实时数仓混沌演练实践
一、背景介绍
目前实时数仓提供的投放实时指标优先级别越来越重要，不再是单独的报表展示等功能，特别是提供给下游规则引擎的相关数据，直接对投放运营的广告投放产生直接影响，数据延迟或者异常均可能产生直接或者间接的资产损失。
从投放管理平台的链路全景图来看，实时数仓是不可或缺的一环,可以快速处理海量数据，并迅速分析出有效信息，同时支持投放管理平台的手动控盘。实时节点事故，将可能导致整个投放链路无法正常运行，另外，投放规则引擎是自动化操作，服务需要 24 小时运行，所以需要配置及时有效的数据质量监控预警，能快速识别到波动异常或者不符合业务的数据，从而计划引入混沌工程，希望可以通过主动注入故障的方式、尽可能提前感知风险、发现潜在问题，并针对性地进行防范、加固，避免故障发生时所带来的严重后果，提高实时数仓整体抗风险能力。
二、演练范围
为了能更细致反应出混沌演练情况，根据演练的内容不同，将实时数仓混沌分为两部分：技术侧和业务侧。
技术侧混沌：基于中间件、数据库、JVM、基础资源、网络、服务等注入常见的异常，根据实际业务中梳理的应用核心场景进行混沌演练，检验系统的脆弱性和应急响应能力，从而提升团队的稳定性保障处理能力。
业务侧混沌：对于电商活动密集型的公司来说，各种到达率、曝光率，以及更加宏观的 GMV、用户拉新数、用户召唤数等，都能表现出业务的健康程度，在实际生活中，为了描述一种稳定状态，我们需要一组指标构成一种模型，而不是单一指标。无论是否采用混沌工程，识别出这类指标的健康状态都是至关重要的，所以要围绕它们建立一整套完善的数据采集、监控、预警机制，当业务指标发生波动较大时，我们能搞快速感知、定位、修复止血。
过往数仓混沌工程均是技术侧，此次在投放链路已搭建完成主备链路的前提下，期望通可以通过多轮业务侧混沌，提高系统整体的数据异动感知能力。
三、演练计划
工欲善其事，必先利其器，在执行混沌演练前，需要准备好前置工作，制定合理的演练 SOP、方案、计划，对演练环境、脚本、数据、工具，场景及爆炸半径等进行可能性评估，在确认可行性 ok 的情况下，约好关联方时间，再进行实践操作。
本篇主要和大家分享基于业务侧的实时数仓混沌演练过程：
1.编写演练 SOP
SOP 是一种标准的作业程序，就是将某一事件的操作步骤和要求，进行细化、量化及优化，形成一种标准的操作过程，关于业务侧混沌，尤其是实时数仓数据相关的演练，我们也是第一次做，目前在业界也没有找到相关的演练指导参考，处于探索阶段，为了方便项目进度的顺利进行及后续演练操作更加规范、高效，在演练前期大家经过沟通、讨论后，项目前期梳理的 SOP 演练模板，如下：
2.演练方案调研
先收集实时数仓投放链路核心指标范围，在此基础上，拉取一段时间内的历史数据进行分析，找到每个指标对应的健康波动阀值，从而在配置相应的 DQC 规则监控，对于波动不在健康阀值的异常指标，在分钟级别（预期 15min）内及时告警，并快速排查响应。为此，在演练前期，我们经历过一系列的方案调研、探索，如下：
「下文提供的方案，指标数据都是以设备激活数为例进行分析」
方案一: 按照天维度，收集最近一段时间，同一天每个整点设备激活数，占当天大盘占比，统计出最小值、最大值，作为该指标的健康波动阀值;
方案二: 按照天维度，收集一段时间内，同一天相邻整点指标波动数据找规律，比如每天上午 9 点到 10 点的波动数据，然后分别通过一系列的数学分布方法进行数据统计，从而希望找一个相对稳定的波动区间；
方案三: 按照天维度，收集一段时间内，相邻天整点指标波动数据找规律，比如昨天上午 9 点到前天上午 9 点的波动数据，然后分别通过一系列的数学分布方法进行数据统计，从而希望找一个相对稳定的波动区间；
方案四:在前面三种方案的基础上，指标在工作日和周末的波动可能不一样，所以我们在日维度统计的基础上，我们也调研了周维度同比波动分布情况，比如每周一上午 9 点到上午 10 点的波动数据，然后分别通过一系列的数学分布方法进行数据统计，从而希望找一个相对稳定的波动区间；
方案五:同理，我们也调研了周维度环比波动分布情况，比如本周一上午 9 点到上周一上午 9 点的波动数据，然后分别通过一系列的数学分布方法进行数据统计，从而希望找一个相对稳定的波动区间；
方案六：基于主备链路，在 source 源相同的情况下，经过实时数仓计算出的指标，在同一段时间两条链路 sink 出来的结果数据，正常应该是保持一致，或者波动较小，比如 10 分钟延迟的主备链路，波动不超过 10%，平均差异做到一致性做到 90%以上。
方案 1 到 5，都尝试过一遍，每个方案场景数据通过最大值、最小值、平均值、各百分位分布、方差、标准差等统计出来的数据分析，很难找到一个相当稳定的波动规律，也无法框定指标具体的阀值区间，实际演练过程，如果设置的波动告警阀值过大，真实生产上业务数据波动异常时，无法及时告警发现；设置过小，将导致告警频繁，对其准确性、有效性可能存在质疑，而且，实时投放的核心指标有几十个，每个指标对应的健康阀值都不一样，要收集、分析成本非常高，从演练的效果上看，也不是很明显。
整体评估下来，演练主要采用的是方案六：涉及到的实时投放核心指标数共收集 29 个，一段时间内（15min），主备链路指标波动差异不超过 10%。
3.演练方式
红蓝对抗演练，将团队分为红（防）蓝（攻）两组。
