luò)問題，還要通過(guò)丟包數(shù)據(jù)分析，過(guò)濾掉SA誤報(bào)問題， SA異常會(huì)上報(bào)心跳異常，被誤理解為宕機(jī)。

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(gè)不同大小包(16，32，64，128，256等)的丟包情況，根據(jù)分析時(shí)間窗內(nèi)兩項(xiàng)數(shù)據(jù)的丟包情況

特殊情況干擾排除

個(gè)別機(jī)房有時(shí)候會(huì)出現(xiàn)大面積風(fēng)暴式的無(wú)故心跳異常，同時(shí)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(bào)，一般根據(jù)具體case具體進(jìn)行針對(duì)性的分析。如根據(jù)監(jiān)控每個(gè)機(jī)房的上報(bào)頻率，排除干擾。

進(jìn)一步識(shí)別誤報(bào)

至此，大部分干擾已經(jīng)過(guò)濾掉，但仍有一部分誤報(bào)隱藏其中。比如心跳異常，ping異常，都合乎宕機(jī)判斷的邏輯，會(huì)導(dǎo)致誤判成宕機(jī)，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(rèn)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(shí)和資源占用率各項(xiàng)指標(biāo)都不正常等場(chǎng)景。針對(duì)以上等情況，增加uptime判斷以及帶外日志分析排查。

宕機(jī)時(shí)間點(diǎn)探測(cè)uptime確定是否發(fā)生重啟。

進(jìn)一步通過(guò)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(rèn)是否發(fā)生重啟。

如果還不能確定，使用uptime的時(shí)間窗技術(shù)進(jìn)行重啟。

仍不能確定的待處理，進(jìn)入長(zhǎng)尾處理名單。

長(zhǎng)尾再次處理

未確認(rèn)的待處理的，會(huì)加入到長(zhǎng)尾列表中，像這種分鐘級(jí)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(jī)，死到連網(wǎng)絡(luò)都不通的場(chǎng)景。會(huì)觀察一段時(shí)間，一個(gè)固定時(shí)間窗內(nèi)仍未恢復(fù)或重啟的話，就暫時(shí)報(bào)宕機(jī)。后期會(huì)把這種死機(jī)單獨(dú)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(lái)看：

準(zhǔn)確率：目前發(fā)現(xiàn)的宕機(jī)中有很高準(zhǔn)確度，可以區(qū)分出真正宕機(jī)或者未宕機(jī)。而判斷為宕機(jī)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(bào)，該部分將進(jìn)一步優(yōu)化，逐漸降低誤報(bào)，在新的措施之后，該比例會(huì)接近0。

覆蓋率：當(dāng)前統(tǒng)計(jì)的覆蓋率已經(jīng)能很好的支撐日常宕機(jī)處理，該數(shù)據(jù)在有足夠的特征后，會(huì)進(jìn)一步提升。

目前，宕機(jī)感知是宕機(jī)分析的基礎(chǔ)，通過(guò)服務(wù)器宕機(jī)實(shí)時(shí)檢測(cè)，會(huì)把相應(yīng)的宕機(jī)原因分布整理出來(lái)，明確具體的原因，達(dá)成服務(wù)器極致可靠性。

審核編輯：湯梓紅