共计 9950 个字符，预计需要花费 25 分钟才能阅读完成。
背景
众所周知，日志是记录应用程序运行状态的一种重要工具，在业务服务中，日志更是十分重要。通常情况下，日志主要是记录关键执行点、程序执行错误时的现场信息等。系统出现故障时，运维人员一般先查看错误日志，定位故障原因。当业务流量小、逻辑复杂度低时，应用出现故障时错误日志一般较少，运维人员一般能够根据错误日志迅速定位到问题。但是，随着业务逻辑的迭代，系统接入的依赖服务不断增多，引入的组件不断增多，当系统出现故障时（如 Bug 被触发、依赖服务超时等等），错误日志的量级会急剧增加。极端情况下甚至出现“疯狂报错”的现象，这时候错误日志的内容会存在相互掩埋、相互影响的问题，运维人员面对报错一时难以理清逻辑，有时甚至顾此失彼，没能第一时间解决最核心的问题。
错误日志是系统报警的一种，实际生产中，运维人员能够收到的报警信息多种多样。如果在报警流出现的时候，通过处理程序，将报警进行聚类，整理出一段时间内的报警摘要，那么运维人员就可以在摘要信息的帮助下，先对当前的故障有一个大致的轮廓，再结合技术知识与业务知识定位故障的根本原因。
围绕上面描述的问题，以及对于报警聚类处理的分析假设，本文主要做了以下事情：
选定聚类算法，简单描述了算法的基本原理，并给出了针对报警日志聚类的一种具体的实现方案。
在分布式业务服务的系统下构造了三种不同实验场景，验证了算法的效果，并且对算法的不足进行分析阐述。
目标
对一段时间内的报警进行聚类处理，将具有相同根因的报警归纳为能够涵盖报警内容的泛化报警（Generalized Alarms），最终形成仅有几条泛化报警的报警摘要。如下图 1 所示意。
我们希望这些泛化报警既要具有很强的概括性，同时尽可能地保留细节。这样运维人员在收到报警时，便能快速定位到故障的大致方向，从而提高故障排查的效率。
设计
如图 2 所示，异常报警根因分析的设计大致分为四个部分：收集报警信息、提取报警信息的关键特征、聚类处理、展示报警摘要。
算法选择
聚类算法采用论文“Clustering Intrusion Detection Alarms to Support Root Cause Analysis [KLAUS JULISCH, 2002]”中描述的根因分析算法。该算法基于一个假设：将报警日志集群经过泛化，得到的泛化报警能够表示报警集群的主要特征。以下面的例子来说明，有如下的几条报警日志：
server_room_a-biz_tag-online02 Thrift get deal ProductType deal error.
server_room_b-biz_tag-offline01 Pigeon query deal info error.
server_room_a-biz_tag-offline01 Http query deal info error.
server_room_a-biz_tag-online01 Thrift query deal info error.
server_room_b-biz_tag-offline02 Thrift get deal ProductType deal error.
我们可以将这几条报警抽象为：“全部服务器 网络调用 故障”，该泛化报警包含的范围较广；也可以抽象为：“server_room_a 服务器 网络调用 产品信息获取失败”和“server_room_b 服务器 RPC 获取产品类型信息失败”，此时包含的范围较小。当然也可以用其他层次的抽象来表达这个报警集群。
我们可以观察到，抽象层次越高，细节越少，但是它能包含的范围就越大；反之，抽象层次越低，则可能无用信息越多，包含的范围就越小。
这种抽象的层次关系可以用一些有向无环图（DAG）来表达，如图 3 所示：
为了确定报警聚类泛化的程度，我们需要先了解一些定义：
属性（Attribute）：构成报警日志的某一类信息，如机器、环境、时间等，文中用 Ai 表示。
值域（Domain）：属性 Ai 的域（即取值范围），文中用 Dom(Ai)表示。
泛化层次结构（Generalization Hierarchy）：对于每个 Ai 都有一个对应的泛化层次结构，文中用 Gi 表示。
不相似度（Dissimilarity）：定义为 d(a1, a2)。它接受两个报警 a1、a2 作为输入，并返回一个数值量，表示这两个报警不相似的程度。与相似度相反，当 d(a1, a2)较小时，表示报警 a1 和报警 a2 相似。为了计算不相似度，需要用户定义泛化层次结构。
