全链路压测(4)：全链路压测的价值是什么？

前言

在前面的几篇文章中，介绍了全链路压测的背景、在企业中的立项流程以及落地的一些技术方案。

在开始真正的介绍落地实践过程以及相关案例之前，我想和大家聊聊，我对全链路压测的一些认知，即：全链路压测在技术团队中的定位，以及它的价值是什么。

 

业务和技术是什么关系？

在聊这个topic之前，先回想下我在第一篇文章中阐述的一个观点：全链路压测创造了什么价值？我当时的观点： 

技术角度：降低成本、提升系统SLA、技术练兵&团队协作&快速响应；

业务角度：提升用户体验、更快的发现和验证目标、更好的达成业务运营目标；

现在我要表述的观点依然不变，从更高的维度来说，技术和业务的关系可以用下面一句话概括：

技术是为业务达成目标提供支撑和效率工具，业务目标更好的达成会对技术有更高的要求！

 

技术的目标：支撑业务运营

业务本身的特性主要有如下几点：

1.精细化运营（需要准确的数据）；

2.成本和效率（更低的成本和更高的收益）；

3.更好的服务用户（需要快速高效的解决用户的痛点问题）；

4.新的业务可以快速落地验证（需要高效的技术响应和技术支撑）；

而上述几点业务的特性，都对技术提出了很多的要求！

技术如何支撑业务运营增长

从上图可以看出，常见的业务运营流程中，每个阶段每个环节都对技术部门提出了挑战：

1.从需求提出到发布：研发成本、研发效率、交付质量；

2.从下单到订单履约：提高业务成交履约率（撮合交易/成单匹配/留存转化）；

3.业务活动的营销推广：活动搭建、抽奖&优惠券&营销短信等方面的快速响应；

4.线上故障的快速发现解决：监控告警、问题定位、风险评估、线上服务的SLA； 

 

业务的目标：运营业务增长

前面简略的聊了技术对业务运营的重要支撑性作用，这里我们来看看常见的业务场景，具备的几种特性：

1.业务可视：业务的可视，简单理解就是业务的状态，处在什么阶段，目前的效果可以直观的以可视化的状态来呈现。

常见的场景就是业务监控大盘（想想监控大盘需要技术做什么？数据采集/数据存储/数据展示）

2.业务可管：最常见的就是一些促销活动的配置，比如：

活动时间、涉及的商品/优惠券、用户类型以及标签体系（这里又需要技术做什么呢？活动会场搭建工具/优惠信息缓存/活动消息推送）

3.业务可控：业务可控也可以通过字面意思理解，即：各个业务维度的运行监控/业务配置发布回滚以及防资损；

4.业务可优：这一点，我们现在最常见的有电商的千人千面，短视频的智能推荐、针对不同等级会员的优惠营销体系等；

 

技术支撑业务运营增长案例

上面讲了这么多业务的特性以及技术对业务运营支撑的重要性，这些内容可以用下面这张图概括：

 

