阿里云 ARMS 小程序监控进阶之路

ARMS 是应用实时监控服务 (Application Real-Time Monitoring Service) 的简称，是阿里云上一款 APM 类的监控产品。本文为 FDCon2019 第 4 届中国前端开发者千人峰会《阿里云 ARMS 小程序监控进阶之路》 ) 分享内容，已经过数据脱敏处理，转载请注明出处

小程序监控的现状及问题

小程序的发展及变化

从 2017 年到现在，腾讯、阿里、百度、头条等互联网公司相继推出了小程序，重点投入打造小程序发展生态圈。小程序已然从最初的基础元年开始走向大爆发，成为移动互联网的一个重要方向。

再来看一组数据，是艾媒咨询在 2018 年底的统计数据，其中 2018 年小程序用户迅猛增长，用户规模超 4 亿，预计 2020 年将超 8.5 亿人，基本实现手机网民的全覆盖。

通过这两组内容，我们可以看到小程序发展是非常迅速的。那么小程序为什么会如此火爆呢？

这里抛出 2 个因素，当然也和大会的分享主题相关：

• 运行环境不同，有望解决信息孤岛问题：

  我们都知道在移动互联网时代，每个 APP 都是一个孤岛，APP 之间不能相互跳转，但小程序可以使用 APP 开放出来的能力，完成小程序之间的自由跳转。

• 小程序开发相对于 APP 开发成本低且易于维护，对于中小企业也能承受起：

  小程序是运行在 APP 客户端上的，逻辑层和视图层是两个独立的线程，通过 APP 提供的 Native 系统层转发来完成相互通信。这样一方面在 APP 层面可以管控和安全，同时双线程可以不用担心抢占资源而导致页面卡顿等问题，从图中可以看到，小程序底层框架将 APP 相关 native 能力进行封装，对外透出的仍然是我们前端开发的三板斧：js、css、html，但需要符合相应平台的规范。

小程序监控的现状及问题

小程序有这么多好处及优势，但对于小程序开发同学依然绕不过一个问题，那就是针对线上问题如何及时发现、定位、解决，减少影响用户数。作为开发者，不可能 24 小时都在电脑前等待用户反馈解决问题，我们需要有一个系统能收集用户的使用信息，辅助问题的定位与修复，减少开发人员的负担，那么小程序监控就非常有必要了。

和 web 监控、weex 监控一样，小程序监控也属于前端监控的一个场景，但由于运行环境的不同，不能直接复用 web 监控的能力。

现在业界提供的小程序监控方案大概分为以下 3 类：

• 用户数据监控：

  例如：新增用户数、访问次数、用户留存率等数据，主要用来助力产品运营，不能帮助开发人员定位解决线上问题。

• 错误监控：

  这种情况下的监控数据较为单一，缺乏网络请求及性能相关的数据。

• 性能监控：

  该类监控大部分只支持指定类型的小程序监控，比如我新开发了一个某某小程序，却发现没有一个监控系统支持接入，那就非常尴尬了，处于一个无监控可用的状态。

整体来看，现在的小程序的监控体系并不成熟，所以我们希望能完善小程序的监控体系。

阿里云 ARMS 小程序监控 SDK 进阶之路

下图是用户打开一个小程序后的整个过程的示意图。从页面请求、到页面渲染、交互的过程。

作为开发同学，会更关注：

• 网络请求，因为这些直接影响小程序页面上数据及交互情况。

• 页面报错，相信也是每个小程序开发同学都会特别关注的内容。

• 解决部分小程序无监控可用的现状，覆盖所有标准小程序。

当然还有很多其他关注的内容，在本次分享中会重点针对这三部分来看我们的解决方案及衍进过程。

网络请求

所有的线上故障最直接的反应是在页面上，所以大家的第一反应都是前端有问题，但很多情况下并不是前端的问题，相信大家都有感触。所以我们需要有监控来看是哪里出了问题。

发现问题：API 成功率

第一步，我们要提供 API 的请求成功率，来确认是前端的问题还是后端的问题。通过 hack 的方式获取到请求发起的状态及请求返回后的状态，从而计算到 API 的成功率及耗时情况。

