深度決議｜基于 eBPF 的 Kubernetes 一站式可觀測性系統

作者：李煌東、炎尋

摘要

阿里云目前推出了面向 Kubernetes 的一站式可觀測性系統，旨在解決 Kubernetes 環境下架構復雜度高、多語言&多協議并存帶來的運維難度高的問題，資料采集器采用當下火出天際的 eBPF 技術，產品上支持無侵入地采集應用黃金指標，構建成全域拓撲，極大地降低了公有云用戶運維 Kubernetes 的難度，

前言

背景與問題

當前，云原生技術主要是以容器技術為基礎圍繞著 Kubernetes 的標準化技術生態，通過標準可擴展的調度、網路、存盤、容器運行時介面來提供基礎設施，同時通過標準可擴展的宣告式資源和控制器來提供運維能力，兩層標準化推進了細化的社會分工，各領域進一步提升規模化和專業化，全面達到成本、效率、穩定性的優化，在這樣的背景下，大量公司都使用云原生技術來開發運維應用，正因為云原生技術帶來了更多可能性，當前業務應用出現了微服務眾多、多語言開發、多通信協議的特征，同時云原生技術本身將復雜度下移，給可觀測性帶來了更多挑戰：

1、混沌的微服務架構

業務架構因為分工問題，容易出現服務數量多，服務關系復雜的現象（如圖 1），

圖 1 混沌的微服務架構（圖片來源見文末）

這樣會引發一系列問題：

無法回答當前的運行架構；
無法確定特定服務的下游依賴服務是否正常；
無法確定特定服務的上游依賴服務流量是否正常；
無法回答應用的 DNS 請求決議是否正常；
無法回答應用之間的連通性是否正確；
...

2、多語言應用

業務架構里面，不同的應用使用不同的語言撰寫（如圖 2），傳統可觀測方法需要對不同語言使用不同的方法進行可觀測，

圖 2 多語言（圖片來源見文末）

這樣也會引發一系列問題：

• 不同語言需要不同埋點方法，甚至有的語言沒有現成的埋點方法；
• 埋點對應用性能影響無法簡單評估；

3、多通信協議

業務架構里面，不同的服務之間的通信協議也不同（如圖 3），傳統可觀測方法通常是在應用層特定通信介面進行埋點，

圖 3 多通信協議

這樣也會引發一系列問題：

• 不同通信協議因為不同的客戶端需要不同埋點方法，甚至有的通信協議沒有現成的埋點方法；
• 埋點對應用性能影響無法簡單評估；

4、Kubernetes 引入的端到端復雜度

復雜度是永恒的，我們只能找到方法來管理它，無法消除它，云原生技術的引入雖然減少了業務應用的復雜度，但是在整個軟體堆疊中，他只是將復雜度下移到容器虛擬化層，并沒有消除（如圖 4），

圖 4 端到端軟體堆疊

這樣也會引發一系列問題：

• Deployment 的期望副本數和實際運行副本數不一致；
• Service 沒有后端，無法處理流量；
• Pod 無法創建或者調度；
• Pod 無法達到 Ready 狀態；
• Node 處于 Unknown 狀態；
• ...

解決思路與技術方案

為了解決上面的問題，我們需要使用一種支持多語言，多通信協議的技術，并且在產品層面盡可能得覆寫軟體堆疊端到端的可觀測性需求，通過調研我們提出一種立足于容器界面和底層作業系統，向上關聯應用性能觀測的可觀測性解決思路（如圖 5），

資料采集

圖 5 端到端可觀測性解決思路

我們以容器為核心，采集關聯的 Kubernetes 可觀測資料，與此同時，向下采集容器相關行程的系統和網路可觀測資料，向上采集容器相關應用的性能資料，通過關聯關系將其串聯起來，完成端到端可觀測資料的覆寫，

資料傳輸鏈路

我們的資料型別包含了指標，日志和鏈路，采用了 open telemetry collector 方案（如圖 6）支持統一的資料傳輸，

圖 6 OpenTelemetry Collector（圖片來源見文末）

資料存盤

背靠 ARMS 已有的基礎設施，指標通過 ARMS Prometheus 進行存盤，日志/鏈路通過 XTRACE 進行存盤，

產品核心功能介紹

核心場景上支持架構感知、錯慢請求分析、資源消耗分析、DNS 決議性能分析、外部性能分析、服務連通性分析和網路流量分析，支持這些場景的基礎是產品在設計上遵循了從整體到個體的原則：先從全域視圖入手，發現例外的服務個體，如某個 Service，定位到這個 Service 后查看這個 Service 的黃金指標、關聯資訊、Trace等進行進一步關聯分析，

圖 7 核心業務場景

永不過時的黃金指標

什么是黃金指標？用來可觀測性系統性能和狀態的最小集合：latency、traffic、errors、saturation，以下引自 SRE 圣經 Site Reliability Engineering 一書：

The four golden signals of monitoring are latency, traffic, errors, and saturation. If you can only measure four metrics of your user-facing system, focus on these four.

