はじめに
ARC310 Detecting and mitigating gray failuresではEMF(Embedding Metrics Format)で送信したメトリクスをヘルスチェックや障害検知に応用するテクニックが紹介されていました。 今回の一連の記事では紹介されていた手法に従ってサンプルアプリのメトリクスを取得して障害を検知してみます。この記事では手始めにFlask アプリケーションからEMFでメトリクスを送信します。
関連資料
サンプルアプリ
アーキテクチャ
アプリケーションはALBおよびフロントエンドとバックエンドのAPIから構成されています。 フロントエンドAPIは同じA/ZにプロビジョニングされたバックエンドAPIに依存しています。
APIのメトリクス
フロントエンドAPIがバックエンドAPIを呼び出す度にAPI呼び出しの成否をメトリクスBackendHealth
として送信します。
バックエンドAPIは処理の所要時間をBackendLatency
として送信します。
どちらのメトリクスでも障害範囲を特定するためにA/Z名とコンテナIDをディメンションに設定しています。
API | メトリクス | ディメンジョン | 単位 | 値の例 |
---|---|---|---|---|
フロントエンド | app/BackendHealth | {DockerId, AvailabilityZone}, {AvailabilityZone} | None | 0(成功), 1(失敗) |
バックエンド | app/BackendLatency | {DockerId, AvailabilityZone}, {AvailabilityZone} | MilliSecond | 500 |
レイテンシの注入
障害を再現するためにA/Zごとのレイテンシの最大、最小を指定できるようにします。設定はパラメータストアに保存し、バックエンドAPI実行時に参照します。
{
"ap-northeast-1a": [
50,
100
],
"ap-northeast-1c": [
500,
800
],
"ap-northeast-1d": [
500,
800
],
"local": [
50,
100
]
}
ソースコード
サンプルアプリケーションのコードはgistで公開しています。
EMFでのメトリクス送信
EMFでのメトリクスは以下のような経路で送信します。
- APIからloggerへログとしてEMFのJSONを送信
- loggerのハンドラがUDPでサイドカーのCloudWatch Agentに送信
- CloudWatch AgentがCloud Watch Logsに送信
CloudWatch AgentはTCP/UDPにログを送信するとログを解析して上でCloudWatch Logsに送信します。今回はECSのサイドカーとしてエージェントを起動する手順を参考にして設定しました。
Python標準モジュールのlogging.handlers.DatagramHandlerはログをPickle形式に変換して送信するため、UDPソケットをラップしたStreamを作成し、StreamHandlerを使ってテキストのままログを送信します。
# UDPソケットにテキストでログを送信するストリーム
class SockStream:
def __init__(self, host, port):
self.sock = socket.socket(socket.AF_INET, socket.SOCK_DGRAM)
self.dest = (host, port)
def write(self, data):
try:
self.sock.sendto(data.encode(), self.dest)
except Exception as e:
app.logger.warn(e)
def flush(self):
pass
# ロガーの設定
cwa = logging.StreamHandler(SockStream("0.0.0.0", 25888))
cwa.setFormatter(Formatter())
cwa.setLevel(logging.DEBUG)
logger.addHandler(cwa)
上記の設定で下記のようにメトリクスを送信します。
# メトリクスをEMF形式に整形してログに出力する
def put_metrics(metrics):
meta = metadata()
dimensions = [["AvailabilityZone"], ["AvailabilityZone", "DockerId"]]
ts = int(time.time() * 1000)
data = {
"time": ts,
"_aws": {
"LogGroupName": "gray-failure-emf",
"Timestamp": ts,
"CloudWatchMetrics": [
{
"Namespace": "app",
"Dimensions": dimensions,
"Metrics": list(
map(lambda m: {"Name": m["Name"], "Unit": m["Unit"]}, metrics)
),
}
],
},
}
for k, v in meta.items():
data[k] = v
for m in metrics:
data[m["Name"]] = m["Value"]
logger.info(json.dumps(data))
メトリクスの確認
実際に送信されたメトリクスをCloudWatchで確認すると下記のようにA/Zごとにバックエンドのレイテンシが記録されているのを確認できます。この画像ではapne-1dのレイテンシが設定変更によって増加するのが確認できます。
まとめ
検証のためにEMFでメトリクスを送信し、レイテンシを外部から注入できるAPIを実装しました。 次回はこのメトリクスを使って障害検知を試してみます。