移动端APM网络监控与优化方案
The following article is from 爱奇艺技术产品团队 Author 移动架构团队
01 背景
企业为了能够提升线上服务的可靠性和竞争力，需要从代码端的视角来监控自己线上应用的质量和性能，因此，APM系统(应用性能监控系统)应运而生。APM系统是互联网公司最重要的基础设施之一，它可以帮助发现并解决生产环境中遇到的各种问题。
APM系统为了能够实现帮助企业确保自身的IT支撑系统高效地运行，它需要建立一个强大的IT运维管理体系，用来时刻监控IT环境各组件的性能和质量，并且通过多维度实时分析监控指标的异常，快速定位并解决线上应用的问题。其中，网络环境质量是线上服务最基本的性能指标之一，网络耗时，网络请求错误率等指标极大地影响着线上应用的服务质量，APM系统应系统地建立起网络性能的监控。
在爱奇艺移动端APM系统上线之前，网络监控只是针对后端服务，因用户手机性能和网络环境复杂性相关，用户的真实使用体验和后台服务监控之间存在很大差异。因此，我们建立了一套基于用户层面的、实时、多维度的网络监控系统，并建立了针对端上的错误率、劫持率和网络性能的评估标准。经过多年的积累，爱奇艺移动端APM系统已经建立包括崩溃、网络、卡顿、日志、内存、图片等多项监控功能。
本文主要介绍移动端网络监控系统的建立及优化。
02 系统设计
根据移动端网络错误的特点，计算错误率时，将其划分为三类:
网络层错误
(错误发生在三次握手，SSL校验，数据传输过程中，如ConnectException)
HTTP响应错误
(服务端已明确返回错误码，如404)
解析错误
(服务端返回200，但数据格式有问题，导致前端无法正确解析)
由于重试机制的存在，我们只按照一组数据中的最后一次请求的结果，评判该次用户网络行为成功或者失败。
维度信息设计:
在后端存储的字段里，除了上述网络字段，还包括APM平台和用户设备的基础字段信息，这里就不一一赘述。
2.1 SDK设计
因端上网络请求频繁，数据采样需要考虑对手机性能影响的同时，也要保证数据的准确可分析，采样有如下措施可参考:
· 云控采样：云控下发采样指令，动态控制数据量；
· 合并压缩：缓存数据在达到时间或者数量的阈值时，进行批量压缩投递；
· 失败重投：投递失败的数据，会进行本地存储，下次启动尝试投递。
由于数据投递可能滞后，分析时可使用：端上发生时间和投递到达后端时间，利用两个时间戳分别进行分析。
2.2 后端设计
在后端系统设计中，需要支持高数据实时性、较大的存储数据量、灵活的查询和准确及时的报警。具体措施有:
· 实时性：秒级别
· 存储：支持千万级别数据量的搜索，聚合，TOP等
· 报警：分钟级别多维度报警， 通过邮件、短信、热聊、电话等形式通知责任人。
2.3 Web设计
Web展现错误率监控时，主要考虑是:
1. 快速查看整体状态
2. 查看所有业务错误数/错误率/请求数的top列表
3. 可分析具体原因
基于上述三个基本出发点，我们设计了首页，错误分布，占比详情，详情信息，耗时分析，劫持分析等页面
排查问题时，如果错误码集中，可以判断具体错误类型; 如果服务IP集中，可以判断出问题的服务器信息。
03 优化
网络监控和标准建立完成后，为了降低了网络错误率、劫持率和请求耗时等问题，又引入一些优化方案。
3.1 DNS优化
在HTTP协议里，DNS作用是解析出正确的IP地址，网络请求首先进行DNS解析，然后根据IP进行后续流程，所以，DNS的优化很关键。DNS优化主要从以下几个点考虑:
DNS劫持：在移动请求里，劫持指的是运营商DNS服务器被攻击，域名解析时返回了错误的IP地址，导致请求失败。
DNS TTL过长：TTL时间过长，可能导致两个问题:
1. 正常下线了某些服务器，运营商可能长时间未更新缓存。
2. 后台服务故障，需要及时更新服务器列表。
跨运营商：跨运营商可能导致访问慢。
LocalDNS获取失败：在网络较差或者特殊情况下，获取失败或者时间过长。
3.1.1 三层缓存
建立内存+网络请求+本地持久化的三层缓存机制。缓存都设置有一定的时效，内存缓存过期，使用网络请求；网络不通时，会使用本地的持久化缓存。
好处在于：
1. 快速获取域名DNS解析信息。
2. 网络较差或者获取LocalDNS失败时，可以从本地获取结果，进行尝试。
3. 可记录上次请求时，成功的IP，会记录其成功率和性能数据，下次重建连接，优先使用上次成功率较高，性能较好的IP。
3.1.2 HTTPDNS
