[[243715]]

 前端監(jiān)控包括行為監(jiān)控、 異常監(jiān)控 、性能監(jiān)控等，本文主要討論異常監(jiān)控。對于前端而言，和后端處于同一個監(jiān)控系統(tǒng)中，前端有自己的監(jiān)控方案，后端也有自己等監(jiān)控方案，但兩者并不分離，因為一個用戶在操作應用過程中如果出現(xiàn)異常，有可能是前端引起，也有可能是后端引起，需要有一個機制，將前后端串聯(lián)起來，使監(jiān)控本身統(tǒng)一于監(jiān)控系統(tǒng)。因此，即使只討論前端異常監(jiān)控，其實也不能嚴格區(qū)分前后端界限，而要根據(jù)實際系統(tǒng)的設計，在最終的報表中體現(xiàn)出監(jiān)控對開發(fā)和業(yè)務的幫助。

一般而言，一個監(jiān)控系統(tǒng)，大致可以分為四個階段：日志采集、日志存儲、統(tǒng)計與分析、報告和警告。

采集階段：收集異常日志，先在本地做一定的處理，采取一定的方案上報到服務器。

存儲階段：后端接收前端上報的異常日志，經(jīng)過一定處理，按照一定的存儲方案存儲。

分析階段：分為機器自動分析和人工分析。機器自動分析，通過預設的條件和算法，對存儲的日志信息進行統(tǒng)計和篩選，發(fā)現(xiàn)問題，觸發(fā)報警。人工分析，通過提供一個可視化的數(shù)據(jù)面板，讓系統(tǒng)用戶可以看到具體的日志數(shù)據(jù)，根據(jù)信息，發(fā)現(xiàn)異常問題根源。

報警階段：分為告警和預警。告警按照一定的級別自動報警，通過設定的渠道，按照一定的觸發(fā)規(guī)則進行。預警則在異常發(fā)生前，提前預判，給出警告。

1 前端異常

前端異常是指在用戶使用Web應用時無法快速得到符合預期結(jié)果的情況，不同的異常帶來的后果程度不同，輕則引起用戶使用不悅，重則導致產(chǎn)品無法使用，使用戶喪失對產(chǎn)品的認可。

1.1 前端異常分類

根據(jù)異常代碼的后果的程度，對前端異常的表現(xiàn)分為如下幾類

a. 出錯

界面呈現(xiàn)的內(nèi)容與用戶預期的內(nèi)容不符，例如點擊進入非目標界面，數(shù)據(jù)不準確，出現(xiàn)的錯誤提示不可理解，界面錯位，提交后跳轉(zhuǎn)到錯誤界面等情況。這類異常出現(xiàn)時，雖然產(chǎn)品本身功能還能正常使用，但用戶無法達成自己目標。

b. 呆滯

界面出現(xiàn)操作后沒有反應的現(xiàn)象，例如點擊按鈕無法提交，提示成功后無法繼續(xù)操作。這類異常出現(xiàn)時，產(chǎn)品已經(jīng)存在界面級局部不可用現(xiàn)象。

c. 損壞

界面出現(xiàn)無法實現(xiàn)操作目的的現(xiàn)象，例如點擊無法進入目標界面，點擊無法查看詳情內(nèi)容等。這類異常出現(xiàn)時，應用部分功能無法被正常使用。

d. 假死

界面出現(xiàn)卡頓，無法對任何功能進行使用的現(xiàn)象。例如用戶無法登陸導致無法使用應用內(nèi)功能，由于某個遮罩層阻擋且不可關閉導致無法進行任何后續(xù)操作。這類異常出現(xiàn)時，用戶很可能殺死應用。

e. 崩潰

應用出現(xiàn)經(jīng)常性自動退出或無法操作的現(xiàn)象。例如間歇性crash，網(wǎng)頁無法正常加載或加載后無法進行任何操作。這類異常持續(xù)出現(xiàn)，將直接導致用戶流失，影響產(chǎn)品生命力。

1.2 異常錯誤原因分類

前端產(chǎn)生異常的原因主要分5類：

原因	案例	頻率
邏輯錯誤	1)    業(yè)務邏輯判斷條件錯誤  2)    事件綁定順序錯誤  3)    調(diào)用棧時序錯誤  4)    錯誤的操作js對象	經(jīng)常
數(shù)據(jù)類型錯誤	1)    將null視作對象讀取property  2)    將undefined視作數(shù)組進行遍歷  3)    將字符串形式的數(shù)字直接用于加運算  4)    函數(shù)參數(shù)未傳	經(jīng)常
語法句法錯誤		較少
網(wǎng)絡錯誤	1)    慢  2)    服務端未返回數(shù)據(jù)但仍200，前端按正常進行數(shù)據(jù)遍歷  3)    提交數(shù)據(jù)時網(wǎng)絡中斷  4)    服務端500錯誤時前端未做任何錯誤處理	偶爾
系統(tǒng)錯誤	1)    內(nèi)存不夠用  2)    磁盤塞滿  3)    殼不支持API  4)    不兼容	較少

