美团性能指标体系实践
在互联网网站百花齐放的今天，网站响应速度是用户体验的第一要素，其重要性不言而喻，这里有几个关于响应时间的重要条件：
- 用户在浏览网页时，不会注意到少于0.1秒的延迟；
- 少于1秒的延迟不会中断用户的正常思维， 但是一些延迟会被用户注意到；
- 延迟时间少于10秒，用户会继续等待响应；
- 延迟时间超过10秒后，用户将会放弃并开始其他操作；
而在美团，“消费者第一”是公司的第一价值观，为了给消费者提供更好的用户体验，美团网的技术Geeker们在性能优化的路上做了不少的工作，开发了许多工具让网站的性能监测更容易，通过各种可视化报表，工程师们只需要点点鼠标就能看到网站的性能数据，并能根据数据来预测系统的性能趋势，快速发现有价值的优化点。在本文中，不讲best practices，也不去讲具体的优化手段，仅从美团日常通用的性能指标体系的角度去分享美团的实践。
性能指标的分类
为了更好的去监控整个系统的性能，做好全流程的优化，美团将指标分为了以下3类：
- Perceived system performance:这类指标主要从工程师的角度去衡量，如后端的响应时间，当前并发的用户数，请求数，请求的错误率等等。
- Perceived user experience:这类指标用来衡量⽤户的真实体验，从用户体验的角度出发，如首屏时间，白屏时间，完全加载时间之类，即用户能实际感觉到得网页加载延迟。
- System performance:这类指标从服务器的角度出发，监测目前服务器的cpu，内存，网络带宽,流量等等物理资源。
对于上述的每一类，衡量标准可能都不一样，在数据展示方面，主要通过趋势图和汇总表格来展现，下面来对这3类指标分别细说：
##Perceived system performance
这类指标主要为工程师设计，来衡量业务后端的处理速度，主要从以下几个方面去衡量：
1) 响应时间
在美团，响应时间是性能的主要kpi，对于响应时间，美团做了很多精细化的处理；
首先对每个业务的整体(集群)响应时间有个衡量：
- 95%的响应时间：将一段时间内所有请求的响应时间中取一个值，使95%的请求响应时间均小于或等于它，此值即为95%请求覆盖的响应时间。
- 90%的响应时间：将一段时间内所有请求的响应时间中取一个值，使90%的请求响应时间均小于或等于它，此值即为90%请求覆盖的响应时间。
- 50%的响应时间：将一段时间内所有请求的响应时间中取一个值，使50%的请求响应时间均小于或等于它，此值即为50%请求覆盖的响应时间。
以某内部服务为例，3条不同的曲线分别代表了3种不同的响应时间维度：
另外为了方便工程师的优化，对具体到每个请求url都做了更精细化的统计，不光统计了上述的指标，还增加了：
- 最大响应时间：某请求的某段时间范围内响应时间的最大值。
- 最小响应时间: 某请求的某段时间范围内响应时间的最小值。
- 时间标准差：某请求某段时间范围内的波动情况，用来衡量某请求是否存在很大波动，标准差越大，波动越大。
以某内部服务为例，通过汇总表格展现出某小时的某url的更细响应时间的维度：
2）请求数（按天或小时统计）
根据不同的时间维度去统计系统每天或每小时的请求数（每小时的统计情况可以见上图），并以趋势图和表格形式展示。
某内部服务每天请求数的趋势图：
3）错误率
关于错误率的统计主要有以下几种：
- connection timeout:http请求中出现504的次数和比例。
- error response：http请求中出现500的次数和比例。
- 错误网关数：http请求中出现502的次数和比例。
- 异常日志统计:统计业务中出现得异常的数量和趋势。
以某内部服务的异常数量趋势为例：
##Perceived user experience
这类指标从用户的角度出发，通过模拟用户请求或对真实用户抽样，来监控用户对网站的实际体验效果，主要利用js来收集不同浏览器下访问网站的加载速度和性能；对于一次完整用户请求来说，http请求可以划分为如下几个阶段：
- DNS：域名解析阶段，通常在几毫秒左右
- TCP：建立网络连接
- Requesting：发送请求
- WebServer处理
- Transferring：传输数据
- Parsing：浏览器解析。几个重要的时间点为：
a. 首屏时间 客户端第一屏资源加载完毕
b. domready时间 DOM解析完毕，可以进行动态修改
c. load时间 所有资源加载完毕
对于上述的几个阶段，我们设立了多种时间参数（每个参数又有 90% 和 50% 两种指标）来衡量，具体如下：
- 查找域名：开始查找域名到查找结束,计算公式为（domainLookupEnd - domainLookupStart）
- 建立连接：开始发出连接请求到连接成功,计算公式为（connectEnd - connectStart）
- 请求文档：开始请求文档到开始接收文档,计算公式为（responseStart - requestStart）
- 接收文档：开始接收文档到文档接收完成,计算公式为（responseEnd - responseStart）
- domready：开始解析文档到 DOMContentLoaded 事件被触发,计算公式为（domContentLoadedEventStart - domLoading）
- load事件持续：load 事件被触发到 load 事件完成,计算公式为（loadEventEnd - loadEventStart）
- 完全加载：开始解析文档到文档完全加载,计算公式为（domComplete - domLoading）
- 首屏加载：开始解析文档到首屏加载完毕,计算公式为（firstscreenready - domLoading）
- 完全加载【全过程】：此次浏览最开始时刻到完全加载完毕,计算公式为（domComplete - navigationStart）
- 首屏加载【全过程】：此次浏览最开始时刻到首屏加载完毕,计算公式为（firstscreenready - navigationStart）
为了更清楚的说明每个参数的意义，用下图说明如下：
其中不同的指标对于用户体验的影响权重不同，对于用户来说白屏时间（浏览最开始时刻到首屏加载前）和首屏时间是最重要的。
某应用的上述时间参数趋势图：
##System performance
这类指标主要监测目前服务器的cpu，内存，硬盘io率，网络带宽,流量等等物理资源的使用情况，这类指标比较常见，就不细说了。
某内部服务的cpu使用率情况：
某内部服务的硬盘io情况：
某内部服务的网络io情况：
问题现象：在zabbix系统中，对Hadoop集群的历史监控数据分析时，发现在执行大Job任务时，某些服务节点的cpu sys态很高；具体以hadoop_A服务节点为例，在10:15- ...