為什么黃金指標非常重要？一，直接了然地表達了系統是否正常對外服務，二，面向客戶的，能進一步評估對用戶的影響或事態的嚴重性，這樣能大量節省SRE或研發的時間，想象下如果我們取 CPU 使用率作為黃金指標，那么 SRE 或研發將會奔于疲命，因為 CPU 使用率高可能并不會造成多大的影響，尤其在運行平穩的 Kubernetes 環境中，所以 Kubernetes 可觀測性支持這些黃金指標：

• 請求數/QPS
• 回應時間及分位數（P50、P90、P95、P99）
• 錯誤數
• 慢呼叫數

圖8 黃金指標

主要支持以下場景：

1、性能分析
2、慢呼叫分析

全域視角的應用拓補

不謀全域者，不足謀一域 ，--諸葛亮

隨著當下技術架構、部署架構的復雜度越來越高，發生問題后定位問題變得越來越棘手，進而導致 MTTR 越來越高，另一個影響是對影響面的分析帶來非常大的挑戰，通常顧得了這頭顧不了那頭，因此，有一張像地圖一樣的大圖非常必要，全域拓撲具有以下特點：

• 系統架構感知：系統架構圖通常稱為程式員了解一個新系統的重要參考，當我們拿到一個系統，起碼我們得知道流量的入口在哪里，有哪些核心模塊，依賴了哪些內部外部組件等，在例外定位程序中，有一張全域架構的圖對例外定位行程有非常大的推動作用，一個簡單電商應用的拓撲示例，整個架構一覽無遺：

圖 9 架構感知

• 依賴分析：有一些問題是出現在下游依賴，如果這個依賴不是自己團隊維護就會比較麻煩，當自己系統和下游系統沒有足夠的可觀測性的時候就更麻煩了，這種情況下就很難跟依賴的維護者講清楚問題，在我們的拓撲中，通過將黃金指標的上下游用呼叫關系連起來，形成了一張呼叫圖，邊作為依賴的可視化，能查看對應呼叫的黃金信號，有了黃金信號就能快速地分析下游依賴是否存在問題，下圖為底層服務呼叫微服務發生慢呼叫導致應用整體 RT 高的定位示例，從入口網關，到內部服務，到 MySQL 服務，最終定位到發生慢 SQL 的陳述句：

圖 10 依賴分析

• 高可用分析：拓撲圖能方便地看出系統之間的互動，從而看出哪些系統是主要核心鏈路或者是被重度依賴的，比如 CoreDNS，幾乎所有的組件都會通過 CoreDNS 進行 DNS 決議，所以我們進一步看到可能存在的瓶頸，通過檢查 CoreDNS 的黃金指標預判應用是否健康、是否容量不足等，

圖 11 高可用分析

• 無侵入：跟螞蟻的 linkd 和集團的 eagleeye 不同的是，我們的方案是完全無侵入的，有時候我們之所以缺少某個方面的可觀測性，并不是說做不到，而是因為應用需要改代碼，作為 SRE 為了更好的可觀測性固然出發點很好，但是要讓全集團的應用 owner 陪你一起改代碼，顯然是不合適的，這時候就顯示出無侵入的威力了：應用不需要改代碼，也不需要重啟，所以在接入成本上是非常低的，

協議 Trace 方便根因定位

協議 Trace 區別于分布式追蹤，只跟蹤一次呼叫，協議 Trace 同樣是無入侵、語言無關的，如果請求內容中存在分布式鏈路 TraceID，能自動識別出來，方便進一步下鉆到鏈路追蹤，應用層協議的請求、回應資訊有助于對請求內容、回傳碼進行分析，從而知道具體哪個介面有問題，

圖 12 協議詳情

開箱即用的告警功能

任何一個可觀測性系統不支持告警是不合適的，

1、默認模板下發，閾值經過業界最佳實踐，

圖 13 告警

2、支持用戶多種配置方式

靜態閾值，用戶只需要配置閾值即可，不需要手動寫 PromQL
基于靈敏度調節的動態閾值，適合不好確定閾值的場景
兼容 PromQL，需要一定的學習成本，適合高級用戶

豐富的背景關系關聯

datadog 的 CEO 在一次采訪中直言 datadog 的產品策略不是支持越多功能越好，而是思考怎樣在不同團隊和成員之間架起橋梁，盡可能把資訊放在同一個頁面中（to bridge the gap between the teams and get everything on the same page），產品設計上我們將關鍵的背景關系資訊關聯起來，方便不同背景的工程師理解，從而加速問題的排查，