为了计算 d(a1, a2)，我们先定义两个属性的不相似度。令 x1、x2 为某个属性 Ai 的两个不同的值，那么 x1、x2 的不相似度为：在泛化层次结构 Gi 中，通过一个公共点父节点 p 连接 x1、x2 的最短路径长度。即 d(x1, x2) := min{d(x1, p) + d(x2, p) | p ∈ Gi, x1 ⊴ p, x2 ⊴ p}。例如在图 3 的泛化层次结构中，d(“Thrift”, “Pigeon”) = d(“RPC”, “Thrift”) + d(“RPC”, “Pigeon”) = 1 + 1 = 2。
对于两个报警 a1、a2，其计算方式为：
例如：a1 = (“server_room_b-biz_tag-offline02”, “Thrift”), a2 = (“server_room_a-biz_tag-online01”, “Pigeon”), 则 d(a1, a2) = d(“server_room_b-biz_tag-offline02”, “server_room_a-biz_tag-online01”) + d((“Thrift”, “Pigeon”) = d(“server_room_b-biz_tag-offline02”, “ 服务器 ”) + d(“server_room_a-biz_tag-online01”, “ 服务器 ”) + d(“RPC”, “Thrift”) + d(“RPC”, “Pigeon”) = 2 + 2 + 1 + 1 = 6。
我们用 C 表示报警集合，g 是 C 的一个泛化表示，即满足∀ a ∈ C, a ⊴ g。以报警集合 {“dx-trip-package-api02 Thrift get deal list error.”, “dx-trip-package-api01 Thrift get deal list error.”} 为例，“dx 服务器 thrift 调用 获取产品信息失败”是一个泛化表示，“服务器 网络调用 获取产品信息失败”也是一个泛化表示。对于某个报警聚类来说，我们希望获得既能够涵盖它的集合又有最具象化的表达的泛化表示。为了解决这个问题，定义以下两个指标：
H(C)值最小时对应的 g，就是我们要找的最适合的泛化表示，我们称 g 为 C 的“覆盖”(Cover)。
基于以上的概念，将报警日志聚类问题定义为：定义 L 为一个日志集合，min_size 为一个预设的常量，Gi(i = 1, 2, 3……n) 为属性 Ai 的泛化层次结构，目标是找到一个 L 的子集 C，满足 |C| >= min_size，且 H(C)值最小。min_size 是用来控制抽象程度的，极端情况下如果 min_size 与 L 集合的大小一样，那么我们只能使用终极抽象了，而如果 min_size = 1，则每个报警日志是它自己的抽象。找到一个聚类之后，我们可以去除这些元素，然后在 L 剩下的集合里找其他的聚类。
不幸的是，这是个 NP 完全问题，因此论文提出了一种启发式算法，该算法满足 |C| >= min_size，使 H(C)值尽量小。
算法描述
算法假设所有的泛化层次结构 Gi 都是树，这样每个报警集群都有一个唯一的、最顶层的泛化结果。
将 L 定义为一个原始的报警日志集合，算法选择一个属性 Ai，将 L 中所有报警的 Ai 值替换为 Gi 中 Ai 的父值，通过这一操作不断对报警进行泛化。
持续步骤 2 的操作，直到找到一个覆盖报警数量大于 min_size 的泛化报警为止。
输出步骤 3 中找到的报警。
算法伪代码如下所示：
输入：报警日志集合 L，min_size，每个属性的泛化层次结构 G1,……,Gn
输出：所有符合条件的泛化报警
T := L; // 将报警日志集合保存至表 T
for all alarms a in T do
a[count] := 1; // “count” 属性用于记录 a 当前覆盖的报警数量
while ∀a ∈ T : a[count] < min_size do {
使用启发算法选择一个属性 Ai;
for all alarms a in T do
a[Ai] := parent of a[Ai] in Gi;
while identical alarms a, a’ exist do
Set a[count] := a[count] + a'[count];
delete a’ from T;
}
其中第 7 行的启发算法为:
首先计算 Ai 对应的 Fi
fi(v) := SELECT sum(count) FROM T WHERE Ai = v // 统计在 Ai 属性上值为 v 的报警的数量
Fi := max{fi(v) | v ∈ Dom(Ai)}
选择 Fi 值最小的属性 Ai