通过这部分数据，可以确认问题了，但不能帮助定位和解决这个问题。比如某 API 请求的成功率从最初的 99% 左右直接降到了 60% 左右，这肯定是有问题的，我们会让后端同学去排查，但后端同学排查也是非常困难的，因为问题无法直接复现。到这里是不是遇到了瓶颈？必须要根据请求涉及到的所有链路一路排查下去？那要花费的时间就无法预估了，线上问题分秒必争。

针对这个问题怎么来解呢？看一下针对网络请求提供的第二个能力：全链路追踪。

定位问题：全链路追踪

我们会给到错误请求整个链路，即前端及后端的数据，然后提供后端的整个调用链路，红色的部分是有问题的链路，这样后端同学就可以直接排查有问题的链路解决问题了。1 分钟内发现问题，5 分钟内能帮你快速定位到具体问题。

链路监控的原理

链路追踪的原理是基于基于谷歌开源的 《Dapper, a Large-Scale Distributed Systems Tracing Infrastructure》 论文，也是业界做链路追踪的理论基础。

在一次分布式调用链路中，如果 C 链路断掉了，我们要如何来发现呢？首先是在调用的源头生成一个全局唯一的 TraceId，透传到后续的 RPC 链路，记录相应的事件日志，收集所有日志，处理，可以发现哪个 RPC 调用出现了问题。

分布式的调用链路，都有依赖关系，如何能够还原整个堆栈呢？那机制就是每个 RPC 根据链路的深度生成一个唯一的标识，通过标识的关系可以快速还原一次调用的堆栈。

根据这个原理，我们需要将一次请求的前端链路与后端链路串联起来，其中做全链路监控的挑战点如下：

1. TraceId 如何透传
2. TraceId 在整个链路的唯一性如何保证
3. 如何还原用户请求上下文

TraceId 如何透传

方案一：通过后端将 traceId 透传到客户端

由于最初 TraceId 是后端 RPC 调用生成的，为保证 TraceId 的含义，可以将将 TraceId 透传到前端，从而串联起来。但这个方案有一个问题，那就是如果网络原因，接口超时了，那么 TraceId 就无法透传了，整个链路还是断开的，所以我们舍弃了这个方案。

方案二：从请求的源头生成 TraceId 透传到后端的整个链路

透传的方式可以有以下三种方式：

• cookie 机制：由于小程序运行环境原因，不提供 cookie 机制，所以这个方案行不通。

• param：在请求的 URL 参数中加入 TraceId 会破坏业务的请求原始 URL，太突兀也不是最好的方式。

• request header：在请求头中加入 TraceId 的值，同时小程序请求不存在同源限制，所以最终选择了该方式。

TraceId 在整个链路的唯一性

全链路追踪还需要保证一个点就是 TraceId 在整个链路的唯一性，否则就会导致链路内容不准确。

保证机制有 2 个：

• 在 TraceId 生成源头利用生成规则保证唯一性；

• 透传过程中，下游 TraceId 要与上游保持一致。

还原用户请求上下文

我们都知道用户在操作页面时，不同的操作顺序也有可能会触发不同的逻辑，从而导致的问题也会不一样。所以如何还原某次失败的链路的上下文场景呢？

还原上下文肯定是通过时间先后顺序还原，但时间区间如何选择，时间区间长或者短都有可能无法帮助用户定位到问题。所以我们提出了一个方法，就是 PV 周期的概念，所有的有效操作基本上是在一次 PV 周期中的记做 SID，通过获取一次 PV 周期内所有的 traceId 链路，根据时间顺序可以还原用户操作的一个上下文场景。

通过这三步衍进，形成最终的 阿里云 ARMS 全链路追踪方案。

页面稳定性

页面稳定性的整个衍进路线如图：

• jserror 的错误数：

  该方案存在一个问题，举一个栗子：场景一用户在一次访问时频繁触发 js 错误，场景二用户每次访问必触发 js 错误，两个场景上报的 js 错误数量一样，但影响程度却不同，所以直接的错误数是无法衡量影响程度的。

• jserror 错误率 = js 错误样本 / PV 样本：该方案可以解决 1.0 版本中单纯的统计 jserror 样本量存在的问题，但仍存在问题，就是该值会超出 100%，值的大小无法和严重程度划等号。

