APM最佳实践： 诊断平安城市视频网性能问题

前言：

平安城市已经是一个关系你我他的民生工程，但由于本身系统的复杂性，给运维工作带来了极大的挑战。如何保障摄像头在线率？如何在系统中找到视频系统故障的问题所在？在我们某一次项目经历中，APM在发现问题，定位故障等方面，起了很大作用，帮助我们顺利的定位到了系统的故障所在。

平安城市是一个特大型、综合性非常强的管理系统，不仅需要满足治安管理、城市管理、交通管理、应急指挥等需求，而且还要兼顾灾难事故预警、安全生产监控等方面对图像监控的需求，同时还要考虑报警、门禁等配套系统的集成以及与广播系统的联动。

处于平安城市系统核心地位的视频监控系统，架构复杂。组成系统有成千上万的高清摄像头、数以千计视频系统、数以百计的卡口系统、以及背后复杂的存储和管理系统；同时横跨多种网络，包括4G，以太网，光纤网。摄像头在线率，随时随地迅速调取视频，就是整个视频系统成效的关键指标。

最近接到客户反馈，视频网看起来挺正常，监控看到摄像头在线率也挺好，各个市级子系统检测结果都挺正常，但就是打开视频很慢。接到情况，优云马上组织了技术人员前往。

>>>>业务请求跟踪，什么慢？

在初步了解后，我们对视频应用平台整体结构进行了梳理，整个应用平台分成两个层次，省级和各个市级，多达十几个个子系统，这里我们介绍一下主要的架构，并且选定关键路径侦听镜像。

通过安装部署APM，跟踪观察省级SIP信令，横向综合比较请求多维度信息。我们发现成功率和响应时间与请求量存在明显的关系，当请求量上升时，系统成功率大幅下降，而响应时间大幅上升。省级SIP请求次数与成功率、响应时间的变化关系如下图所示：

>>>>单次业务链跟踪，哪里慢？

在发现了请求响应迟缓之后，我们进一步用APM单笔跟踪功能，跟踪单一次SIP请求过程，发现大量的错误和时延，确定最终错误根源在某市级SIP服务器，即省级向市级发起SIP调用过程，市级返回错误，调用失败。

从一次摄像头视频请求的过程来看，从省级发起视频请求，到返回，市级SIP服务器响应时间过长。

>>>> 模拟分析，为什么慢？

到目前为止，问题基本上锁定在市级的SIP服务器一端。我们对市级的两万多摄像头巡检。发现成功率4.4%，有返回，但是错误返回9.6%，无返回超时86%。

从市级SIP服务器指令监控结果来看，同样发现成功率和响应时间与请求量存在明显的关系，当请求量上升时，系统成功率大幅下降，同时响应时间大幅上升。甚至有到1分钟以上。

是什么原因导致了市级的服务器在处理连续请求，仅仅响应了部分请求之后就连续报出错误信息？我们分析了市级SIP服务器的每次响应的时间和状态关系，最终发现高并发的情况下SIP服务器没有正确结束请求，释放资源，导致不能继续处理后续的请求。

事情终于有了一个结果，但对运维探索却才刚刚开始。由于一般客户的视频系统大量的采用了虚拟化，云化系统建设，使得传统运维，定点监测的方案在当前的系统架构下已经不能完全胜任。运维如何跟上业务系统的敏捷开发的脚步？得益于优云前瞻的运维方案，快速的、敏捷的，动态跟踪用户的软件架构，有效的帮助定位和解决问题。

作者：刘成穆 就职优云软件资深架构师