这里的逻辑是：如果有一个报警 a 满足 a[count]>= min_size，那么对于所有属性 Ai , 均能满足 Fi >= fi(a[Ai]) >= min_size。反过来说，如果有一个属性 Ai 的 Fi 值小于 min_size，那么 a[count]就不可能大于 min_size。所以选择 Fi 值最小的属性 Ai 进行泛化，有助于尽快达到聚类的条件。
此外，关于 min_size 的选择，如果选择了一个过大的 min_size，那么会迫使算法合并具有不同根源的报警。另一方面，如果过小，那么聚类可能会提前结束，具有相同根源的报警可能会出现在不同的聚类中。
因此，设置一个初始值，可以记作 ms0。定义一个较小的值 ℇ(0 < ℇ < 1)，当 min_size 取值为 ms0、ms0 (1 – ℇ)、ms0 (1 + ℇ)时的聚类结果相同时，我们就说此时聚类是ℇ- 鲁棒的。如果不相同，则使 ms1 = ms0 * (1 – ℇ)，重复这个测试，直到找到一个鲁棒的最小值。
需要注意的是，ℇ- 鲁棒性与特定的报警日志相关。因此，给定的最小值，可能相对于一个报警日志来说是鲁棒的，而对于另一个报警日志来说是不鲁棒的。
实现
1. 提取报警特征
根据线上问题排查的经验，运维人员通常关注的指标包括时间、机器（机房、环境）、异常来源、报警日志文本提示、故障所在位置（代码行数、接口、类）、Case 相关的特殊 ID（订单号、产品编号、用户 ID 等等）等。
但是，我们的实际应用场景都是线上准实时场景，时间间隔比较短，因此我们不需要关注时间。同时，Case 相关的特殊 ID 不符合我们希望获得一个抽象描述的要求，因此也无需关注此项指标。
综上，我们选择的特征包括：机房、环境、异常来源、报警日志文本关键内容、故障所在位置（接口、类）共 5 个。
2. 算法实现
(1) 提取关键特征
我们的数据来源是日志中心已经格式化过的报警日志信息，这些信息主要包含：报警日志产生的时间、服务标记、在代码中的位置、日志内容等。
故障所在位置优先查找是否有异常堆栈，如存在则查找第一个本地代码的位置；如果不存在，则取日志打印位置。
异常来源获得故障所在位置后，优先使用此信息确定异常报警的来源（需要预先定义词典支持）；如不能获取，则在日志内容中根据关键字匹配（需要预先定义词典支持）。
报警日志文本关键内容优先查找是否有异常堆栈，如存在，则查找最后一个异常（通常为真正的故障原因）；如不能获取，则在日志中查找是否存在“code=……,message=……”这样形式的错误提示；如不能获取，则取日志内容的第一行内容（以换行符为界），并去除其中可能存在的 Case 相关的提示信息
提取“机房和环境”这两个指标比较简单，在此不做赘述。
(2) 聚类算法
算法的执行，我们以图 4 来表示。
(3) min_size 选择
考虑到日志数据中可能包含种类极多，且根据小规模数据实验表明，min_size = 1/5 报警日志数量时，算法已经有较好的表现，再高会增加过度聚合的风险，因此我们取 min_size = 1/5 报警日志数量，ℇ参考论文中的实验，取 0.05。
(4) 聚类停止条件
考虑到部分场景下，报警日志可能较少，因此 min_size 的值也较少，此时聚类已无太大意义，因此设定聚类停止条件为：聚类结果的报警摘要数量小于等于 20 或已经存在某个类别的 count 值达到 min_size 的阈值，即停止聚类。
3. 泛化层次结构
泛化层次结构，用于记录属性的泛化关系，是泛化时向上抽象的依据，需要预先定义。
根据实验所用项目的实际使用环境，我们定义的泛化层次结构如下：
“故障所在位置”此属性无需泛化层次结构，每次泛化时直接按照包路径向上层截断，直到系统包名。
实验
以下三个实验均使用 C 端 API 系统。
1. 单依赖故障
实验材料来自于线上某业务系统真实故障时所产生的大量报警日志。
环境：线上
故障原因：产品中心线上单机故障
报警日志数量：939 条
部分原始报警日志如图 9 所示，初次观察时，很难理出头绪。
经过聚类后的报警摘要如表 1 所示：
ID
Server Room
Error Source
Environment
Position（为保证数据安全，类路径已做处理）
Summary（为保证数据安全，部分类路径已做处理）
Count
1
所有机房
产品中心
Prod
com.*.*.*.CommonProductQueryClient
com.netflix.hystrix.exception.HystrixTimeoutException: commonQueryClient.getProductType execution timeout after waiting for 150ms.