HTTPDNS是业内比较完善DNS优化方案，通过HTTPS请求，主动去自己的基础平台拉取域名对应的IP信息，好处也显而易见。
防劫持：由于接口存在于自己后台，不存在运营商劫持问题。
高时效：如果后台服务IP有更新，可以立刻更新上线，解决了运营商TTL问题。
结果最优：HTTPDNS可以根据当前后台服务状况，选择最优的IP排序返回。
上线后，观察到劫持率下降了80%。
在使用HTTPDNS时，设计了降级方案，如果HTTPDNS不可用，会降级为LocalDNS，在时效性方面，设计有超时机制，并且在网络环境改变时，会主动更新。
3.2 弱网优化
移动端上网络环境复杂，用户随时可能处于弱网环境下，为了保证用户体验，需要在弱网环境下进行特殊优化。
3.2.1 弱网模型
首先，需要进行弱网判断，甄别出用户当前所处的网络状况。
计算标准:
网络流畅分级模型，参考了多个维度数据，包括上行/下行网速、请求失败率、网络延迟等。针对不同维度的因素，设置不同的阈值，综合多个网络因素等级，最终确认整体网络等级。目前策略里，只要有一个因素落在VERY_POOR，POOR区间，就认为是弱网环境。
等级划分:
根据网速值，划分为六个等级，网络状态会投递至后端，判断时，在value<=1，表示弱网。
3.2.2 弱网优化
在建立好弱网模型后，我们又进行了一系列的优化，包括:
Brotli压缩：Brotli相对Gzip压缩效率提高17-25%，不过由于其更耗服务端资源，前后台约定，会在弱网下使用Brotli压缩。
减小并发：网络库中，存在网络请求线程池，弱网下，减小并发数。
建立优先级：重要域名使用优先级更高线程池处理。
减少响应数据：对返回数据大小进行缩减，比如，页面相关的，减少分页数，减少card数。
3.3 网关方案
网关方案——通过后台一个中转服务，分发请求，端上所有请求都复用现有的长连接，相当于间接实现了域名收敛。
相对正常HTTP请求，其优势有:
1. 多域名连接共享，实现0RTT多路复用。
2. 避免了DNS解析，防止DNS劫持。
3. protobuf编码私有协议，节省流量。
在一个接口上A/B实验的结果看，平均请求耗时从595ms降低至371ms，成功率也有所提升。
网络架构图:
3.4 超级管道兜底
这是爱奇艺自研的一种基于HTTP/HTTPS IP直连的低成本高通用性的业务代理服务。能够赋予业务异地多活功能。
前端：通过一个统一的域名进行请求，使用该服务的请求，可以将其请求信息，作为参数拼接在统一的请求里。
后端：通过中转服务，将不同的请求分发，并且，会进行异地容灾分发，减小单个地区服务器故障造成的影响。
在一次线上故障中，使用超级管道的接口错误率是3.95%，未使用超级管道的错误率高达28.96%。
3.5 合理重试
对于用户而言，需要最终的成功结果，所以，请求失败后，内部进行重试是十分有必要的，合理的重试，可以有效降低错误率。
我们使用的重试策略有:
原样重试：业务方可配置重试次数，防止网络波动引起的请求失败。
HTTPS降级重试：如HTTPS降级为HTTP重试，防止SSLException导致的请求失败。
HTTP2.0降级重试：网络状况较好时，HTTP2.0多路复用，带来了性能上的优势，但在网络不稳定时，HTTP1.1错误率低于HTTP2.0。
IP直连重试：直接进行IP直连，防止域名解析导致的错误。
超级管道重试：利用超级管道，进行兜底重试，进行异地容灾，防止单个机房故障导致服务中断。
3.6 其他
竞速连接：对于重要域名，使用TCP连接进行测试，选择最优的IP。
TLS1.3：TLS1.3相较之前版本，由2RTT降低为1RTT，降低了SSL握手失败的概率。
连接优化：预建连接，连接重建，备用/复用连接。
04 成果
错误率下降趋势显著
爱奇艺APP的网络错误率，随着版本的持续优化，Android端错误率从最初5.3%，目前稳定在0.48%; IOS端错误率从最初4.63%，目前稳定在0.35%。
05 结尾
网络监控系统上线后，已在爱奇艺APP各端，随刻、电影票、奇秀等独立APP落地。经过多个部门的合作，使爱奇艺APP的网络错误率有了较大幅度下降，并建立了网络性能监控体系，为爱奇艺APP网络服务质量保驾护航。
网络监控解决了APP整体网络请求质量的监控问题，对于单个业务网络请求质量监控的问题，又引入了全链路监控，网络诊断，日志聚合等功能，同时和用户反馈平台打通，方便排查单用户反馈的问题。后续会继续完善全链路监控，以及引入QUIC等其他方案，优化爱奇艺APP网络请求质量，提高问题排查效率。
技术原创及架构实践文章，欢迎通过公众号菜单「联系我们」进行投稿。