近日，奇点云黑客马拉松“StartDT Hackathon”正式收官。

这期黑客松以“可观测性”为核心选题，旨在通过加强数据云平台 DataSimba 的可观测性，提升企业用户“自交付、自运维”的易用性和友好度，降低运维门槛，提升发现、定位并解决问题的效率。

企业级数据平台为什么要“可观测”？

企业级数据平台（数据云平台/云数仓/数据中台等同类数据基础设施）往往非常复杂，所涉及到的作业、任务、资源众多。一旦出现问题，运维工程师就需要扑入硬件、服务、业务的汪洋大海。有经验的“蝙蝠侠”能在数小时内定位问题，而对平台及其业务作业不够熟悉的用户，排查故障则犹如大海捞针。

实事求是，无论多么成熟稳定的平台，都可能会出问题。平台用得越多、越深，出现问题的次数就可能越多。然而，一家企业也很难同时拥有好几位专业“蝙蝠侠”，要求他们处理繁杂而基础的日常运维工作。

这就是“可观测性”要解决的问题。

Gartner 在“2023 年十大战略技术趋势”中这样解释应用可观测性（Applied Observability）：在任何相关方采取任何类型的行动时，都会产生包含了数字化特征的可观测数据，如日志、痕迹、API 调用、停留时间、下载和文件传输等。应用可观测性以一种高度统筹和整合的方式，将这些可观测的特征数据进行反馈，创造出一个决策循环，从而提高组织决策的有效性。

简而言之，对于企业级平台来说，真正具备“可观测性”意味着：

• 通过关键指标，用户可以精准、快速、全面地了解平台的硬件、进程、业务等整体状态，获得可能发生异常的预警提示，防患于未然。

• 出现故障后，能第一时间帮助用户快速定位故障所在，并针对性指导解决。

• 运维巡检周期化，能快速响应紧急的动态变化，而不依赖人工报告。

“客户对 DataSimba（奇点云数据云平台）的使用越来越深，越来越‘狠’，通过 DataSimba 完成大量的数据工作。为配合高强度的使用，有越来越多的客户倾向于自交付、自运维。也就是说，相比往常遇到问题通过奇点云工程师来解决，他们更希望能自主识别问题并排查。”

奇点云 CTO、资深技术专家地雷介绍，“因此在 DataSimba 中，我们针对不同类型的用户做了 2 个模块的设计——运维工程师通过 PE 平台，可以了解系统的稳定性，关注服务、组件是否正常，系统资源是否够用；数据开发则可以通过系统里的运维频道来确认任务是否正常运行。”

围绕平台“可观测性”提升，“磐石”组、“年夜饭”组各自交出了答卷。

指标全覆盖，诊断无死角

磐石组将其项目命名为“天眼”：运维工程师不能 7*24 小时“开天眼”排查问题，但系统或许可以。

磐石组以 DataKun（奇点云数据存算引擎）为切入点，设计了基础监控数据指标体系，建设了完善的集控看板与诊断工具——覆盖了硬件、服务、业务三大层面，常见问题基本完全覆盖，监控全面无死角。

举个例子，通过“硬件集控看板”，CPU、内存、网络、磁盘状态一目了然；又如，想了解作业运行状态，就看“作业运行看板”。看板上呈现了作业运行的成功/失败等状态，以及这些状态下作业的数量、增长趋势、资源消耗等。从而对现状作出判断，譬如，等待作业如果过多，可能是算力不足导致的。

（硬件集控看板）

同时，磐石组引入了 TezUI，针对性解决 Tez 作业监控难的问题。

磐石组表示：“Hive on Tez 是常用的任务类型，但其执行机制复杂。当任务报错或发现运行过于缓慢想定位问题时，却会遇到日志排查效率低、组件指标数据收集困难等障碍。TezUI 基于作业 metrics（指标），不仅能精准高效地分析作业问题，可视化的运维工具也降低了定位问题的门槛。”

