背景
Cloud Native
一支技术能力成熟的团队,业务全栈上云,可观测栈完备——这样的团队最需要回答的不是“能不能做”,而是“哪些该自己做、哪些该交给云”。武汉精臣面对的正是这道选择题:在自建 SRE 平台已成体系的前提下,可观测数据底座和运维数字孪生,是继续自己造,还是接入一套更完整的现成能力?
NIIMBOT 精臣致力于以创新让物的管理更简单。自 2012 年创立以来,精臣在智能标签标识打印硬件、打印云服务平台及企业效能管理系统领域不断革新技术产品与解决方案,重塑标签标识打印的智能化和便捷性。精臣的产品应用已覆盖商业零售、通信、办公、工业、医疗实验、家居生活等领域,累计服务全球 2200 万+用户。
业务挑战
Cloud Native
伴随业务快速发展与全球化战略推进,系统规模与复杂度呈指数级增长,运维复杂度被拉升到新量级。精臣的业务系统部署在阿里云上,可观测能力也已经用齐了阿里云的产品矩阵——RUM 采集前端用户体验数据、Prometheus 托管容器与云资源指标、ARMS 做应用性能追踪、SLS 承接日志,并通过自建 Grafana 对接云上数据源做统一展示。但即便工具栈已经相当完备,三个结构性难题依然存在。
▍(一)全局拓扑看不清,应用内调用和应用外依赖各是一张图
业务系统跑在云上,但“这个应用调了哪些接口、依赖了哪些云资源”这张全局拓扑始终不够清晰。应用内部的接口调用关系在 ARMS 里能看到一部分,应用对外依赖的 RDS、Redis、消息队列等云资源又散落在各自的监控里,两者拼不成一张完整的动态图。业务规模一涨,纯人工梳理拓扑越来越低效——今天理清的依赖关系,下周一次发布就变了。
▍(二)多维观测数据齐全,但串不起来
Metric、Log、Trace、Event 各类观测数据都采到了,问题在于“采得全”不等于“串得起”。一次故障排查往往要在指标曲线、调用链、日志、变更事件之间反复横跳、手动对时间戳,缺少一条把多维数据自动关联起来的主线。数据在,线索却要靠人拼。
▍(三)告警噪音大,跨域根因定位动辄数十分钟
业务故障发生时,整条链路上的组件——从前端到后端、中间件、数据库、容器——都在同时发告警,真正的问题源头被淹没。定位根因高度依赖人工经验,需要工程师凭直觉判断“从哪一层切入排查”,一次跨域故障的定位与分析时间动辄数十分钟。
在这些挑战之上还叠加了一层精臣特有的判断:作为一支有能力自建 SRE 平台的团队,团队深知多维观测数据的自动关联、拓扑的动态实时感知,是一件投入巨大、且需要持续维护的重活——这块轮子,到底值不值得自己造?
解决方案:多维数据底座+UModel 数字孪生
+OpenAPI 嵌入自建 SRE 平台
Cloud Native
在与阿里云进行技术交流后,精臣发现阿里云可观测体系已经把“多维观测数据自动关联”和“全链路拓扑动态感知”这两块能力做得相当完整——关联维度全、拓扑能动态更新,正是自己想做的部分。于是精臣做出决策:不再重复造轮子,把可观测数据底座和运维数字孪生交给阿里云,自建 SRE 平台通过 OpenAPI 调用 STAROps 的诊断能力,专注做贴合自身业务的编排与闭环。整套方案分四层落地。
▍(一)多维观测数据统一底座:把已有的四套采集能力汇入一个数据面
精臣已经在用的 RUM、Prometheus、ARMS、SLS 不推倒重来,而是基于阿里云云监控 2.0(CMS 2.0)把指标、日志、链路、事件、变更等多维度数据统一采集、统一存储、统一查看、…