稳定性保障面临的六大挑战

上面第一部分的内容介绍了技术和业务的关系，业务的运营增长目标想要达成，线上系统的稳定性也是至关重要的。

那么如何保障线上系统的稳定性呢？稳定性保障面临哪些挑战？我们以电商最典型的大促来举例说明。

从上图可以看到，大促时候的线上系统稳定性保障，面临六大挑战，分别是：

系统容量

大促的典型特点是流量大，对系统的冲击比较高。那么精准的测量线上系统的容量，对处理能力薄弱的节点进行扩容升配，优化性能就是很有必要的。

且现在很多的系统都是分布式或微服务架构，这种复杂的技术体系面临大流量冲击时，需要精准的容量评估和容量规划。

想要达成这种能力，就需要一种很好的技术手段来不断验证。生产环境全链路压测，就是目前业内的最佳实践。

硬件成本

前面聊到了容量评估和容量规划，这和硬件成本有什么关系呢？可能很多同学都不知道，

现在的互联网企业，最大的成本支出都是哪些？成本支出主要是这三方面：人力研发成本、营销成本和云资源成本。

其中，人力研发成本的优化是很复杂的一件事，营销成本是企业最主要的品牌曝光和拉新运营手段。云资源成本，也可以理解为云服务器或者机房的硬件成本。

这三部分成本中，云资产/硬件成本是可以通过技术手段来降低的。技术手段，实际上上面已经讲到了，就是精准的容量评估和容量规划。

系统稳定

系统的稳定性，如何衡量？目前业内大多从下面这几个维度来衡量：

1.线上服务可用时常

服务可用时常即我们常说的SLA（即服务等级协议，全称：service level agreement）。SLA对互联网公司来说就是网站服务可用性的一个保证。

9越多代表全年服务可用时间越长服务更可靠，停机时间越短，反之亦然。全年拿365天做计算，看看几个9要停机多久时间做能才能达到！

1年 = 365天 = 8760小时

99.9 = 8760 * 0.1% = 8760 * 0.001 = 8.76小时

99.99 = 8760 * 0.0001 = 0.876小时 = 0.876 * 60 = 52.6分钟

99.999 = 8760 * 0.00001 = 0.0876小时 = 0.0876 * 60 = 5.26分钟

2.故障响应解决耗时

这一点目前业内有个口号是：1-5-15。什么意思呢，就是：一分钟发现问题，5分钟定位问题，15分钟解决问题，线上业务恢复正常运营。

要做到上述的指标需要很强的技术能力以及不断的演练才能达到，主要是如下几点：

发现问题：强大完善灵敏的监控体系；

定位问题：对业务和技术实现的熟悉程度以及高效的定位分析工具；

解决问题：故障的自愈能力以及对异常情况的稳定性预案甚至故障演练；

3.故障导致的业务资损

这一点很好理解，即线上故障对业务造成的损失。这一点业内在故障定级评估复盘时，大多采用最近一天/一周同时段的业务营收来做对比。

当然，其中还可能包括用户的客诉以及赔偿的优惠券等维度。

技术能力

要保障线上服务稳定性，除了容量评估、故障演练和全链路压测之外，还需要很多其他的技术手段，比如：

弹性扩缩容能力；

监控告警追踪能力；

限流降级熔断能力；

故障识别响应和技术优化；

大促效率

我们以电商的大促举例子，要做到保障大促平稳度过，需要很多团队和角色的协调配合才能达成。可以通过下图来看看，大促保障涉及的团队和要做的事情：

 

这种跨团队的协调配合，往往需要动员很多人力资源，而且特别耗时。

沟通协同

为什么这里要讲到沟通协同呢？看看上一个标题我所描述的内容，相信大家在日常工作也有感触：

和不同的角色沟通需求、目标、时间节点，协调资源、风险评估、解决问题，是一件特别费力费脑的事情。

 

全链路压测对稳定性保障的价值

聊了这么多，回到文章顶部，我所要表达的内容，全链路压测的价值是什么？

在我看来，全链路压测不仅仅是一种很好的性能测试和优化手段，而是在整个稳定性保障中，起到了串联全过程的能力。

通过生产全链路压测，可以串联稳定性保障的全流程，解决线上系统稳定性保障面临的种种挑战，它所带来的价值如下：

 

总结回顾

这篇文章介绍了我对技术和业务关系的理解，线上稳定性保障面临的挑战以及全链路压测在其中的价值。

通过前面的几篇文章，从认识全链路压测到项目立项以及技术调研和测试验证，我试图从另一个视角来为大家揭秘全链路压测的另一面。

下篇文章，我会为大家介绍，全链路压测落地实践的整体流程。 

 

建了一个全链路压测沟通交流群，目前群人数已超过100，想加群的同学请公众号回复关键字：全链路压测。

添加我好友，我邀请进群，加群请备注说明来意。——公众号二维码在我博客主页右上角。