“以往企业定位问题常见的做法是：人肉看日志，手动做图表，找到异常点，再返回排查这个时间点前后发生了什么。而目前我们的基础指标基本覆盖了所有部件的状态，如果遇到问题，就能通过看板针对性发现问题。”组长曦光介绍，“排查一个问题，不需要看两个地方，也不再需要人肉收集数据分析。”

关注作业时延，监控再升级

与磐石组着眼于故障发生后的问题定位、排查不同，年夜饭组选择聚焦“事中监控”，希望通过对事中状态的归纳总结，帮助提前定位可能有问题的作业，“防患于未然”。

“我们发现，有越来越多的客户通过 DataSimba 跑小时调度任务，这类任务对作业运行时长这一指标更为敏感。”组长破破介绍，“我们针对性选择了任务时延等相关指标，以加强对作业粒度的监控和告警。”

“作业不一定跑失败了，只是跑得慢，跑得接近临界值。这种情况通常不被注意，但它在下一个周期或许就会超时。因此我们希望早发现、早定位、早‘治疗’。”年夜饭组提出了 2 组指标，帮助抓出“有问题”的作业：

• 24 小时内作业实例运行时长延误 TOP：以作业为单位，根据实际运行时长减去平均时长，计算出任务时延，再对月调度、天调度、小时调度的延误 TOP 进行排行榜降序排序。

• 本日调度耗时最长作业实例：统计每小时内耗时最长的作业实例，绘成折线图，辅助用户判断每小时内实例是否执行正常。

（作业时长看板）

此外，年夜饭组新增了“任务完成情况告警”与“全项目监控”功能，前者定时将作业实例执行情况推送至用户侧，用户无需登录平台，就可得知本日任务是否成功；后者则旨在监控 Workspace（工作空间）下所有项目状态，便于用户了解全貌。

“监控系统对主系统的扰动性要足够小。通常来说，监控框架会采集底层日志，再聚合数据、形成图表，这些环节都会有资源消耗。为不影响主系统，监控系统的资源消耗应在可控范围内。”资深技术专家、评委牧然补充道。“对于年夜饭组，其作业运行监控的核心指标主要来自元数据，而无需另外采集，就不会对主系统本身造成压力。”

把“蝙蝠侠”装进产品里

正如前文谈到的，一家企业通常无法拥有足够的资深运维“蝙蝠侠”——他们不仅需要解决复杂的偶发性难题，还需要日以继夜处理繁琐的基础问题。同时，因人手有限，也往往很难第一时间响应所有数据开发遇到的困难，帮助他们排查作业失败的原因所在。

磐石组与年夜饭组所做的，就是“把资深蝙蝠侠装进产品里”，总结常见故障及其诊断指标，把蝙蝠侠 know-how 产品化。企业的数据开发和运维工程师能便捷地查看自己关注的指标，自助排查、找到病因。进一步，平台还能基于异常指标，给用户以智能化的策略与建议。

而同样都是优化监控精度、提升“可观测性”与运维易用性，磐石组与年夜饭组又有哪些不同？

评委地雷表示，这 2 个小组的方式在实践中互为补充，缺一不可：

年夜饭组基于元数据的监控与预警如同“体检”。先总结出常见问题，提炼出能反映这些问题的关键指标，通过关键指标发现异常；磐石组深入底层采集数据进行全面分析，帮助找到根因并着手解决。

二者结合来打比方，相当于年夜饭组负责在“烧糊涂”前发现“体温过高”，磐石组则负责做“血常规”等检查，找到病因并治疗。

 从关注功能到关注稳定性、可用性及架构健壮性，以 DataSimba 为代表产品的数据云，已真正向“企业级”数据基础设施的技术深水区迈进。

“在这个阶段，每一次迭代升级都并不来自线性逻辑的推演，而需要有全流程上下游的意识，并通过超乎你过往想象的极端压测。”地雷表示，“我们不能预设每一位企业用户都是资深的大数据研发/运维专家，而应该让奇点云的产品更皮实、更友好、更聪明、更易用，成为用户的支持者。”

本次黑客马拉松呈现的只是冰山一角，未来，奇点云也将站在技术与商业的交叉点，支撑客户放心、便捷地把数据用起来。