• jserror 错误率 = 发生过 js 错误的 PV 样本 / 总的 PV 样本：

  通过该方案计算得到的 jserror 错误率值一定会 <=100%，从而值的大小可衡量错误的影响程度。

在方案的衍进过程中涉及到了 PV 的采集原理，在传统的 web 监控中通过 document 的 onload 及 unload 等机制可以确定一次 PV 周期，但小程序运行在 JScore 中，没有该方案。

那么我们就要看一下小程序的一个生命周期了，我们发现 Page 页面无论是初次启动还是切换到前台，都会触发 onshow 事件，通过 onUnload 和 onHide 时间会切出该页面，所以我们的 PV 统计会根据该原理进行统计。

覆盖标准小程序

我们好不容易熬过了 IE 时代，webView 时代，现在又进入了更加多元化的小程序时代，如何让所有小程序都有监控可用也是我们需要考虑的一个问题。

本着一个最基本的分层原则，将小程序通用的部分抽取出来作为小程序基础的 base 层，不同小程序的监控特殊内容基于 base 层做扩展，形成针对指定小程序的 SDK。

也期待后续小程序发展可以走向标准及规范。

下图是 阿里云 ARMS 小程序监控 SDK 的整体架构，可方便场景的快速扩展。

阿里云 ARMS 小程序监控系统设计

站在一个全局的角度来看，一个监控系统需要有：

• 数据采集

• 数据处理

• 数据消费

一个好的监控系统，这三部分缺一不可。看起来比较简单，但当真正做一个监控系统时，会遇到很多问题。

针对数据处理部分，来看一下 阿里云 ARMS 小程序监控的衍进路线。

1.ARMS 实时计算

作为一个监控系统，数据的实时性是硬性要求，否则就难以达到监控的目的。所以在计算部分，我们有 ARMS 实时计算引擎帮助用户快速发现问题。实时计算的前提是要知道计算的规则，所以我们会设置通用的计算规则进行数据的统计。

实时计算如此强大，但针对监控系统也不是万能的，也会有他受限的地方。例如：

• 实时计算后的数据均为统计后的数据了，没有原始日志无法对问题场景还原；

• 计算规则提前设置；

• 实时计算的维度统计不能无限制增加，会加大计算的压力；

2. 阿里云日志服务 SLS

针对 ARMS 实时计算受限的情况，加入了阿里云日志服务，一方面可以做源日志的存储，方便问题的定位；一方面可以提供针对索引的快速查询及聚类分析。比如地理、设备、版本号、分辨率等等维度可以建立索引，通过日志服务完成聚类分析。减轻实时计算压力的同时也保证了用户多维诉求。

实时计算可帮助快速发现问题，阿里云日志服务可以帮助定位问题，这样看，实时计算 + 阿里云日志服务是完美的配合，但用户的诉求还远不止于此。

3.Nodejs 流式计算

比如：根据某业务想针对某个特殊指标进行数据统计，业务定制诉求对于实时性要求并不高，主要帮助做业务决策。针对这种情况，在实时计算中增加计算规则并不合算，因为并不是所有业务都要这个逻辑，同时在日志服务中存储的原始日志量级较大，存储的时间也不宜太长等问题，我们需要有一个能定制化处理用户诉求的引擎，所以加入了 Nodejs 流式计算引擎。

主要过程如下：

读取数据流，将数据流拆分成多个小的数据流，其中每个小的数据流是一个独立的计算单元，利用计算引擎的多进程处理，每次处理都会维护一个状态表，最终将结果合并处理作为该数据流的一个统计结果。由于在定制化处理，维护的是用户提交的计算逻辑，所以整个的处理流程不涉及多张表之间的 jion、sort 等复杂的计算，计算的速度也是非常快的。

在数据处理部分，我们通过实时计算、日志服务、nodejs 流式计算不断的加入，满足不同用户对于数据的诉求，也意在挖掘出数据的更大价值，帮助用户更好的发现、定位、解决问题。

由于篇幅限制，部分内容不能展开来分享，有兴趣的同学可以加入我的微信来进一步交流，微信号：fumengmufei。

附录：

• 阿里云业务实时监控服务 ARMS

• 阿里云业务实时监控服务 ARMS 前端监控

• 小程序监控接入文档