2 異常采集

2.1 采集內(nèi)容

當異常出現(xiàn)的時候，我們需要知道異常的具體信息，根據(jù)異常的具體信息來決定采用什么樣的解決方案。在采集異常信息時，可以遵循4W原則：

WHO   did WHAT  and  get WHICH exception   in WHICH environment ?

a. 用戶信息

出現(xiàn)異常時該用戶的信息，例如該用戶在當前時刻的狀態(tài)、權(quán)限等，以及需要區(qū)分用戶可多終端登錄時，異常對應的是哪一個終端。

b. 行為信息

用戶進行什么操作時產(chǎn)生了異常：所在的界面路徑；執(zhí)行了什么操作；操作時使用了哪些數(shù)據(jù)；當時的API吐了什么數(shù)據(jù)給客戶端；如果是提交操作，提交了什么數(shù)據(jù)；上一個路徑；上一個行為日志記錄ID等。

c. 異常信息

產(chǎn)生異常的代碼信息：用戶操作的DOM元素節(jié)點；異常級別；異常類型；異常描述；代碼stack信息等。

d. 環(huán)境信息

網(wǎng)絡環(huán)境；設備型號和標識碼；操作系統(tǒng)版本；客戶端版本；API接口版本等。

字段	類型	解釋
requestId	String	一個界面產(chǎn)生一個requestId
traceId	String	一個階段產(chǎn)生一個traceId，用于追蹤和一個異常相關的所有日志記錄
hash	String	這條log的唯一標識碼，相當于logId，但它是根據(jù)當前日志記錄的具體內(nèi)容而生成的
time	Number	當前日志產(chǎn)生的時間（保存時刻）
userId	String
userStatus	Number	當時，用戶狀態(tài)信息（是否可用/禁用）
userRoles	Array	當時，前用戶的角色列表
userGroups	Array	當時，用戶當前所在組，組別權(quán)限可能影響結(jié)果
userLicenses	Array	當時，許可證，可能過期
path	String	所在路徑，URL
action	String	進行了什么操作
referer	String	上一個路徑，來源URL
prevAction	String	上一個操作
data	Object	當前界面的state、data
dataSources	Array<Object>	上游api給了什么數(shù)據(jù)
dataSend	Object	提交了什么數(shù)據(jù)
targetElement	HTMLElement	用戶操作的DOM元素
targetDOMPath	Array<HTMLElement>	該DOM元素的節(jié)點路徑
targetCSS	Object	該元素的自定義樣式表
targetAttrs	Object	該元素當前的屬性及值
errorType	String	錯誤類型
errorLevel	String	異常級別
errorStack	String	錯誤stack信息
errorFilename	String	出錯文件
errorLineNo	Number	出錯行
errorColNo	Number	出錯列位置
errorMessage	String	錯誤描述（開發(fā)者定義）
errorTimeStamp	Number	時間戳
eventType	String	事件類型
pageX	Number	事件x軸坐標
pageY	Number	事件y軸坐標
screenX	Number	事件x軸坐標
screenY	Number	事件y軸坐標
pageW	Number	頁面寬度
pageH	Number	頁面高度
screenW	Number	屏幕寬度
screenH	Number	屏幕高度
eventKey	String	觸發(fā)事件的鍵
network	String	網(wǎng)絡環(huán)境描述
userAgent	String	客戶端描述
device	String	設備描述
system	String	操作系統(tǒng)描述
appVersion	String	應用版本
apiVersion	String	接口版本

這是一份非常龐大的日志字段表，它幾乎囊括了一個異常發(fā)生時，能夠?qū)Ξ惓Ｖ茉猸h(huán)境進行詳細描述的所有信息。不同情況下，這些字段并不一定都會收集，由于我們會采用文檔數(shù)據(jù)庫存儲日志，因此，并不影響它的實際存儲結(jié)果。