测试人员组成蓝军：负责制定混沌演练方案，执行目标系统故障注入，详细记录演练过程；
实时数仓开发为红军：负责发现故障、应急响应、排除故障，同时验证系统在不同故障场景下的容错能力、监控能力、人员响应能力、恢复能力等可靠性能力。
四、演练流程
整体演练过程，大致分为三个阶段：准备阶段、攻防阶段及复盘阶段。
1.准备阶段
方案准备完评审通过后，确认好链路计划；
蓝军按计划根据事先制定的攻击方案，提前准备好相应的测试数据、脚本；
红军按计划根据事先制定的攻击方案，在演练前，提前确保环境可用，并进行监控防御、应急响应措施。
2.攻防阶段
蓝队根据事先制定的攻击方案，模拟真实的攻击行为，按照约定的时间在演练链路（备用链路）进行攻击，进行故障注入，同时记录好相应的操作步骤，方便后续报告梳理；
红队在蓝军攻击后，通过飞书/邮件告警等通知方式实时关注监控系统运行情况，如有异常告警，需第一时间进行问题排查定位，在评估修复方案；
在攻防对抗的过程中，蓝军可根据红军的防御措施进行调整和改进攻击策略，尽力突破系统的防御并达到既定目标，同时红军也可分析蓝军的攻击手法和行为模型，不断改进防御措施来加强防御。
3.复盘和改进阶段
在混沌演练结束后，进行总结和评估，分析红队和蓝队的表现，评估系统的安全性和抗攻击能力；
总结经验教训，总结成功的防御措施和失败的攻击手法，以便于改进系统的安全策略；
根据评估结果和总结经验，制定改进计划，修补系统中的漏洞和薄弱点，提升系统的抗风险能力。
五、攻防实战
本次演练共计有 29 个指标波动 case，整体演练操作大同小异。
以其中 case17 “召回商品收藏 uv 在某个渠道下整点波动异常”为例，具体的演练操作流程如下。
1.数据准备
通过后台数据库，拉出生产主(备)链路，某个渠道（如`media_id` = '2'）下某个整点（如`hour` = 10）下，召回商品收藏 uv 对应的整体统计值 N。
拉出备用链路，某个渠道（如`media_id` = '2'）下某个整点（如`hour` = 10）下，具体的一条明细数据，记录商品收藏 uv 对应的值为 n,把 n 改为 n+0.1N,后续注入进备用链路，从而使得主备波动差异在 10%。
整理后得到需要注入的数据数据，见标黄部分。
2.故障注入 odps
将需要注入的数据导入 odps。
导入前，需要在 datawork 空间中新建测试表 du_qa_dw_dev.hundun_case，用于导入演练数据
往 du_qa_dw_dev.hundun_case 表里灌数。
验证数据导入是否成功。
3.odps 同步到 kafka
执行 flink 同步脚本，将 odsp du_qa_dw_dev.hundun_case 表表数据同步到对应的 kafka topic 中。
flink 任务脚本：
4.kafka 平台查询数据
执行完 flink 同步任务后，可通过后台查询，对应的数据是否同步成功。
5.异常注入通知
在异常注入完成后，可以通过飞书群通知，告知红军，如收到告警，需第一时间群告知。
蓝军：蓝军已完成数据准备，请红军在演练前确保环境 OK 且已完成规则配置，另外务必将演练时间计划及时同步通知到下游关联方；
蓝军：已完成注入。
6.告警触发通知
红军在演练前，可通过监控平台提前配置好防御规则。
在异常注入后，如符合预期，在 15min 内发现指标波动异常，红军需及时同步到演练群中。
中危**双链路主备一致监控
服务名：**** 环境：****** 告警时间：****** 触发条件：**双链路比对波动异常，持续 10 分钟 告警详情：指标:prd_collect_uv 主对比备下降:[-10%] 主:1066 备:956
业务域：实时数仓
应用负责人：***
如不符合预期，未在 15min 内发现指标波动异常，红军需及时定位、跟进问题，并在修复后，沟通后续演练验证修复结果。
红军：15min 内未收到告警，定位中
红军：原因已找到，由于***造成，导致告警数据没有及时发出，正在修复处理
红军：已修复，请红军重新发起攻击
7.演练过程记录
收集、汇总记录演练过程中的每个操作，含时间点、执行人、操作等，如下：
六、演练总结
七、未来展望
实时数仓业务侧的混沌演练，从 0 到 1，在经过一系列的探索实践后，通过主备链路比对方式，演练期间对于异常波动的指标，可以快速识别感知，从演练结果上，取得了不错的成效，但也存在一定的局限性，如：
演练期间，通过人工注入的异常数据，如无法快速清除，可能影响到备用链路使用。
对于没有备链路的实时指标波动，需要制定更精细化的可行方案，找寻指标健康波动范围。
这些都需要团队进一步去探索、解决，同时在演练的过程中，我们将不断积累、丰富演练 case、完善演练库，后续计划通过引入工具（平台）、建立演练协助机制、定期定时演练等手段，使混沌演练更加自动化、规范化、常态化，提高实时数仓整体数据稳定。
*文 / 袁宵
本文属得物技术原创，更多精彩文章请看：得物技术官网
未经得物技术许可严禁转载，否则依法追究法律责任！
版权声明: 本文为 InfoQ 作者【得物技术】的原创文章。
原文链接:【http://xie.infoq.cn/article/d8c8385144d324e40c91f0652】。文章转载请联系作者。
得物APP技术部 2019-11-13 加入
关注微信公众号「得物技术」
评论