7 月 9 日，七牛云产品发布会 ――「以“PISA”之名，敞开智能运维新年代」在上海雅居乐万豪酒店举行，根据七牛云 Pandora 机器数据剖析途径敞开才能开发的产品 ―― PISA（Pandora Intelligent Service Analysis）盛大发布。在会上，七牛云首席产品官陈超带来了《以“PISA”之名，敞开智能运维新年代》的主题讲演。以下为讲演实录。

　　感谢咱们来参与本次 PISA 产品发布会 。我今日的共享，会从“需求与痛点”、“PISA 计划介绍”和“PISA 场景解读”三方面翻开，来协助咱们知道 PISA，了解PISA。

　　首要咱们来看“需求和痛点”。当事务呈现问题的时分，咱们往往找不到形成问题的根本原因，导致定位毛病的时刻特别长。信任咱们对这样的状况都深有体会，但不知道咱们有没有深究过其间隐含的深层次问题――由于组织联系、事务和 IT 往往是分隔的，因而 IT 数据和事务数据一般也不在一同，然后 IT 数据和事务数据也是分隔剖析。这样的状况下，由于没有树立端到端的大局视角，所以深度学习、机器学习就没有起到最大的效果。

　　面临这样的状况， PISA 要做的工作便是衔接事务和 IT，赋予全体很高的可观测性(Observability)。我以为在未来，无论是哪个工业，IT 体系相关的可观测性必定都是重要议题。事务呈现问题时分，它往往会十分难以排查。正如下图所示，事务层、运用服务层、资源层，任何一层呈现问题，都会形成整个事务的溃散。

　　为什么会呈现这样的问题呢？为什么曾经这个对立没有那么杰出呢？这与咱们现在工业的开展有关。从工业开展来看，当今的事务迭代速度和改动都大幅进步。数据中心从自建 IDC 到上云，运用架构由一体化架构到 SOA 架构，再到微服务架构，它们无不为了习惯上层事务改动，为了进步更好的稳定性，而变得越来越杂乱。举个直观的比方，曾经一体化单体架构年代，即便出了问题事务溃散，可是能够很快找到原因。而现在架构杂乱的微服务体系下，尽管能够很快地进行事务迭代，可是呈现问题的时分，查问题时刻会加长。种种原因叠加使得事务、IT 对立越来越会集。

　　最近几年，这样的状况在与工业客户协作的进程中许多呈现。互联网之外的工业客户，他们的架构不像互联网客户那么新，可是现在改动和改善都很快。许多工业客户从一体化架构，越过 SOA 直接进入到微服务架构。所以 PISA 处理的不仅是互联网问题，更多要把目光看向工业。

　　IT 体系傍边每个环节发生问题，都会导致毛病的发生。七牛云自己便是很好的比方，咱们存储着海量数据603138），在线体系每天处理数百亿 API 和各种云图片和视频恳求，假如这个体系出了问题，就会发生雪崩。100 亿处理不了，很或许 90 亿、80 亿、70 亿也就接着崩了。

　　上图描绘了现在的现状，在许多公司里，每一层都有独立的规划，并且很有或许是不同的团队。也就导致了咱们方才说到分裂的问题。

　　在这样的局势下，传统毛病排查是什么样的呢？ 就如上图所示，CIO 拿话筒说赶忙把问题处理，由于毛病现已在线上发生，不处理，事务呈现问题最要命。客户和大老板、股东不论下面 IT 怎么样，他要看到事务不出问题，这儿一切部分都会以为与我无关，形成了「扯皮」的局势。真实排查问题时会十分低效。监控涣散导致毛病定位、修正时刻特别长，它会直接导致事务的丢失。而跟着修正时刻延伸，事务影响呈指数级上升。并跟着开展，对事务影响的斜率会愈加峻峭。

　　在介绍 PISA 之前，我想简略介绍一下 Pandora 。Pandora 是一个途径，你能够把 Pandora 想成 iOS，PISA 是七牛云官方出的一个 APP。往后许多协作伙伴都能够做更多更好的 APP 放在 Pandora 上一同来推，这是在 PISA 发布之外，咱们期望传递给咱们的最重要的信息。

　　总的来说，Pandora 作为专心机器数据剖析的途径，咱们具有业界抢先的数据收集办法；有业界或许最便利、最好数据剖析办法；还有用 APP 办法进行的常识沉积。

　　Pandora 是专门用于机器数据剖析的途径。那什么是机器数据？比方说手机、服务器、轿车、各种 IoT 设备，它们会 24 小时继续发生的数据，在进体系前，这一类数据往往很难把一切的schema都定好。咱们支撑收集时、索引时、查找时三种解析办法，用 schema on read 的办法，带来了极端简洁的数据接入体会。

　　之所以咱们能够将数据原封不动地拿进来，得益于其内置的强壮SPL引擎的支撑。咱们的 SPL 可直接剖析原始数据，十分便利地进行动态解析。SPL 写出来今后，它一同支撑剖析成果、检索成果、告警和可视化，不需要再用其他东西便能够一次性悉数搞定。它将原始数据直接处理，并且为实践数据专门做过优化。

　　而 PISA 作为 Pandora 运用商场里的 APP，没有用到任何内部接口。咱们做出了极低代码的敞开途径，也就意味着各个协作伙伴彻底有才能造一个自己的 PISA，乃至是更好的 PISA。欢迎有爱好的朋友与咱们联络，咱们能够去做更多更好的交流。