2.2 異常捕獲

前端捕獲異常分為全局捕獲和單點捕獲。全局捕獲代碼集中，易于管理；單點捕獲作為補充，對某些特殊情況進行捕獲，但分散，不利于管理。

a、全局捕獲

通過全局的接口，將捕獲代碼集中寫在一個地方，可以利用的接口有：

• window.addEventListener(‘error’) / window.addEventListener(“unhandledrejection”) / document.addEventListener(‘click’) 等
• 框架級別的全局監(jiān)聽，例如aixos中使用interceptor進行攔截，vue、react都有自己的錯誤采集接口
• 通過對全局函數(shù)進行封裝包裹，實現(xiàn)在在調(diào)用該函數(shù)時自動捕獲異常
• 對實例方法重寫（Patch），在原有功能基礎上包裹一層，例如對console.error進行重寫，在使用方法不變的情況下也可以異常捕獲

b、單點捕獲

在業(yè)務代碼中對單個代碼塊進行包裹，或在邏輯流程中打點，實現(xiàn)有針對性的異常捕獲：

• try…catch
• 專門寫一個函數(shù)來收集異常信息，在異常發(fā)生時，調(diào)用該函數(shù)
• 專門寫一個函數(shù)來包裹其他函數(shù)，得到一個新函數(shù)，該新函數(shù)運行結(jié)果和原函數(shù)一模一樣，只是在發(fā)生異常時可以捕獲異常

2.3 跨域腳本異常

由于瀏覽器安全策略限制，跨域腳本報錯時，無法直接獲取錯誤的詳細信息，只能得到一個Script Error。例如，我們會引入第三方依賴，或者將自己的腳本放在CDN時。

解決Script Error的方法：

方案一：

• 將js內(nèi)聯(lián)到HTML中
• 將js文件與HTML放在同域下

方案二：

1. 為頁面上script標簽添加crossorigin屬性
2. 被引入腳本所在服務端響應頭中，增加 Access-Control-Allow-Origin 來支持跨域資源共享

2.4 異常錄制

對于一個異常，僅僅擁有該異常的信息還不足以完全抓住問題的本質(zhì)，因為異常發(fā)生的位置，并不一定是異常根源所在的位置。我們需要對異常現(xiàn)場進行還原，才能復原問題全貌，甚至避免類似問題在其他界面中發(fā)生。這里需要引進一個概念，就是“異常錄制”。錄制通過“時間”“空間”兩個維度記錄異常發(fā)生前到發(fā)生的整個過程，對于找到異常根源更有幫助。

上圖表示，當異常發(fā)生時，異常的根源可能離我們很遠，我們需要回到異常發(fā)生的現(xiàn)場，找到異常根源。就像現(xiàn)實生活中破案一樣，如果有監(jiān)控攝影機對案發(fā)過程的錄影，對破案來說更加容易。如果僅僅關注異常本身，要找到異常的根源，需要憑借運氣，但有了異常錄制的幫助，找到根源就更加容易。

所謂的“異常錄制”，實際上就是通過技術(shù)手段，收集用戶的操作過程，對用戶的每一個操作都進行記錄，在發(fā)生異常時，把一定時間區(qū)間內(nèi)的記錄重新運行，形成影像進行播放，讓調(diào)試者無需向用戶詢問，就能看到用戶當時的操作過程。

上圖是來自阿里的一套異常錄制還原方案示意圖，用戶在界面上的操作產(chǎn)生的events和mutation被產(chǎn)品收集起來，上傳到服務器，經(jīng)過隊列處理按順序存放到數(shù)據(jù)庫中。當需要進行異常重現(xiàn)的時候，將這些記錄從數(shù)據(jù)庫中取出，采用一定的技術(shù)方案，順序播放這些記錄，即可實現(xiàn)異常還原。

2.5 異常級別

一般而言，我們會將收集信息的級別分為info，warn，error等，并在此基礎上進行擴展。

當我們監(jiān)控到異常發(fā)生時，可以將該異常劃分到“重要——緊急”模型中分為A、B、C、D四個等級。有些異常，雖然發(fā)生了，但是并不影響用戶的正常使用，用戶其實并沒有感知到，雖然理論上應該修復，但是實際上相對于其他異常而言，可以放在后面進行處理。

下文會討論告警策略，一般而言，越靠近右上角的異常會越快通知，保證相關人員能最快接收到信息，并進行處理。A級異常需要快速響應，甚至需要相關負責人知悉。

在收集異常階段，可根據(jù)第一節(jié)劃分的異常后果來判斷異常的嚴重程度，在發(fā)生異常時選擇對應的上報方案進行上報。

3 整理與上報方案

前文已經(jīng)提到，除了異常報錯信息本身，我們還需要記錄用戶操作日志，以實現(xiàn)場景復原。這就涉及到上報的量和頻率問題。如果任何日志都立即上報，這無異于自造的DDOS攻擊。因此，我們需要合理的上報方案。下文會介紹4種上報方案，但實際我們不會僅限于其中一種，而是經(jīng)常同時使用，對不同級別的日志選擇不同的上報方案。

