yuhuliu，腾讯研发工程师，关注存储、大数据、云原生领域。
摘要
医疗资讯业务在高速发展过程中，形成了覆盖不同场景、不同用户、不同渠道的几十个业务，以及上千个服务。为了高效满足用户多样化的需求，腾讯医疗技术团队通过 TKE 上云，使用 Coding DevOps 平台，以及云上可观测技术，来提升研发效率、降低运营运维成本。本文介绍我们在上云过程中一些实践和经验，以及一些思考和选择。业务背景
stage1: 腾讯医疗资讯平台主要包括了医典、医生、医药等核心业务，其中医典主要提供医疗相关内容获取、医疗知识科普传递；医生满足医生和患者的互联；医药服务了广大药企。在业务发展过程中我们原来基于 taf 平台构建了大量后台服务，完成了初期业务的快速搭建。
由于业务数量较多，大量业务有多地域的述求，最终我们在 taf 平台部署多个业务集群。这个时候发布、运维、问题排查纯靠人工阶段，效率较低。
业务上云
stage2: 随着业务规模的急速扩张，传统的开发、运维方式在敏捷、资源、效率方面对业务迭代形成较大的制约。随着公司自研上云项目推进，拥抱云原生化，基于 K8s 来满足业务对不同资源多样化需求和弹性调度，基于现有成熟 devops 平台来进行敏捷迭代，越来越成为业务正确的选择。医疗后台团队开始了整体服务上云的迁移。上云之前，还有几个问题需要考虑
服务众多，代码如何管理
上云后怎么快速进行问题定位、排查
监控告警平台如何选择
基础镜像怎么选择
关于服务代码管理
使用 git 做代码版本控制，按业务建立项目组，每个服务使用单独的代码仓库，仓库名使用同一命名规范。关于问题排查
调研云上有成熟的 elk 服务，业务只需要把日志放到同一目录，通过 filebeat 采集后，通过 ETL 逻辑可以把日志方便导入 Elasticsearch。这样的做法还有个优点就是可以同时支持前后端服务日志的采集，技术较为成熟，复用了组件能力，通过在请求中埋点加入 traceid，方便在全链路定位问题。关于监控告警平台
CSIG 提供了基于日志监控的 CMS 平台，将业务日志导入到 CMS 后，可以基于上报的日志配置监控和告警，监控维度、指标业务可以自己定义。我们采用了主调、被调、接口名等维度，调用量、耗时、失败率等指标，满足业务监控告警诉求。基于日志的监控可以复用同一条数据采集链路，系统架构统一简洁。关于基础镜像
为了方便业务初期快速上云，以及统一服务启动、数据采集上报，有必要对业务的基础镜像进行处理，预先建立对应目录，提供脚本和工具，方便业务快速接入。这里我们提供了不同语言、版本的基础镜像，封装了 supervisord 和 filebeat，通过 supervisord 来拉起 filebeat 和业务服务。Devops
stage3: 在上云过程中，也通过和质量同学逐步完善，将开发过程中原有人工操作的步骤 pipeline 化，来提高迭代效率，规范开发流程；通过单测和自动化拨测，提升服务稳定性。采用统一的流水线后，开发、部署效率从原来的小时级别降低到分钟级别。
这里主要使用了 coding 平台，为了区分不同环境，建立了开发、测试、预发布、测试四套不同流水线模板，还引入了合流机制来加入人工 code review 阶段。在合流阶段：通过 MR HOOK，自动轮询 code review 结果，确保代码在 review 通过后才能进行下一步（不同团队可能要求不一样）。
在 CI 阶段：通过代码质量分析，来提升代码规范性，通过单元测试，来保证服务质量。
在 CD 阶段：通过引入人工审批和自动化拨测，提高服务稳定性。资源利用率提升
stage4：在业务整体上云后，由于不少业务有多地域部署（广州、南京、天津、香港）的述求，加上每个服务需要四套（开发、测试、预发布、正式）不同的环境，上云后我们初步整理，一共有3000+不同 workload。由于不同业务访问量具有很大不确定性，初期基本上按照理想状态来配置资源，存在不少的浪费。
为了提高资源整体利用率，我们进行了一系列优化，大致遵循如下规范：这里由于 HPA 会导致业务容器动态扩缩，在停止过程中如果原有流量还在访问，或者启动还未完成就导入流量，会导致业务的失败，因此需要预先开启 TKE 上 preStop 以及就绪检测等配置。- 优雅停止，进程停止前等北极星、cl5 路由缓存过期；入口：tke->工作负载->具体业务->更新工作负载
如果使用的服务发现是 CL5，推荐 preStop70s，北极星配置 10s 足够了。
- 就绪、存活检测，进程启动完成后再调配流量；入口：tke->工作负载->具体业务->更新工作负载，根据不同业务配置不同探测方式和时间间隔。
通过上面一系列调整优化，我们的资源利用率大幅提升，通过 TKE 上弹性升缩，在保证业务正常访问同时，局部高峰访问资源不足的问题基本解决，避免了资源浪费，也提升了服务稳定性；但多环境问题还是会导致存在一定损耗。可观测性技术
stage4：初期使用基于日志的方式来做（log/metric/tracing），满足了业务快速上云、问题排查效率提升的初步述求，但随着业务规模增长，愈加庞大的日志流占用了越来越多的资源，日志堆积在高峰期成为常态， CMS 告警可能和实际发生时已经间隔了半个小时，ELK 的维护成本也急剧上升。云原生的可观测技术已经成为必要，这里我们引入了 Coding 应用管理所推荐的可观测技术方案，通过统一的 coding-sidecar 对业务数据进行采集：
监控：云监控中台
日志：CLS
Tracing：APM
通过接入这些平台的能力，我们的问题发现、定位、排查效率有了极大的提高，业务的运营维护成本较大降低。通过监控、和 tracing，也发现了不少系统潜在的问题，提高了服务质量。结尾
最后，要感谢上云过程中全体开发同学的辛勤付出，以及各位研发 leader 的大力支持。