前端质量之灰度监控的有效实践

383次阅读  |  发布于2年以前

本文将介绍更聚焦灰度监控的报警配置。

背景

回顾过去3年,前端故障总量并不算太大,但背后的数据反映出经济体前端的安全生产,特别是高可用这个子域,正处于一个相对比较低的水位:

经济体故障监控发现率46.8%,但其中前端故障的监控发现率仅为22.7%,与期望的监控水平相去甚远!

因此我们开始专门起项治理前端质量,主要抓手通过监控报警,进行一段时间也取得了一定成效。

在分析遗漏的几个线上问题,尤其是报警没有报出来的,且较为严重(白屏、跳转故障等),都有以下共同点:

  1. 新变更导致的
  2. 非全量,只有部分流量 某些特定情况才会出问题
  3. 发布阶段本可发现,但遗留到线上一段时间

因此在报警已经配置的比较全面的下一阶段,我们更需要聚焦于灰度监控

灰度监控的重要性

从保稳定看

  1. 预发测试的局限性:不能全面覆盖到线上用户场景(包括多样的用户行为,丰富的客户端设备,海量的业务数据等)
  2. 发布时间节点时效性:技术同学对问题更为关注,更有积极性
  3. 及时止损:小范围的试错阶段及时发现,避免到全量发布造成较大影响后

从提效看

  1. 多端测试提效:某些多端导购页面,10%的时间就能cover掉80%以上的测试点,而剩下90%时间都可能在测多端个别异常场景,这里可以尝试用灰度方式替代
  2. 灰度验证:灰度发现的问题,修复后,除了预发测试外,某些非主流程场景可以继续小比例灰度测试

灰度监控的效果非常明显:

以我们detail详情页为例,接入监控4个月共发布27次,在灰度阶段共发现5个问题,遗漏1个问题但不影响主流程

灰度阶段如何监控

灰度阶段的日志监控过程

灰度监控主要从开始灰度到灰度99%阶段保持一定频率的监控发送报告

为什么是发送分析结果报告?

  1. 现在报警太多且噪音太多,相关技术人员很容易下意识的忽略掉,
  2. 发送监控分析报告的是增加一种仪式感,让大家能重视这个报告结果内容,
  3. 部分问题通过报警发现比较难,而通过分析报告能明显发现
  4. arms系统已具有成熟报警能力~已经配置上了相关告警,我们重点做分析报告

具体步骤可见下图

  1. 灰度发布会触发日志监控,先灰度5%
  2. 在10min(一般保持在灰度5%~20%)后自动发出日志分析报告,列出各项数据,以及分析后的异常(具体见图2)
  3. 如确认为风险,则退回灰度0%,修复bug-》回归测试-》发布灰度,如此循环
  4. 如确认无异常风险,继续扩大灰度,并继续保持高频监控
  5. 灰度到99%前保持通过,发布上线

监控指标和异常分析

我们捞取sls日志,分别对api错误,js错误,流量,业务埋点,性能埋点的各项异常数据进行分析,而在灰度阶段新增错误尤为重要,存量错误和总计数据会进行环比、日同比、周同比这类的比较分析

以下进行具体数据拆解

因为api错误的统计标准与我们的实际需求有出入(见下图)我们主要看新增错误、同比环比数据

用于业务自定义的埋点,方便做含有业务属性的统计

前端在各个环节加上埋点上报,然后做数据统计,性能的变化建议多点时间观察

(这里给的图是每日的趋势图,只为举例说明,灰度阶段是看灰度时间段和灰度前的数据,整个周期最好2天以上)

(从下图趋势看,detail页12.24的发布导致前端性能变差,需要查下原因)

性能监控以及分析有个更详细文档,后面会出

剔除杂音,提高洞察风险有效性

(不过一般来说发布都会人为避免以下情景)

问题 举例描述 措施
业务在不同时段波动不一致 在凌晨量级小时剧烈波动、在白天量级大时较稳定的现象 自动动态调整阈值,避免误报
业务的冲高回落现象 拍卖接近固定时间点结拍时的大量出价,整点客户端push、商家活动带来的1h内冲高回落 若是回落到基线附近,则不报
业务的定时下跌现象 业务在固定时间点附近会出现骤跌,如01:00~07:00 设置不报时间点
大促现象 业务在每年双十一、双十二、红包期间数据和日常不一致 特定日子的数据波动实时监测,自动路由到大促模型
错误码监控中自动过滤短暂抖动 在错误码监控中,错误码经常会出现短暂的抖动后恢复到正常水位 需支持过滤历史相似的冲高抖动立即恢复现象,专注于对过高冲高、错误持续未恢复的情况进行告警
api错误

长连接,统计到的taobao站外的接口数据,通常我们通过like('m.taobao.com/%')直接筛选出域内数据

js错误

a.与客户端交互的日志数据,webview框架数据等

b.业务含义的报错,如下图举例Uncaught TypeError: Cannot read property '0' of undefined。存量的报错是因为用户手势滑动操作头图区域导致的报错

c.长连接、websocket、后端接口等引发的错误

abc三类,见下图举例

d.黄牛、机器人问题

一般加上影响用户数就可规避大部分,如下图中实例:js错误率很高的时候,影响人数其实只有1个

剔除无效数据,是个需要一定时间打磨的过程

这是最好的排除无效数据的方法,但也需要进行梳理、以及手工埋点

总结‍‍‍‍

前端质量中,灰度监控,在保稳定和提效 多方位,都有明显效果,非常推荐!

同时也是需要业务前端开发和测试,甚至也会涉及到后端开发,共同齐心积极配合。

除了灰度监控,我们还有监控报警、线上巡检、性能分析,多个前端质量方案,全方位保障。

Copyright© 2013-2020

All Rights Reserved 京ICP备2023019179号-8