目前我們關聯的背景關系有告警資訊、黃金指標、日志、Kubernetes 元資訊等，同時不斷新增有價值的資訊，比如告警資訊，告警資訊自動關聯到對應的服務或應用節點上，清晰地看到哪些應用有例外，點擊應用或告警能自動展開應用的詳情、告警詳情、應用的黃金指標，所有的動作都在一個頁面中進行：

圖 14 背景關系關聯

其他

一、網路性能可觀測性：

網路性能導致回應時間變長是經常遇到的問題，由于 TCP 底層機制屏蔽了一部分的復雜性，應用層對此是無感的，這對丟包率高、重傳率高這種場景帶來一些麻煩，Kubernetes 支持了重傳&丟包、TCP 連接資訊來表征網路狀況，下圖展示了重傳高導致 RT 高的例子：

圖 15 網路性能可觀測性

eBPF 超能力揭秘

圖 16 資料處理流程

eBPF 相當于在內核中構建了一個執行引擎，通過內核呼叫將這段程式 attach 到某個內核事件上，做到監聽內核事件；有了事件我們就能進一步做協議推導，篩選出感興趣的協議，對事件進一步處理后放到 ringbuffer 或者 eBPF 自帶的資料結構 Map 中，供用戶態行程讀取；用戶態行程讀取這些資料后，進一步關聯 Kubernetes 元資料后推送到存盤端，這是整體處理程序，

eBPF 的超能力體現在能訂閱各種內核事件，如檔案讀寫、網路流量等，運行在 Kubernetes 中的容器或者 Pod 里的一切行為都是通過內核系統呼叫來實作的，內核知道機器上所有行程中發生的所有事情，所以內核幾乎是可觀測性的最佳觀測點，這也是我們為什么選擇 eBPF 的原因，另一個在內核上做監測的好處是應用不需要變更，也不需要重新編譯內核，做到了真正意義上的無侵入，當集群里有幾十上百個應用的時候，無侵入的解決方案會幫上大忙，

eBPF作為新技術，人們對其有些擔憂是正常的，這里分別作簡單的回答：

1、eBPF 安全性如何？eBPF 代碼有諸多限制，如最大堆疊空間當前為 512、最大指令數為 100 萬，這些限制的目的就是充分保證內核運行時的安全性，

2、eBPF探針的性能如何？大約在 1% 左右，eBPF 的高性能主要體現在內核中處理資料，減少資料在內核態和用戶態之間的拷貝，簡單說就是資料在內核里算好了再給用戶行程，比如一個 Gauge 值，以往的做法是將原始資料拷貝到用戶行程再計算，

總結

產品價值

阿里云 Kubernetes 可觀測性是一套針對 Kubernetes 集群開發的一站式可觀測性產品，基于 Kubernetes 集群下的指標、應用鏈路、日志和事件，阿里云 Kubernetes 可觀測性旨在為 IT 開發運維人員提供整體的可觀測性方案，

阿里云 Kubernetes 可觀測性具備以下特性：

• 代碼無侵入：通過旁路技術，不需要對代碼進行埋點即可獲取到豐富的網路性能資料，

• 語言無關：在內核層面進行網路協議決議，支持任意語言，任意框架，

• 高性能：基于 eBPF 技術，能以極低的消耗獲取豐富的網路性能資料，

• 強關聯：通過網路拓撲，資源拓撲，資源關系從多個維度描述物體關聯，與此同時也支持各類資料（可觀測指標、鏈路、日志和事件）之間的關聯，

• 資料端到端覆寫：涵蓋端到端軟體堆疊的觀測資料，

• 場景倍訓：控制臺的場景設計，關聯起架構感知拓撲、應用可觀測性、Prometheus 可觀測性、云撥測、健康巡檢、事件中心、日志服務和云服務，包含應用理解，例外發現，例外定位的完整倍訓，

點擊此處，前往阿里云可觀測專題頁查看更多詳情！

圖片來源：

圖 1：
https://www.infoq.com/presentations/netflix-chaos-microservices/

圖 2：
https://www.lackuna.com/2013/01/02/4-programming-languages-to-ace-your-job-interviews/

圖 6：
https://opentelemetry.io/docs/collector/

歡迎大家掃碼或搜索釘釘群號（31588365）加入答疑交流群進行交流，

發布云原生技術最新資訊、匯集云原生技術最全內容，定期舉辦云原生活動、直播，阿里產品及用戶最佳實踐發布，與你并肩探索云原生技術點滴，分享你需要的云原生內容，

關注【阿里巴巴云原生】公眾號，獲取更多云原生實時資訊！

標籤：其他

上一篇：從中心走向邊緣——深度決議云原生邊緣計算落地痛點

下一篇：TensorRT 筆記 - 在 Conda 虛擬環境中安裝