Nurse:LinkedIn的运维自动化修复系统

npde 9年前

 

目前,LinkedIn已经成为全球最大的职业社交网站,其会员人数超过3.6亿。随着网站的迅速发展,其维护成本也不断增加,公司员工从几百人增加到数千人。为了维护网站能够正常运转和发展,LinkedIn设置了一个专门的运维工程师团队,来充分了解网站的每个组件,并确保能够迅速解决网站的问题。然而,近些年网站遇到问题的数量增加了十几倍,使得人工解决问题越来越难。于是,LinkedIn近期开发了自动修复系统—— Nurse

接下来,本文就LinkedIn的自动修复系统进行介绍。

LinkedIn的网站可靠性工程师 Brian Cory Sherwin表示 ,LinkedIn之前都是采用人工手段来探测和解决网站运行中出现的问题。站点的稳定全都依靠工程师的双眼进行发现,然后利用双手进行手动。然而,从 2010年到2015年,网站遇到问题的数量增加了18倍,而工程师数量却只增加了个位数。为了网站的稳定发展,LinkedIn高层面临了一个重要选择 ——是相应的增加工程师数量还是设计一个自动的系统来完成大部分工作。当然,根据诸多网站发展的经验,LinkedIn选择了后者。

作为开发自动修复系统的第一步,开发工程师们需要确定如何利用计算机算法来发现并解决问题。之前,LinkedIn已经建立一个单独的监控系统。该系统包括了几十万个传感器,能够迅速发现网站异常,并向工程师们发出警告。然而,对于一个自动修复系统,只是发现问题肯定是远远不够的。该系统需要能够自行解决一些比较简单和常见的问题。只有对于无法自动解决的复杂问题,系统进行分类和简单分析后,将其提交给工程师解决。

那么,在发现一个问题之后,系统如何进行分析和解决呢?例如,对于一个具体的问题,基于现象的警告只能说明表相——服务器无法登陆或者应用掉线等。然而,其背后的原因可能多种多样,包括进程失效、服务器崩溃等等。在人工处理情况下,运维工程师会进一步详细分析这些现象,发掘出具体的原因,并相应的执行不同的修复步骤。自动修复系统采用了类似的处理方法。LinkedIn团队把监控系统所发现的问题送到具体的请求工作流中。这些工作流再根据工程师之前内置的算法和动作来修复网站。以应用程序掉线为例,监控系统发现一台机器处于异常状态,无法服务数据流。之后,数据流会收集事件发生的原因、根据内置算法重启相关进程并把整个数据流的结果放置到卡片中。通过这些自动化的流程,工程师就可以避免把大量精力用在简单问题的处理上,从而把更多精力放置到复杂、深入问题方面的分析和研究中,保证网站长期健康发展。

此外,LinkedIn已经把Nurse与其他系统进行了完美集成。在多个系统中间,Nurse扮演着中间人的角色。监控系统会把修复工作流的请求发送到该Nurse,进行问题修复。目前,LinkedIn已经把代码部署系统、售票系统、远程执行系统等与Nurse集成在一起。而且,公司允许站点运维工程师和运维工程师把解决常见问题的方法放置到系统中,供系统自动学习。

在实际测试中,LinkedIn已经证实了Nurse系统的用途。 Sherwin表示 ,针对突然断电导致的大量服务器掉线的情况,Nurse在数分钟即完成了服务器状态的恢复,执行速度大大优于人工解决的情况。而且,Nurse目前每周会执行150个小时的修复工作流,大大节约了工程师的时间和精力。

未来,LinkedIn会继续对Nurse进行改进。其考虑增加和完善的功能包括减少监控系统的资源消耗、减少从异常状态恢复的时间以及允许运维工程师更多的关注基于现象的警告等。而且,该系统为同类型公司和其他网站提供了一定的借鉴。相信未来会有更多的公司推出自动修复系统。