3.1 前端存儲日志

我們前面提到，我們并不單單采集異常本身日志，而且還會采集與異常相關的用戶行為日志。單純一條異常日志并不能幫助我們快速定位問題根源，找到解決方案。但如果要收集用戶的行為日志，又要采取一定的技巧，而不能用戶每一個操作后，就立即將該行為日志傳到服務器，對于具有大量用戶同時在線的應用，如果用戶一操作就立即上傳日志，無異于對日志服務器進行DDOS攻擊。因此，我們先將這些日志存儲在用戶客戶端本地，達到一定條件之后，再同時打包上傳一組日志。

那么，如何進行前端日志存儲呢？我們不可能直接將這些日志用一個變量保存起來，這樣會擠爆內(nèi)存，而且一旦用戶進行刷新操作，這些日志就丟失了，因此，我們自然而然想到前端數(shù)據(jù)持久化方案。

目前，可用的持久化方案可選項也比較多了，主要有：Cookie、localStorage、sessionStorage、IndexedDB、webSQL 、FileSystem 等等。那么該如何選擇呢？我們通過一個表來進行對比：

存儲方式	cookie	localStorage	sessionStorage	IndexedDB	webSQL	FileSystem
類型		key-value	key-value	NoSQL	SQL
數(shù)據(jù)格式	string	string	string	object
容量	4k	5M	5M	500M	60M
進程	同步	同步	同步	異步	異步
檢索		key	key	key, index	field
性能		讀快寫慢		讀慢寫快

綜合之后，IndexedDB是最好的選擇，它具有容量大、異步的優(yōu)勢，異步的特性保證它不會對界面的渲染產(chǎn)生阻塞。而且IndexedDB是分庫的，每個庫又分store，還能按照索引進行查詢，具有完整的數(shù)據(jù)庫管理思維，比localStorage更適合做結(jié)構(gòu)化數(shù)據(jù)管理。但是它有一個缺點，就是api非常復雜，不像localStorage那么簡單直接。針對這一點，我們可以使用hello-indexeddb這個工具，它用Promise對復雜api進行來封裝，簡化操作，使IndexedDB的使用也能做到localStorage一樣便捷。另外，IndexedDB是被廣泛支持的HTML5標準，兼容大部分瀏覽器，因此不用擔心它的發(fā)展前景。

接下來，我們究竟應該怎么合理使用IndexedDB，保證我們前端存儲的合理性呢？

上圖展示了前端存儲日志的流程和數(shù)據(jù)庫布局。當一個事件、變動、異常被捕獲之后，形成一條初始日志，被立即放入暫存區(qū)（indexedDB的一個store），之后主程序就結(jié)束了收集過程，后續(xù)的事只在webworker中發(fā)生。在一個webworker中，一個循環(huán)任務不斷從暫存區(qū)中取出日志，對日志進行分類，將分類結(jié)果存儲到索引區(qū)中，并對日志記錄的信息進行豐富，將最終將會上報到服務端的日志記錄轉(zhuǎn)存到歸檔區(qū)。而當一條日志在歸檔區(qū)中存在的時間超過一定天數(shù)之后，它就已經(jīng)沒有價值了，但是為了防止特殊情況，它被轉(zhuǎn)存到回收區(qū)，再經(jīng)歷一段時間后，就會被從回收區(qū)中清除。

3.2 前端整理日志

上文講到，在一個webworker中對日志進行整理后存到索引區(qū)和歸檔區(qū)，那么這個整理過程是怎樣的呢？

由于我們下文要講的上報，是按照索引進行的，因此，我們在前端的日志整理工作，主要就是根據(jù)日志特征，整理出不同的索引。我們在收集日志時，會給每一條日志打上一個type，以此進行分類，并創(chuàng)建索引，同時通過object-hashcode計算每個log對象的hash值，作為這個log的唯一標志。

