プレイドにおけるDatadog APMの活用方法

大矢 康介 (株式会社プレイド)

2024年7月17日
Datadog セミナー：事例から学ぶCloud SIEMとアプリケーションモニタリングの活用方法
https://www.datadoghq.com/ja/event/casestudies-seminar202407/

Transcript

1. © PLAID, Inc.　|　Confidential 2024.07.17　　｜　　Datadog セミナー プレイドにおける Datadog APM の活⽤⽅法 APM‧Profiler を利⽤した⼤規模 SaaS のパフォーマンス改善事例 © PLAID, Inc.　|　Confidential
2. © PLAID, Inc.　|　Confidential ⾃⼰紹介 ⼤⽮ 康介 株式会社プレイド エンジニア 2020年新卒⼊社 GKEの運⽤、KARTE Talkの開発、KARTEの管理画⾯のパフォーマンス改善など DX & Performance © PLAID, Inc.　|　Confidential 2
3. © PLAID, Inc.　|　Confidential KARTEについて © PLAID, Inc.　|　Confidential 3 CX(顧客体験)プラットフォーム
4. © PLAID, Inc.　|　Confidential KARTEについて © PLAID, Inc.　|　Confidential 4 CX(顧客体験)プラットフォーム ⼀⼈ひとりに合わせた 顧客体験を提供 WebやAppの訪問者の⾏動を 顧客ごとにリアルタイムに解析
5. © PLAID, Inc.　|　Confidential プレイドの全体戦略 “マルチチャネル × 1st Party Customer Data × リアルタイ ム” をワンストップで 提供するプラット フォーム © PLAID, Inc.　|　Confidential 5 1st Party Customer Data 戦略策定/ 事業‧組織開発 広告 市場調査/ 顧客調査 カスタマーサポート マーケティングオートメーション オフライン/OMO オンサイト マーケティング EmotionTech CX/EX KARTE Signals Databeat KARTE RightSupport STUDIO ZERO KARTE Message KARTE TALK KARTE Web/App KARTE Blocks
6. © PLAID, Inc.　|　Confidential KARTE 全体のアーキテクチャ図
7. © PLAID, Inc.　|　Confidential マルチプロダクトを開発するチーム体制とアーキテクチャ - 元々モノリスだったアプリ ケーションをマイクロサービ スに分割 - それぞれのサービスを担当の チームが開発‧運⽤‧保守
8. © PLAID, Inc.　|　Confidential KARTE 管理画⾯の特徴と課題 - 依存関係が⾮常に複雑 - プロダクトの性質上扱うデータ 量が⼤きい パフォーマンスが劣化しやすく 原因の特定が困難
9. © PLAID, Inc.　|　Confidential APM を導⼊するまで どうやってシステムの状態を把握していたか
10. © PLAID, Inc.　|　Confidential APM 導⼊前 監視⽅法 - ログ - メトリクス（インフラ、アプリケーション） - CPU, Memory などの使⽤率 - LB のエラー率、レイテンシ - アプリケーションにカスタムメトリクスを仕込む 課題 - リクエストがどのような経路になっているかわからない - システムの内部状態を把握するためにはコードを変更してリリースする必要がある const dd = require('libs-dogstatsd'); const stats = dd.start(); // measure hoge hoge(); stats.tick('hoge', 1, 1, ['user_id:1234']); カスタムメトリクスの実装例
11. © PLAID, Inc.　|　Confidential Datadog APM を導⼊
12. © PLAID, Inc.　|　Confidential Datadog APM Datadog APM - リクエストの経路を特定できる - パフォーマンスのボトルネックを特定できる
13. © PLAID, Inc.　|　Confidential Datadog APM の導⼊ 導⼊⽅法 JavaScript の場合はこれだけ プラグインも豊富（JavaScript の場合は特別な設定なく全て有効になる） - mongo - redis - express - google-cloud などなど import 'dd-trace/init';
14. © PLAID, Inc.　|　Confidential APM の活⽤⽅法
15. © PLAID, Inc.　|　Confidential Datadog APM の活⽤⽅法 - 異常検知 - Monitor - パフォーマンスチェック - Service Catalog - Dashboard - 障害の分析 - Dashboard - Trace Explorer - Continuous Profiler
16. © PLAID, Inc.　|　Confidential 異常検知 Monitor - トレースメトリクスや、span から⽣成したメトリクスを使⽤ - Multi Alert を使ってサービス横断でエラー率を監視 - 開発中のシステムなどは Mute している
17. © PLAID, Inc.　|　Confidential パフォーマンスチェック Service Catalog - ⼤規模なリファクタ時やライブラリのバー ジョンアップなどをするときに眺めておく - 何かあれば⼤体気づける - エラー率の増加 - レイテンシの悪化 - 何も準備しなくても誰でもできる
18. © PLAID, Inc.　|　Confidential Datadog APM のベストプラクティス Scorecards - ログやデプロイの関連付け - Ownership 情報の付与 - これはあまりやってない - SLO や Monitor の作成 100%を⽬指す必要はないが、参考になる
19. © PLAID, Inc.　|　Confidential 今までの監視⽅法と何が変わったか APM を導⼊した効果
20. © PLAID, Inc.　|　Confidential APM を導⼊した効果 - 未知の問題が起きたときに、何が起きたか後から解像度⾼く把握できる - ログやメトリクスを仕込んで再度リリースする必要がない - 各サービスがどのように監視されているかが、実装者に依存しない - デバッグできる⼈が増える - アラートを統⼀的に管理できる
21. © PLAID, Inc.　|　Confidential Continuous Profiler
22. © PLAID, Inc.　|　Confidential Continuous Profiler - CPU、Memory などのプロファイルを取得して、パフォーマンスのボトルネックを特定するための機能 - Flame Graph による可視化ができる
23. © PLAID, Inc.　|　Confidential ボトルネック特定の事例 mongoose （mongodb のクライアントライブラリ）のバージョンアップによるパフォーマンス劣化
24. © PLAID, Inc.　|　Confidential mongoose アップデートによるパフォーマンス劣化 - mongo 4 系の EOL に伴って、クライアントライブラリ（mongoose）をアップデート - リリース後にパフォーマンスが劇的に悪化
25. © PLAID, Inc.　|　Confidential mongoose アップデートによるパフォーマンス劣化 CPU 使⽤率が上がっていたのが原因 では、リクエストが増えてないのに CPU 使⽤率が上がった原因は？ Continuous Profiler を使って特定する
26. © PLAID, Inc.　|　Confidential Continuous Profiler の活⽤⽅法 Continuous Profiler を使ったボトルネック特定の⼿順 1. Continuous Profiler を有効にする 2. トレースメトリクス（trace. <span名> から始まるや つ）を可視化する 3. レイテンシが跳ねた時間帯の trace を View related traces でみに⾏く 4. 外部呼び出しで詰まっているか、CPU で詰まっている かを確認する 5. