應(yīng)用性能的管理觀

申請免費試用、咨詢電話：400-8352-114

端到端應(yīng)用性能管理（End-to-end Application Performance Management，簡稱APM）指的是 一種 IT 服務(wù)方法，包括識別、區(qū)分優(yōu)先次序以及解決影響業(yè)務(wù)應(yīng)用的性能和可用性問題。APM 正在變得越來越重要，因為終端用戶依賴日益復(fù)雜的應(yīng)用來實現(xiàn)關(guān)鍵業(yè)務(wù)交易。應(yīng)用性能低下將降低生產(chǎn)力，影響客戶滿意度，并有損 IT 聲譽，進而導(dǎo)致成本攀升、收入減少、IT 變得效率低下——這些問題通常比可用性問題更加嚴(yán)重。

傳統(tǒng)的監(jiān)測解決方案通常無法識別和解決應(yīng)用性能問題的根源。事實上，最近在終端用戶體驗監(jiān)測、依賴性映射和相關(guān)性方面的最新進展，已讓 IT 運行經(jīng)理能夠更有效地監(jiān)測和解決不滿足服務(wù)水平的問題。這些技術(shù)幫助提高對整個網(wǎng)絡(luò)、服務(wù)器（分布式和大型主機）和其它應(yīng)用層的可視性，借助技術(shù)分析因果關(guān)系，從業(yè)務(wù)的角度確定哪些響應(yīng)該優(yōu)先進行。實際上，即使基礎(chǔ)架構(gòu)測量指標(biāo)仍然提供主要的故障和容量數(shù)據(jù)，強調(diào)重點也已從基礎(chǔ)架構(gòu)測量指標(biāo)變成了業(yè)務(wù)測量指標(biāo)。

我們將撰寫一系列應(yīng)用性能管理最佳實施的文章，從問題和事件管理的視角剖析 APM。問題和事件管理是 APM 的兩個核心 ITIL（信息技術(shù)基礎(chǔ)架構(gòu)庫，簡稱 ITIL）流程。事件管理（Incident Management）是當(dāng)IT 出現(xiàn)問題的時候解決它們，作為對服務(wù)質(zhì)量降低的一種響應(yīng)。事件管理的目標(biāo)是恢復(fù)服務(wù)，對業(yè)務(wù)造成盡可能小的影響。問題管理（Problem Management）強調(diào)識別和消除問題的根源。它通過改變服務(wù)和 APM 解決方案，增加了服務(wù)質(zhì)量改進的概念。

本文將首先概括地講述 APM 設(shè)計、實施和運營的基本要素，將端到端 APM作為一個流程來進行探討。

一、APM 設(shè)計

APM 解決方案通常是作為草根、基礎(chǔ)架構(gòu)監(jiān)測實踐開始的，由IT 機構(gòu)的某個獨立業(yè)務(wù)部門實施，缺乏一致的目標(biāo)。例如，網(wǎng)絡(luò)團隊可能要部署一個開源網(wǎng)絡(luò)工具，以獲得基礎(chǔ)網(wǎng)絡(luò)的可視性，而web 服務(wù)器團隊則可能會從一個主流的服務(wù)器廠商那里部署一個服務(wù)器監(jiān)測工具。然而，自上而下地設(shè)計一個 APM 方案要切合實際得多。使用這種方法，您先設(shè)想結(jié)果，然后將它應(yīng)用于您選擇的解決方案組件。

您如何著手開始呢？在 ITIL 的世界里，最終支持服務(wù)級別協(xié)議（service level agreement，簡稱 SLA）的運行級別目標(biāo)（operational level target，簡稱OLT）是一個好的起點；這些將已經(jīng)解決了預(yù)期的業(yè)務(wù)產(chǎn)出和成本限制，并且應(yīng)該實現(xiàn)一個高水平的設(shè)計。不與 ITIL 相關(guān)？您仍然能夠采用適合您需求的部分最佳實施。從與業(yè)務(wù)部門討論、理解業(yè)務(wù)目標(biāo)開始，確定 APM 預(yù)算，使用對應(yīng)用交付基礎(chǔ)架構(gòu)的理解和它的性能敏感性，并草擬一個方案。您很可能想把這個作為一個練習(xí)，測試什么可能會出錯，盡可能廣泛地擴展范圍；成本和其它的實際考慮將很快專注于這一設(shè)計。您當(dāng)然不會是第一個采取這種方法的人，您可充分利用與供應(yīng)商的關(guān)系、用戶群和咨詢合作伙伴，來理解類似嘗試可能會有的成功和失敗。

公司高層提供的資源支持和參與對于任何 APM 項目的成功都是至關(guān)重要的，因為這將要求來自多個 IT 部門的積極支持。更重要的是，這些部門對于項目的業(yè)務(wù)價值要有一致的理解，因為他們每個都可能會面對新的企業(yè)可視性（他們在高管儀表板上的測試指標(biāo)），對某些東西失去控制（應(yīng)對問題的新流程），或者放棄一個最受歡迎的工具。開始一個小型的 APM 項目，選擇一個戰(zhàn)略性的應(yīng)用，為業(yè)務(wù)所有者和 IT 機構(gòu)闡明價值，大多數(shù)機構(gòu)將會從中受益。這樣一個項目的成功，將能夠被一個更全面、收益更明顯的解決方案利用。

然而，我們大多數(shù)人并不是從臨時拼湊開始設(shè)計 APM 解決方案；我們已經(jīng)擁有許多一直服務(wù)于我們的目的的基礎(chǔ)架構(gòu)工具。那么，是什么將一系列“結(jié)合平臺的”（platform-aligned）工具轉(zhuǎn)變成APM 解決方案的呢？盡管對于這個問題可能會有許多技術(shù)回答，但是，這里有兩個最重要的主題：

·業(yè)務(wù)一致性（business alignment）。全新的主要設(shè)計目標(biāo)仍然應(yīng)該從注重業(yè)務(wù)產(chǎn)出開始。對業(yè)務(wù)來說，重要的將是終端用戶的體驗——這個可通過性能和可用性進行測量。

·相關(guān)性和故障隔離（correlation and fault isolation）。對根源的可視性，是將基礎(chǔ)架構(gòu)提升至 APM、真正理解基礎(chǔ)架構(gòu)測量指標(biāo)如何影響業(yè)務(wù)生產(chǎn)力的關(guān)鍵。

很容易明白諸如終端用戶體驗（end-user experience，簡稱 EUE）和基礎(chǔ)架構(gòu)測量指標(biāo)等業(yè)務(wù)相關(guān)的測量指標(biāo)的相關(guān)性為何如此重要。將終端用戶體驗到的性能問題與基礎(chǔ)架構(gòu)測量指標(biāo)結(jié)合起來，隔離主要的根源，這能讓 IT 小組快速準(zhǔn)確地專注于問題的起源，同時避免對不相關(guān)的組件采取行動。通過適當(dāng)?shù)拈撝嫡{(diào)整，這為持續(xù)業(yè)務(wù)改進奠定了基礎(chǔ)。同樣地，通過 EUE 的相關(guān)性，以及受影響的用戶數(shù)量和所在位置、每天交易的次數(shù)和業(yè)務(wù)價值，可以找到問題對業(yè)務(wù)的影響。

通過一系列基礎(chǔ)架構(gòu)工具構(gòu)建 APM 解決方案，會帶來集成和相關(guān)性方面的挑戰(zhàn)；您需要對主要的單一供應(yīng)商（single-vendor）解決方案進行評估權(quán)衡，因為供應(yīng)商和定制化的多供應(yīng)商（multi-vendor）解決方案構(gòu)建和交付了集成。對于更小一些的部署，定制化的解決方案可能會更省錢，但是對于較大的實施，可擴展性和維護方面的考慮將會迅速改變價格。

在設(shè)計流程里，保持對終端用戶交易響應(yīng)時間的專注很重要。這有兩個原因。第一，性能分析和問題解決是為更好的了解以業(yè)務(wù)為導(dǎo)向的環(huán)境并提出重要意見。盡管在傳統(tǒng)上，基礎(chǔ)架構(gòu)測量指標(biāo)是滿足事件和問題管理的數(shù)據(jù)，但是，這些基礎(chǔ)測量指標(biāo)和它們的閾值驅(qū)動警報在沒有業(yè)務(wù)相關(guān)性的情況下能夠變得幾乎毫無意義。例如，對于一個 2 M 廣域網(wǎng)連接來說，75% 的利用率究竟是好還是壞呢？一個被報告的交易性能問題是由 SAN 里長度為 8 的測量磁盤陣列引起的嗎？當(dāng)應(yīng)用的性能降級時，這些組件級的測量還將總會被突出？其次，從對業(yè)務(wù)影響的角度來說，IT 能夠優(yōu)先對事件作出響應(yīng)是有價值的，它代表了向業(yè)務(wù)一致性邁出的重要一步。

同樣重要的是，與技術(shù)和 IT 資源的成本相關(guān)的設(shè)計限制。許多 APM 項目不成功，是因為缺少關(guān)注和支持，因為無法維持這一解決方案、無法適應(yīng)基礎(chǔ)架構(gòu)的變化并無法定義基于真實世界反饋的流程。

二、APM 實施——將解決方案轉(zhuǎn)變?yōu)檫\行

基線對于任何 APM 實施來說可能是最重要的技術(shù)成功因素之一?；€確定了服務(wù)的正常運行，為設(shè)定警報起點提供了參考，并提供了有價值的趨勢和容量規(guī)劃信息，因為它們是真實的數(shù)據(jù)。

通常，APM 解決方案會動態(tài)地為一些被觀察到的測量指標(biāo)構(gòu)建基線；經(jīng)過數(shù)天或數(shù)星期，這些基線趨于一個正常的定義。對于其它的測量指標(biāo)，您很可能想要基于一段時間內(nèi)的觀察手動設(shè)定基線。將這些基線作為參考點，然后您就能夠確定性能閾值；當(dāng)測量違反了特定的行為準(zhǔn)則時，警報就會產(chǎn)生。至少在最初的時候，這些閾值很可能以一個超出基線的比例被設(shè)定。例如，當(dāng)頁面性能從基線降低 25% 的時候，就會引發(fā)一個警報。這些引發(fā)也很可能基于一個模板或一套規(guī)則被設(shè)定，能夠包括更復(fù)雜的邏輯；再例如，當(dāng)磁盤寫隊列在 60 秒內(nèi)超出 2 至少 5 次的時候。

重要的、需要考慮的是哪些指標(biāo)被監(jiān)測，使用什么閾值；大多數(shù)的 APM 工具提供多種多樣的測量選項，深入的顯示出能夠被分散甚至誤導(dǎo)的水平值。缺省值或特定平臺的模板可能通過 APM 解決方案廠商、軟件/硬件廠商、系統(tǒng)集成商或用戶社區(qū)獲得。然而，無論是什么資源，確定這些閾值是否適用于您的特定環(huán)境都是非常必要的。盡管這一決定部分地能夠在實施期間作出，但是大多數(shù)閾值的改進都是在運行期間實現(xiàn)的。

最后，我們應(yīng)該關(guān)注最終由 EUE 測量驅(qū)動的相關(guān)性能力。對于有效的相關(guān)性來說，最重要的是理解依賴性或交易在系統(tǒng)里經(jīng)過的路徑。它也建議要注意測量時間。當(dāng)然，不是所有的指標(biāo)都能夠被連續(xù)評估，因此有些是在一段時間內(nèi)進行取樣。這是一種檢測普遍性問題的有效方法。然而，間歇的問題本質(zhì)上可能會是短暫的，以至于它們在取樣期間被隱藏起來。盡管這些通常只會帶來更小的業(yè)務(wù)影響（因為它們以更小的頻率影響更少的用戶），但是它們本質(zhì)上更難解決。交易“跟隨”（following）——通常通過貼標(biāo)簽——可能對特定的環(huán)境是合適的，然而，暫時縮短的取樣間隔時間為解決間歇問題提供一種更通用的方法。

一個實現(xiàn)強大 APM 配置的明智方法是，在前生產(chǎn)測試實驗室實施關(guān)鍵 APM 監(jiān)測組件，這樣您就能夠觀察到一系列系統(tǒng)負(fù)載上的正常行為，這對于設(shè)置基線是非常有用的。通常，您將會找到性能的瓶頸。知道哪些測量指標(biāo)表明了該瓶頸的根源和它發(fā)生的閾值，這是一個理解依賴性并積極配置生產(chǎn)監(jiān)測閾值的理想辦法，而且其帶來的影響也很小。

三、APM 運行——持續(xù)的服務(wù)改進

成功的運行需要在穩(wěn)定性和持續(xù)的服務(wù)改進（CSI）之間保持平衡。對許多企業(yè)來說，僅僅只有在故障發(fā)生并嚴(yán)重威脅到業(yè)務(wù)的時候，CSI 才會成為一個項目。一旦該問題得到解決，這一概念又會立即被拋到腦后，直到下一個重大故障發(fā)生的時候才會被再次記起。一個更周全的 CSI 方法將在事件和問題管理方面帶來明顯的改善，幫助 IT 機構(gòu)更好地解決和預(yù)防問題的發(fā)生。

正如之前提及的，APM 成功的關(guān)鍵——既確保業(yè)務(wù)一致性，又能解決問題——在于相關(guān)性。一個強大的 CSI 流程強調(diào)去改進被監(jiān)測到的并找到更合適的閾值。

考慮一個 APM 的實施，終端用戶體驗和基礎(chǔ)架構(gòu)指標(biāo)要能被監(jiān)測。當(dāng)事件發(fā)生的時候——無論這個事件是由 EUE 警報引起的，還是因為一個實際的終端用戶——IT 人員都要將這一事件和它的根源關(guān)聯(lián)起來。確認(rèn)并修正敏感性或瓶頸——至少暫時要做到這點。如果瓶頸指標(biāo)數(shù)據(jù)沒有被監(jiān)測到，那么，無論如何也要開始對 APM進行明顯改進來監(jiān)測它。如果瓶頸指標(biāo)數(shù)據(jù)被監(jiān)測到了，那也要著手改進去調(diào)整警報閾值，因此下一次警報能夠在用戶抱怨之前就識別到問題。警報可能是被動的——超過某一閾值的用戶正在經(jīng)歷性能問題——也可能是主動的——超出閾值給出了一個盡早的警告：如果用戶繼續(xù)這么做的話，他將會出現(xiàn)性能問題。

最終，持續(xù)的服務(wù)改進應(yīng)該不止是通過改善 APM 解決方案的質(zhì)量來改進業(yè)務(wù)服務(wù)的水平。它可能意味著，通過撥出額外的資源或者對資源的使用給予優(yōu)先考慮來控制資源，以致瓶頸將不再發(fā)生。分配符合業(yè)務(wù)策略的網(wǎng)絡(luò)質(zhì)量，增加一個 SAN，或卸載一個專門服務(wù)器上的流程，這些都是例子。

四、作為流程的 APM

與事件和問題管理類似，APM 本身能夠被作為一種流程來考慮，因此也適合持續(xù)改進。在 六西格瑪 DMAIC （定義、測量、分析、改進和控制）模式下，既可考慮用于實施 APM 解決方案，又能夠考慮作為一種解決問題的一致方法。

定義（Define）：首先而且最重要的是，您必須界定問題。對于 APM 解決方案的設(shè)計來說，這一定義始于業(yè)務(wù)需求，而且是經(jīng)常能夠被擴展。然而，對于響應(yīng)問題來說，這一步則反其道而行之，將問題的定義嚴(yán)格限定于它最簡單的核心因素。

測量（Measure）：這一步專注于收集相關(guān)的診斷信息，忽略不相關(guān)的或分散的數(shù)據(jù)。與 EUE 測量的相關(guān)性，對于實現(xiàn)確定的故障域隔離和最終根源分析的主要目標(biāo)來說至關(guān)重要。可重現(xiàn)的問題允許更好的相關(guān)性。

分析（Analyze）：該流程的核心步驟包括解釋數(shù)據(jù)。通常，APM 解決問題流程的目標(biāo)是對一個問題進行“選療”（triage）——識別故障域并對該結(jié)論提供支持性證據(jù)。這一步實現(xiàn)了持續(xù)的服務(wù)改進；相關(guān)的故障能夠被用于改進閾值設(shè)置，并作為修正系統(tǒng)設(shè)計的輸入數(shù)據(jù)。

改進（Improve）：領(lǐng)域?qū)＜摇c更大的團隊合作——確定改進選項來解決事件或問題。這一流程應(yīng)該分開。當(dāng)然，主要的業(yè)務(wù)目標(biāo)是解決問題以重新恢復(fù)服務(wù)，但是從持續(xù)服務(wù)改進的角度來看，改進 APM 解決方案也很重要。APM 工程師應(yīng)該評估正確的指標(biāo)是不是正在被監(jiān)測到，這些指標(biāo)是不是相關(guān)、能夠提供正確的故障域信息。

控制（Control）：最后一步是最容易被忽視掉的；可是沒有它，您將會發(fā)現(xiàn)，有時候?qū)τ谕粋€問題，您一直在重復(fù)著前面的4個步驟。從業(yè)務(wù)角度來說，這是系統(tǒng)結(jié)構(gòu)發(fā)生變化的地方——增加資源或?qū)椖窟壿嬜鞒龈淖円员苊鈱ο拗频拿舾?，這些限制導(dǎo)致了問題的產(chǎn)生——應(yīng)該被考慮到。從 APM 的角度來說，考慮調(diào)整警報閾值和規(guī)則，從而提供一個對將來問題的提前警報，這樣就能在業(yè)務(wù)受到影響之前采取相應(yīng)的行動。

五、總結(jié)

隨著當(dāng)今的業(yè)務(wù)應(yīng)用日益變得分布和獨立，Gartner 已經(jīng)為 APM 確定了 4個“維度”。我們已經(jīng)在不同程度上討論了這些維度，在此總結(jié)如下：

·體驗（experience）：捕捉應(yīng)用或服務(wù)的終端用戶體驗

·依賴性（dependency）：發(fā)現(xiàn)并模式化應(yīng)用的拓?fù)浣Y(jié)果

·深潛（deep dive）：捕捉與依賴的組件相關(guān)的豐富統(tǒng)計數(shù)據(jù)

·剖析（profiling）：跟蹤整個基礎(chǔ)架構(gòu)內(nèi)的交易流

成功的 APM 解決方案將在應(yīng)用環(huán)境中能夠有效地解決這些維度的問題。在隨后的最佳實施文章中，我們將探討什么辦法能夠確保您交付的應(yīng)用服務(wù)可被有效管理。每個主題——數(shù)據(jù)中心、網(wǎng)絡(luò)、J2EE 和 .NET——將作為一個單獨的方法、綜合的 APM 解決方案的一部分被一一談及，并專注于特別的終端用戶體驗。