• 將所有日志記錄按時序存放在歸檔區(qū)，并將新入庫的日志加入索引
• BatchIndexes：批量上報索引（包含性能等其他日志），可一次批量上報100條
• MomentIndexes：即時上報索引，一次全部上報
• FeedbackIndexes：用戶反饋索引，一次上報一條
• BlockIndexes：區(qū)塊上報索引，按異常/錯誤（traceId，requestId）分塊，一次上報一塊
• 上報完成后，被上報過的日志對應的索引刪除
• 3天以上日志進入回收區(qū)
• 7天以上的日志從回收區(qū)清除

rquestId：同時追蹤前后端日志。由于后端也會記錄自己的日志，因此，在前端請求api的時候，默認帶上requestId，后端記錄的日志就可以和前端日志對應起來。

traceId：追蹤一個異常發(fā)生前后的相關日志。當應用啟動時，創(chuàng)建一個traceId，直到一個異常發(fā)生時，刷新traceId。把一個traceId相關的requestId收集起來，把這些requestId相關的日志組合起來，就是最終這個異常相關的所有日志，用來對異常進行復盤。

上圖舉例展示了如何利用traceId和requestId找出和一個異常相關的所有日志。在上圖中，hash4是一條異常日志，我們找到hash4對應的traceId為traceId2，在日志列表中，有兩條記錄具有該traceId，但是hash3這條記錄并不是一個動作的開始，因為hash3對應的requestId為reqId2，而reqId2開始于hash2，因此，我們實際上要把hash2也加入到該異常發(fā)生的整個復盤備選記錄中。總結(jié)起來就是，我們要找出同一個traceId對應的所有requestId對應的日志記錄，雖然有點繞，但稍理解就可以明白其中的道理。

我們把這些和一個異常相關的所有日志集合起來，稱為一個block，再利用日志的hash集合，得出這個block的hash，并在索引區(qū)中建立索引，等待上報。

3.3 上報日志

上報日志也在webworker中進行，為了和整理區(qū)分，可以分兩個worker。上報的流程大致為：在每一個循環(huán)中，從索引區(qū)取出對應條數(shù)的索引，通過索引中的hash，到歸檔區(qū)取出完整的日志記錄，再上傳到服務器。

按照上報的頻率（重要緊急度）可將上報分為四種：

a. 即時上報

收集到日志后，立即觸發(fā)上報函數(shù)。僅用于A類異常。而且由于受到網(wǎng)絡不確定因素影響，A類日志上報需要有一個確認機制，只有確認服務端已經(jīng)成功接收到該上報信息之后，才算完成。否則需要有一個循環(huán)機制，確保上報成功。

b. 批量上報

將收集到的日志存儲在本地，當收集到一定數(shù)量之后再打包一次性上報，或者按照一定的頻率（時間間隔）打包上傳。這相當于把多次合并為一次上報，以降低對服務器的壓力。

c. 區(qū)塊上報

將一次異常的場景打包為一個區(qū)塊后進行上報。它和批量上報不同，批量上報保證了日志的完整性，全面性，但會有無用信息。而區(qū)塊上報則是針對異常本身的，確保單個異常相關的日志被全部上報。

d. 用戶主動提交

在界面上提供一個按鈕，用戶主動反饋bug。這有利于加強與用戶的互動。

或者當異常發(fā)生時，雖然對用戶沒有任何影響，但是應用監(jiān)控到了，彈出一個提示框，讓用戶選擇是否愿意上傳日志。這種方案適合涉及用戶隱私數(shù)據(jù)時。

	即時上報	批量上報	區(qū)塊上報	用戶反饋
時效	立即	定時	稍延時	延時
條數(shù)	一次全部上報	一次100條	單次上報相關條目	一次1條
容量	小	中	–	–
緊急	緊急重要	不緊急	不緊急但重要	不緊急

即時上報雖然叫即時，但是其實也是通過類似隊列的循環(huán)任務去完成的，它主要是盡快把一些重要的異常提交給監(jiān)控系統(tǒng)，好讓運維人員發(fā)現(xiàn)問題，因此，它對應的緊急程度比較高。

批量上報和區(qū)塊上報的區(qū)別：批量上報是一次上報一定條數(shù)，比如每2分鐘上報1000條，直到上報完成。而區(qū)塊上報是在異常發(fā)生之后，馬上收集和異常相關的所有日志，查詢出哪些日志已經(jīng)由批量上報上報過了，剔除掉，把其他相關日志上傳，和異常相關的這些日志相對而言更重要一些，它們可以幫助盡快復原異常現(xiàn)場，找出發(fā)生異常的根源。

用戶提交的反饋信息，則可以慢悠悠上報上去。

為了確保上報是成功的，在上報時需要有一個確認機制，由于在服務端接收到上報日志之后，并不會立即存入數(shù)據(jù)庫，而是放到一個隊列中，因此，前后端在確保日志確實已經(jīng)記錄進數(shù)據(jù)庫這一點上需要再做一些處理。