249
2
所有机房
业务插件
Prod
com.*.*.*.PluginRegistry.lambda
java.lang.IllegalArgumentException: 未找到业务插件: 所有产品类型
240
3
所有机房
产品中心
Prod
com.*.*.*.TrProductQueryClient
com.netflix.hystrix.exception.HystrixTimeoutException: TrQueryClient.listTrByDids2C execution timeout after waiting for 1000ms.
145
4
所有机房
对外接口(猜喜 / 货架 / 目的地)
Prod
com.*.*.*.RemoteDealServiceImpl
com.netflix.hystrix.exception.HystrixTimeoutException: ScenicDealList.listDealsByScenic execution timeout after waiting for 300ms.
89
5
所有机房
产品中心
Prod
com.*.*.*.CommonProductQueryClient
com.netflix.hystrix.exception.HystrixTimeoutException: commonQueryClient.listTrByDids2C execution timeout after waiting for 1000ms.
29
6
所有机房
产品中心
Prod
com.*.*.*.ActivityQueryClientImpl
com.netflix.hystrix.exception.HystrixTimeoutException: commonQueryClient.getBusinessLicense execution timeout after waiting for 100ms.
21
7
所有机房
产品中心
prod
com.*.*.*.CommonProductQueryClient
com.netflix.hystrix.exception.HystrixTimeoutException: commonQueryClient.getBusinessLicense execution timeout after waiting for 100ms.
21
8
所有机房
对外接口(猜喜 / 货架 / 目的地)
Prod
com.*.*.*.RemoteDealServiceImpl
com.netflix.hystrix.exception.HystrixTimeoutException: HotelDealList.hotelShelf execution timeout after waiting for 500ms.
17
9
所有机房
产品中心
Prod
com.*.*.*.TrProductQueryClient
Caused by: java.lang.InterruptedException
16
10
所有机房
产品中心
Prod
com.*.*.*.TrProductQueryClient
Caused by: java.lang.InterruptedException
13
我们可以看到前三条报警摘要的 Count 远超其他报警摘要，并且它们指明了故障主要发生在产品中心的接口。
2. 无相关的多依赖同时故障
实验材料为利用故障注入工具，在 Staging 环境模拟运营置顶服务和 A / B 测试服务同时产生故障的场景。
环境：Staging（使用线上录制流量和压测平台模拟线上正常流量环境）
模拟故障原因：置顶与 A / B 测试接口大量超时
报警日志数量：527 条
部分原始报警日志如图 10 所示：
经过聚类后的报警摘要如表 2 所示：
ID
Server Room
Error Source
Environment
Position（为保证数据安全，类路径已做处理）
Summary（为保证数据安全，部分类路径已做处理）
Count
1
所有机房
运营活动
Staging
com.*.*.*.ActivityQueryClientImpl
[hystrix]置顶失败, circuit short is open
291
2
所有机房
A/ B 测试
Staging
com.*.*.*.AbExperimentClient
[hystrix] tripExperiment error, circuit short is open
105
3
所有机房
缓存
Staging
com.*.*.*.CacheClientFacade
com.netflix.hystrix.exception.HystrixTimeoutException: c-cache-rpc.common_deal_base.rpc execution timeout after waiting for 1000ms.
15
4
所有机房
产品信息
Staging
com.*.*.*.queryDealModel
Caused by: com.meituan.service.mobile.mtthrift.netty.exception.RequestTimeoutException: request timeout
14
5
所有机房
产品中心
Staging
com.*.*.*.CommonProductQueryClient
com.netflix.hystrix.exception.HystrixTimeoutException: commonQueryClient.getBusinessLicense execution timeout after waiting for 100ms.
9
6
所有机房
产品中心
Staging
com.*.*.*.getOrderForm
java.lang.IllegalArgumentException: 产品无库存
7
7
所有机房
弹性工程
Staging
com.*.*.*.PreSaleChatClient
com.netflix.hystrix.exception.HystrixTimeoutException: CustomerService.PreSaleChat execution timeout after waiting for 50ms.
