提升前端线上问题发现率的方法

过去一年，淘系前端对监控做了统一接入和覆盖，但是前端的故障发现率和问题发现率还是较低。这一年归属淘系前端或与之相关的故障均为人工发现。如何提升线上问题发现率，是当前最优先需要解决的问题。

首先介绍下问题发现率的衡量方式。

什么是问题？

造成实际线上影响以及影响较小不够成故障定义，统称为问题。

问题发现率怎么统计？

对线上录入的问题、灰度回滚发现的问题以及紧急发布出现的问题作为问题的集合。

本篇文章将介绍对问题发现率的一些思考以及 JSTracker 平台 在前端监控的一些演进。【JSTracker平台，是端到端的前端监控与数据分析平台，主要专注在安全生产和体验度量方向】

背景

为了更好的分析当前问题，对线上录入的问题进行分类，可监控的问题主要划分为下面三类：

1. 检测问题：页面白屏、空坑或者 <span style="font-size: 15px;letter-spacing: 1px;">undefined 等问题；
2. 业务问题：需要业务在业务流程增加埋点才能发现的问题；
3. 报警问题：流量下跌、新增错误日志等不支持报警订阅；

根据当前的问题分类，对线上典型的问题罗列了一些实际案例，具体如下：

通过当前的问题分类，我们对 2020 - 2021 年淘系录入的线上问题进行了统计分析，检测类未发现问题占比 7%，业务埋点缺监控占比 15%，报警能力未覆盖占比 7%，详细数据分布参考下图：

统计结果可以看出，当前问题发现率较低的原因主要包含三点：

1. 检测能力覆盖不全
2. 报警能力不足
3. 业务监控点缺失

分析&思考

和业务开发对接过程发现，在监控的认知上和目标上还存在比较大的差距，大部分业务只是接入了监控 SDK ，订阅了一些基础指标，但是实际上大部分【前端问题】都很难通过常规的技术指标发现。

基于会引发线上问题的一些场景，我们在前端链路和前端监控指标做了下简单的分析。

▐ 链路分析

通常一个页面加载要经过下面五个节点，每个节点都可能会造成线上问题，具体如下：

1. 入口配置下发：运营配置下发预发地址等问题
2. 容器加载：小程序或者 WindVane 容器启动异常
3. 源站资源：JS 资源、图片资源等加载异常
4. JS 执行：阻塞页面渲染或者功能执行失败
5. 接口：数据不符合预期或者接口报错导致页面内容展示问题 上面的节点更多是造成问题的原因，但是用户只会在页面渲染和交互感知到问题：
6. 页面渲染阶段：页面白屏、空坑、样式错乱等问题
7. 页面交互阶段：功能不可用、页面抖动等一些问题

▐ 指标分析

从当前的监控视角来看，业务侧关注更多是一些技术指标，比如 JSError、Crash、接口等指标。通过技术指标的异常去分析异常原因。但是实际上技术指标可能和实际用户感知的问题没有指标关系，比如某个 JS 类型大量报错，但是实际上对业务没有影响，这就导致了当前的指标并不能真实反馈线上的情况。

基于页面链路分析和监控指标分析可以看出，业务侧需要关注【用户感知】出现的问题，这些问题关联的指标才可以真实反馈线上问题。因此在监控视角上，需要更加关注影响页面的【体验指标】。

通过【体验指标】的异常在去关联技术指标的异常，才是合理的问题发现和解决路径。因此我们需要从【体验指标】监控到【体验指标】监控的视角转化。

▐ 技术方案

通过上面问题背景分析可以看出，对于监控平台需要加强体验指标的检测能力、日志上报以及报警检测能力。因此我们将整体方案分为非预期渲染（白屏检测）、业务监控升级和报警监控升级三部分。

▐ 非预期渲染

JSTracker平台已经对接了 UC 内核采集的白屏数据，但是对于端外以及 iOS 场景等检测能力缺失。因此需要基于前端 SDK 发现页面无内容、错误页、首屏内模块丢失等问题，具体问题如下：