上圖展示了上報的一個大致流程，在上報時，先通過hash查詢，讓客戶端知道準備要上報的日志集合中，是否存在已經(jīng)被服務端保存好的日志，如果已經(jīng)存在，就將這些日志去除，避免重復上報，浪費流量。

3.4 壓縮上報數(shù)據(jù)

一次性上傳批量數(shù)據(jù)時，必然遇到數(shù)據(jù)量大，浪費流量，或者傳輸慢等情況，網(wǎng)絡不好的狀態(tài)下，可能導致上報失敗。因此，在上報之前進行數(shù)據(jù)壓縮也是一種方案。

對于合并上報這種情況，一次的數(shù)據(jù)量可能要十幾k，對于日 pv 大的站點來說，產(chǎn)生的流量還是很可觀的。所以有必要對數(shù)據(jù)進行壓縮上報。lz-string是一個非常優(yōu)秀的字符串壓縮類庫，兼容性好，代碼量少，壓縮比高，壓縮時間短，壓縮率達到驚人的60%。但它基于LZ78壓縮，如果后端不支持解壓，可選擇gzip壓縮，一般而言后端會默認預裝gzip，因此，選擇gzip壓縮數(shù)據(jù)也可以，工具包pako中自帶了gzip壓縮，可以嘗試使用。

4 日志接收與存儲

4.1 接入層與消息隊列

一般通過提供獨立的日志服務器接收客戶端日志，接收過程中，要對客戶端日志內(nèi)容的合法性、安全性等進行甄別，防止被人攻擊。而且由于日志提交一般都比較頻繁，多客戶端同時并發(fā)的情況也常見。通過消息隊列將日志信息逐一處理后寫入到數(shù)據(jù)庫進行保存也是比較常用的方案。

上圖為騰訊BetterJS的架構(gòu)圖，其中“接入層”和“推送中心”就是這里提到的接入層和消息隊列。BetterJS將整個前端監(jiān)控的各個模塊進行拆分，推送中心承擔了將日志推送到存儲中心進行存儲和推送給其他系統(tǒng)（例如告警系統(tǒng)）的角色，但我們可以把接收日志階段的隊列獨立出來看，在接入層和存儲層之間做一個過渡。

4.2 日志存儲系統(tǒng)

存儲日志是一個臟活累活，但是不得不做。對于小應用，單庫單表加優(yōu)化就可以應付。一個成規(guī)模的應用，如果要提供更標準高效的日志監(jiān)控服務，常常需要在日志存儲架構(gòu)上下一些功夫。目前業(yè)界已經(jīng)有比較完備的日志存儲方案，主要有：Hbase系，Dremel系，Lucene系等。總體而言，日志存儲系統(tǒng)主要面對的問題是數(shù)據(jù)量大，數(shù)據(jù)結(jié)構(gòu)不規(guī)律，寫入并發(fā)高，查詢需求大等。一般一套日志存儲系統(tǒng)，要解決上面這些問題，就要解決寫入的緩沖，存儲介質(zhì)按日志時間選擇，為方便快速讀取而設計合理的索引系統(tǒng)等等。

由于日志存儲系統(tǒng)方案比較成熟，這里就不再做更多討論。

4.3 搜索

日志的最終目的是要使用，由于一般日志的體量都非常大，因此，要在龐大的數(shù)據(jù)中找到需要的日志記錄，需要依賴比較好的搜索引擎。Splunk是一套成熟的日志存儲系統(tǒng)，但它是付費使用的。按照Splunk的框架，Elk是Splunk的開源實現(xiàn)，Elk是ElasticSearch、Logstash、Kibana的結(jié)合，ES基于Lucene的存儲、索引的搜索引擎；logstash是提供輸入輸出及轉(zhuǎn)化處理插件的日志標準化管道；Kibana提供可視化和查詢統(tǒng)計的用戶界面。

5 日志統(tǒng)計與分析

一個完善的日志統(tǒng)計分析工具需要提供各方面方便的面板，以可視化的方式給日志管理員和開發(fā)者反饋信息。

5.1 用戶緯度

同一個用戶的不同請求實際上會形成不同的story線，因此，針對用戶的一系列操作設計唯一的request id是有必要的。同一個用戶在不同終端進行操作時，也能進行區(qū)分。用戶在進行某個操作時的狀態(tài)、權(quán)限等信息，也需要在日志系統(tǒng)中予以反應。

