22、监控与安全：保障系统稳定运行的关键要素

监控与安全：保障系统稳定运行的关键要素

监控的重要性与发展趋势

在当今快节奏的技术环境中，许多团队每天都会进行多次代码发布。在这样的背景下，及时获取关键指标对于做出正确决策至关重要。过去，我们可能可以接受在一两天后才了解关键业务指标，但现在，我们需要将所有指标掌握在手中，以便迅速采取行动。

然而，目前很多组织的指标存储在不同的系统中。应用级指标，如订单数量，可能存储在像 Omniture 这样的专有分析系统中，或者存于数据仓库，且这些系统的实时报告功能往往不完善。而系统指标，如响应时间、错误率和 CPU 负载，通常存储在运维团队可访问的系统中，这些系统一般支持实时报告。

为了简化架构，我们可以考虑统一收集、聚合和存储事件的系统。例如，Riemann 是一个事件服务器，可进行较为高级的事件聚合和路由；Suro 是 Netflix 的数据管道，可处理用户行为指标和操作数据，这些数据还能分发到不同的系统进行分析。

许多组织正朝着更通用的事件路由系统发展，这种系统能提供更大的灵活性，同时简化架构。

服务监控建议

对于每个服务，我们可以遵循以下建议：
1. 跟踪关键指标 ：至少跟踪入站响应时间，接着是错误率，然后开始处理应用级指标。
2. 监控下游响应 ：跟踪所有下游响应的健康状况，至少包括下游调用的响应时间，最好能跟踪错误率，可借助 Hystrix 等库。
3. 标准化指标收集 ：统一指标收集的方式和位置。
4. 规范日志记录 ：尽可能将日志记录到