7
8
所有机房
缓存
Staging
com.*.*.*.SpringCacheManager
Caused by: java.net.SocketTimeoutException: Read timed out
7
9
所有机房
产品信息
Staging
com.*.*.*.queryDetailUrlVO
java.lang.IllegalArgumentException: 未知的产品类型
2
10
所有机房
产品信息
Staging
com.*.*.*.queryDetailUrlVO
java.lang.IllegalArgumentException: 无法获取链接地址
1
从上表可以看到，前两条报警摘要符合本次试验的预期，定位到了故障发生的原因。说明在多故障的情况下，算法也有较好的效果。
3. 中间件与相关依赖同时故障
实验材料为利用故障注入工具，在 Staging 环境模拟产品中心服务和缓存服务同时产生超时故障的场景。
环境：Staging（使用线上录制流量和压测平台模拟线上正常流量环境）
模拟故障原因：产品中心所有接口超时，所有缓存服务超时
报警日志数量：2165
部分原始报警日志如图 11 所示：
经过聚类后的报警摘要如表 3 所示：
ID
Server Room
Error Source
Environment
Position（为保证数据安全，类路径已做处理）
Summary（为保证数据安全，部分类路径已做处理）
Count
1
所有机房
Squirrel
Staging
com.*.*.*.cache
Timeout
491
2
所有机房
Cellar
Staging
com.*.*.*.cache
Timeout
285
3
所有机房
Squirrel
Staging
com.*.*.*.TdcServiceImpl
Other Exception
149
4
所有机房
评论
Staging
com.*.*.*.cache
Timeout
147
5
所有机房
Cellar
Staging
com.*.*.*.TdcServiceImpl
Other Exception
143
6
所有机房
Squirrel
Staging
com.*.*.*.PoiManagerImpl
熔断
112
7
所有机房
产品中心
Staging
com.*.*.*.CommonProductQueryClient
Other Exception
89
8
所有机房
评论
Staging
com.*.*.*.TrDealProcessor
Other Exception
83
9
所有机房
评论
Staging
com.*.*.*.poi.PoiInfoImpl
Other Exception
82
10
所有机房
产品中心
Staging
com.*.*.*.client
Timeout
74
从上表可以看到，缓存（Squirrel 和 Cellar 双缓存）超时最多，产品中心的超时相对较少，这是因为我们系统针对产品中心的部分接口做了兜底处理，当超时发生时后先查缓存，如果缓存查不到会穿透调用一个离线信息缓存系统，因此产品中心超时总体较少。
综合上述三个实验得出结果，算法对于报警日志的泛化是具有一定效果。在所进行实验的三个场景中，均能够定位到关键问题。但是依然存在一些不足，报警摘要中，有的经过泛化的信息过于笼统（比如 Other Exception）。
经过分析，我们发现主要的原因有：其一，对于错误信息中关键字段的提取，在一定程度上决定了向上泛化的准确度。其二，系统本身日志设计存在一定的局限性。
同时，在利用这个泛化后的报警摘要进行分析时，需要使用者具备相应领域的知识。
未来规划
本文所关注的工作，主要在于验证聚类算法效果，还有一些方向可以继续完善和优化：
日志内容的深度分析。本文仅对报警日志做了简单的关键字提取和人工标记，未涉及太多文本分析的内容。我们可以通过使用文本分类、文本特征向量相似度等，提高日志内容分析的准确度，提升泛化效果。
多种聚类算法综合使用。本文仅探讨了处理系统错误日志时表现较好的聚类算法，针对系统中多种不同类型的报警，未来也可以配合其他聚类算法（如 K -Means）共同对报警进行处理，优化聚合效果。
自适应报警阈值。除了对报警聚类，我们还可以通过对监控指标的时序分析，动态管理报警阈值，提高告警的质量和及时性，减少误报和漏告数量。
参考资料
Julisch, Klaus. “Clustering intrusion detection alarms to support root cause analysis.” ACM transactions on information and system security (TISSEC) 6.4 (2003): 443-471.
https://en.wikipedia.org/wiki…
作者简介
刘玚，美团点评后端工程师。2017 年加入美团点评，负责美团点评境内度假的业务开发。
千钊，美团点评后端工程师。2017 年加入美团点评，负责美团点评境内度假的业务开发。