　　我觉得任何一个计划，假如把它想得很杂乱，那么在落地时会遇到许多阻止。所以在 PISA 的规划之初，咱们参阅了业界许多既有的做法，最终仍是决议要从衔接 IT 到事务数据的视角来看。下面这张图根本能够呈现出我 PISA 的思路，十分的简略、直接。

　　在图中咱们能够看到“服务剖析器”，它会支撑你把事务全景图、全貌图呈现在这儿，并支撑你剖析任何一个服务。

　　比方上图的两个 KPI，它没有直接依靠联系，可是经过咱们的机器学习、深度学习的一些剖析，咱们发现有成果相关性。深度学习没有办法解说原因。比方说 CPU 运用百分比影响买卖时刻，图上没有直接的连线，可是经过剖析器能够很快找到它们之间的相关性。起先咱们会供给事务全貌图和服务剖析器，以便咱们经过全景图检查自己的服务。之后咱们笼统出三个概念：服务、KPI 和实体。

　　这三个概念之间是相互相关的。服务间能够有依靠，像是事务服务能够依靠于 IT 服务。而 IT 服务背后会也有自己 KPI，例如数据库衔接数是否正常、每秒 IO 数量、CPU 运用百分比、内存和网络的状况等等。并且每个 KPI 后边都是相关着详细的实体。咱们经过对服务、KPI、实体的笼统，能够很好地把咱们整个事务模型建出来，当你发现问题时分，一致的告警中心、多 KPI 剖析器、服务概况等面板，能够极好地辅佐你第一时刻发现问题。

　　这样就很好地处理了咱们之前说到的「扯皮」问题。咱们都说自己没问题时分，很或许是问题在各自监控阈值里边确实没有抵达告警境地，但调集在一同就形成了毛病。经过多 KPI 剖析器，只要把各个部分 KPI 对齐一下就知道了。

　　总结一下，PISA 从事务全面洞悉，以服务剖析为起点，将服务、KPI 和实体三层笼统化进行建模，以事情实时剖析作为辅佐，供给问题的直接处理计划。

　　现在七牛云服务的客户中，移动互联网在公有云上占绝大多数。而这类客户的用户拜访带有极强的周期性。所以由于这样的周期动摇，以往的静态阈值经常在正常状况下告警然后带来费事。根据这样的原因，咱们正在启用动态阈值的办法，经过主动学习形式去习惯周期性与趋势性，凭借机器学习的才能，让事务动摇不会带来误报。

　　关于咱们重视的快速根因定位问题，咱们经过服务、KPI、实体到事情概况逻辑，层层下拽快速定位毛病。经过不同色彩的暗示，列举出相关原因。不仅如此，还能够将相相关 KPI 放在面板中进行剖析。找到对事务发生最直接且丧命影响的部分。

　　以上，我想“Why PISA？”的问题能够用四个要害词来给出答案。衔接――衔接 IT 与事务数据，进步全体可观测性。精确――经过动态阈值精准发现毛病。高效――快速根因定位，有用缩短 MTTR。预知――预知服务分数，提早发现毛病。

　　银行客户事务场景十分杂乱，决策层上有产品服务层、前置层、途径门户层等等。从网上银行服务到二代付出服务，下探到 ESB 总线，再到中心体系服务，咱们为每一个服务都做了 KPI，来评价买卖额、买卖量、买卖耗时、买卖失败率、买卖呼应等。那么在 KPI 设置好今后，当咱们客户发现问题应该怎样处理呢？

　　在以往，客户用电话反应网上银行登录遇到的问题，客服接到电话后树立工单给 IT 进行检查，然后去找原因。不只是这个客服电话不容易打通，并且最要害的是问题现已呈现了，客户体会极差。而现在的处理办法，咱们能够看下图。

　　IT 收到猜测，未来 30 分钟或许会有服务降级预警，所以他发现网上银行服务处于黄色的低位状况。再往下他发现基层中心体系现已处于高危状况。许多状况下，数据流的流转不是咱们想的那么顺利，并且这些数据不同部分去做、相同部分不同架构组去做、不同架构组各种选型去做，会带来各种费事。经过 PISA 能够进行一致，IT 点击中心体系观察 KPI 时分，发现 CPU 运用率现已到了十分严峻状况，再次点击实体概况，就能够看到是哪些实体出问题，进一步能够检查日志。整个流程不会东一榔头西一棒子地重复翻开界面，而是一步步顺利地进行下去。更重要的是，这一切发生在客户的毛病反应电话前，防备于未然是最好的。

　　咱们还能够用 KPI 反常检测来发现问题，经过反常的波形来找到毛病，PISA 供给了许多手法，让用户从服务、KPI、实体视点更快地找到反常。

　　总的来说，许多人喜爱说 PISA 打破了数据孤岛，其实我有不同的解读。我以为咱们不是打破孤岛，而是衔接孤岛。经过 Pandora 的途径才能，加上丰厚的运维经历，以及咱们的数据科学算法、各种 AI 才能一同完成 PISA 计划，为咱们处理问题。

　　今日不仅是 PISA 的全新露脸，我以为也是抛砖引玉的进程，期望接下来能够和更多协作伙伴一同，打造十个、一百个，乃至更多如 PISA 相同的计划，来赋能各行各业。在这样的进程中，也欢迎咱们与咱们取得联络，一同做更深入探讨。谢谢咱们！