5.2 時間維度

一個異常是怎么發(fā)生的，需要將異常操作的前后story線串聯(lián)起來觀察。它不單單涉及一個用戶的一次操作，甚至不限于某一個頁面，而是一連串事件的最終結(jié)果。

5.3 性能維度

應用運行過程中的性能情況，例如，界面加載時間，api請求時長統(tǒng)計，單元計算的消耗，用戶呆滯時間。

5.4 運行環(huán)境維度

應用及服務所運行的環(huán)境情況，例如應用所在的網(wǎng)絡環(huán)境，操作系統(tǒng)，設備硬件信息等，服務器cpu、內(nèi)存狀況，網(wǎng)絡、寬帶使用情況等。

5.4 細粒度代碼追蹤

異常的代碼stack信息，定位到發(fā)生異常的代碼位置和異常堆棧。

5.6 場景回溯

通過將異常相關的用戶日志連接起來，以動態(tài)的效果輸出發(fā)生異常的過程。

6 監(jiān)控與通知

對異常進行統(tǒng)計和分析只是基礎，而在發(fā)現(xiàn)異常時可以推送和告警，甚至做到自動處理，才是一個異常監(jiān)控系統(tǒng)應該具備的能力。

6.1 自定義觸發(fā)條件的告警

a. 監(jiān)控實現(xiàn)

當日志信息進入接入層時，就可以觸發(fā)監(jiān)控邏輯。當日志信息中存在較為高級別的異常時，也可以立即出發(fā)告警。告警消息隊列和日志入庫隊列可以分開來管理，實現(xiàn)并行。

對入庫日志信息進行統(tǒng)計，對異常信息進行告警。對監(jiān)控異常進行響應。所謂監(jiān)控異常，是指：有規(guī)律的異常一般而言都比較讓人放心，比較麻煩的是突然之間的異常。例如在某一時段突然頻繁接收到D級異常，雖然D級異常是不緊急一般重要，但是當監(jiān)控本身發(fā)生異常時，就要提高警惕。

b. 自定義觸發(fā)條件

除了系統(tǒng)開發(fā)時配置的默認告警條件，還應該提供給日志管理員可配置的自定義觸發(fā)條件。

• 日志內(nèi)含有什么內(nèi)容時
• 日志統(tǒng)計達到什么度、量時
• 向符合什么條件的用戶告警

6.2 推送渠道

可選擇的途徑有很多，例如郵件、短信、微信、電話。

6.3 推送頻率

針對不同級別的告警，推送的頻率也可以進行設定。低風險告警可以以報告的形式一天推送一次，高風險告警10分鐘循環(huán)推送，直到處理人手動關閉告警開關。

6.4 自動報表

對于日志統(tǒng)計信息的推送，可以做到自動生成日報、周報、月報、年報并郵件發(fā)送給相關群組。

6.5 自動產(chǎn)生bug工單

當異常發(fā)生時，系統(tǒng)可以調(diào)用工單系統(tǒng)API實現(xiàn)自動生成bug單，工單關閉后反饋給監(jiān)控系統(tǒng)，形成對異常處理的追蹤信息進行記錄，在報告中予以展示。

7 修復異常

7.1 sourcemap

前端代碼大部分情況都是經(jīng)過壓縮后發(fā)布的，上報的stack信息需要還原為源碼信息，才能快速定位源碼進行修改。

發(fā)布時，只部署js腳本到服務器上，將sourcemap文件上傳到監(jiān)控系統(tǒng)，在監(jiān)控系統(tǒng)中展示stack信息時，利用sourcemap文件對stack信息進行解碼，得到源碼中的具體信息。

但是這里有一個問題，就是sourcemap必須和正式環(huán)境的版本對應，還必須和git中的某個commit節(jié)點對應，這樣才能保證在查異常的時候可以正確利用stack信息，找到出問題所在版本的代碼。這些可以通過建立CI任務，在集成化部署中增加一個部署流程，以實現(xiàn)這一環(huán)節(jié)。

7.2 從告警到預警

預警的本質(zhì)是，預設可能出現(xiàn)異常的條件，當觸發(fā)該條件時異常并沒有真實發(fā)生，因此，可以趕在異常發(fā)生之前對用戶行為進行檢查，及時修復，避免異常或異常擴大。

怎么做呢？其實就是一個統(tǒng)計聚類的過程。將歷史中發(fā)生異常的情況進行統(tǒng)計，從時間、地域、用戶等不同維度加以統(tǒng)計，找出規(guī)律，并將這些規(guī)律通過算法自動加入到預警條件中，當下次觸發(fā)時，及時預警。