因此需要不依赖端的能力，通过在 SDK 采集页面信息，云上进行建模和统计计算，基于大数据分析来判断页面渲染是否符合预期，具体如下：

通过页面在不同阶段采集的页面的 DOM 节点数，不同的节点数量可对应到不同的页面渲染阶段，并在服务端统计收集到样本的分布情况，最后通过 DOM 的落点分布来判断页面渲染是否符合预期。

根据大数据统计分析结果，按照 DOM 节点数将采集日志划分为在预期和非预期节点，产品效果如下：

1. 渲染状态发布：提供最近一小时的分布情况，红色代表非预期渲染分布，横坐标轴显示 DOM 节点数，纵坐标轴表示样本数
2. 非预期异常率：按照 5 分钟的周期，对渲染的 DOM 的节点进行统计，计算非预期渲染异常率

▐ 业务监控

业务监控的目的是为了更好真实反馈和衡量业务的监控情况。以下单业务为例，不管是页面下单功能不可用还是服务端接口调用失败，最终影响的是下单成功率。

当前自定义埋点在业务场景支持上存在很多缺陷，比如日志上报规范缺失、字段扩展性缺失以及平台能力较弱，导致业务场景的监控诉求覆盖不全，针对这些问题做了能力升级，具体方案如下：

1. SDK 层，将核心逻辑提取封装成 jstracker-core 库，并对 sdk-assests 和 universal-tracker 进行兼容，对外提供统一上报接口
2. 平台侧，增加指标维度扩展、自定义属性能力以及自定义错误率（成功率）能力。并新增业务监控管理页，对原有的业务监控信息展示页进行了优化 基于当前业务监控能力，以H5首页为例，我们做了业务监控的最佳实践。具体效果如下：

1. 从 H5 的业务视角来看，核心要保障的区块是广告焦点图、轮播组件和导航组件，对于监控需要关注的指标是：
2. 焦点图：广告图片曝光异常的数据比例
3. 轮播组件坑位：核心指标是点击数据，坑位点击日志数和点击率的数据
4. 导航组件坑位：和轮播组件一样，关注的是导航坑位点击日志数和点击率的数据 为了更好支撑业务监控的诉求，在产品侧做了能力升级：
5. 业务扩展能力：自定义维度字段，可以自定义多维筛选能力以及自定义扩展字段，按照扩展字段聚合统计日志分布占比
6. 自定义指标能力：支持业务自定义错误率、耗时等能力，比如错误率可以按照页面采集的 PV 计算或者自定义 PV 指标

▐ 报警监控

非预期渲染和业务监控，都是在解决【体验指标】采集以及检测的问题。报警监控需要提供合理的报警方案来提升指标报警的有效性。

当前前端存在很多碎片化的环境，比如系统不同版本、客户端多个版本以及上下游依赖关系复杂，比如运营配置了预发地址，导致页面流量下跌等。在复杂环境背景前提下，不同的业务场景需要设置不同的报警方案。具体方案如下：

1. 报警维度: 碎片化的场景出现的问题，可以对监控指标在前端版本、客户端版本、浏览器版本等做细分维度监控
2. 报警策略: 应对不同的业务监控诉求，需要丰富报警规则能力，可以对阈值、错误率、同比、环比等配置报警规则
3. 报警方案: 不同的监控场景可以按照不同的报警方案订阅。在灰度发布的业务，关注的是新增的错误日志的报警；业务场景非常复杂，推荐根据自己的业务场景设定符合自己业务需要的报警规则，增加报警有效率

总结

前端在安全生产领域对比服务端还有一定差距，问题发现率的提升不仅需要平台做好能力支撑也需要业务同学配合和完善监控治理。后续平台会持续优化非预期渲染的检测能力，减少接入和使用成本；加强业务监控配置和关联，丰富业务监控场景覆盖以及增加细分维度报警能力和减少报警订阅成本。