7.3 智能修復

自動修復錯誤。例如，前端要求接口返回數(shù)值，但接口返回了數(shù)值型的字符串，那么可以有一種機制，監(jiān)控系統(tǒng)發(fā)送正確數(shù)據(jù)類型模型給后端，后端在返回數(shù)據(jù)時，根據(jù)該模型控制每個字段的類型。

8 異常測試

8.1 主動異常測試

撰寫異常用例，在自動化測試系統(tǒng)中，加入異常測試用戶。在測試或運行過程中，每發(fā)現(xiàn)一個異常，就將它加入到原有的異常用例列表中。

8.2 隨機異常測試

模擬真實環(huán)境，在模擬器中模擬真實用戶的隨機操作，利用自動化腳本產(chǎn)生隨機操作動作代碼，并執(zhí)行。

定義異常，例如彈出某個彈出框，包含特定內(nèi)容時，就是異常。將這些測試結(jié)果記錄下來，再聚類統(tǒng)計分析，對防御異常也很有幫助。

9 部署

9.1 多客戶端

一個用戶在不同終端上登錄，或者一個用戶在登錄前和登錄后的狀態(tài)。通過特定算法生成requestID，通過該requestId可以確定某個用戶在獨立客戶端上的一系列操作，根據(jù)日志時序，可以梳理出用戶產(chǎn)生異常的具體路徑。

9.2 集成便捷性

前端寫成包，全局引用即可完成大部分日志記錄、存儲和上報。在特殊邏輯里面，可以調(diào)用特定方法記錄日志。

后端與應用本身的業(yè)務代碼解耦，可以做成獨立的服務，通過接口和第三方應用交互。利用集成部署，可以將系統(tǒng)隨時進行擴容、移植等操作。

9.3 管理系統(tǒng)的可擴展

整套系統(tǒng)可擴展，不僅服務單應用，可支持多個應用同時運行。同一個團隊下的所有應用都可以利用同一個平臺進行管理。

9.4 日志系統(tǒng)權(quán)限

不同的人在訪問日志系統(tǒng)時權(quán)限不同，一個訪問者只能查看自己相關的應用，有些統(tǒng)計數(shù)據(jù)如果比較敏感，可以單獨設置權(quán)限，敏感數(shù)據(jù)可脫敏。

10 其他

10.1 性能監(jiān)控

異常監(jiān)控主要針對代碼級別的報錯，但也應該關注性能異常。性能監(jiān)控主要包括：

• 運行時性能：文件級、模塊級、函數(shù)級、算法級
• 網(wǎng)絡請求速率
• 系統(tǒng)性能

10.2 API Monitor

后端API對前端的影響也非常大，雖然前端代碼也控制邏輯，但是后端返回的數(shù)據(jù)是基礎，因此對API的監(jiān)控可以分為：

• 穩(wěn)定性監(jiān)控
• 數(shù)據(jù)格式和類型
• 報錯監(jiān)控
• 數(shù)據(jù)準確性監(jiān)控

10.3 數(shù)據(jù)脫敏

敏感數(shù)據(jù)不被日志系統(tǒng)采集。由于日志系統(tǒng)的保存是比較開放的，雖然里面的數(shù)據(jù)很重要，但是在存儲上大部分日志系統(tǒng)都不是保密級，因此，如果應用涉及了敏感數(shù)據(jù)，最好做到：

• 獨立部署，不和其他應用共享監(jiān)控系統(tǒng)
• 不采集具體數(shù)據(jù)，只采集用戶操作數(shù)據(jù)，在重現(xiàn)時，通過日志信息可以取出數(shù)據(jù)api結(jié)果來展示
• 日志加密，做到軟硬件層面的加密防護
• 必要時，可采集具體數(shù)據(jù)的ID用于調(diào)試，場景重現(xiàn)時，用mock數(shù)據(jù)替代，mock數(shù)據(jù)可由后端采用假的數(shù)據(jù)源生成
• 對敏感數(shù)據(jù)進行混淆

結(jié)語

本文主要是對前端異常監(jiān)控的整體框架進行了研究，沒有涉及到具體的技術(shù)實現(xiàn)，涉及前端部分和后臺部分以及與整個問題相關的一些知識點，主要關注前端部分，它和后端的監(jiān)控有重疊部分也有分支部分，需要在一個項目中不斷實踐，總結(jié)出項目本身的監(jiān)控需求和策略。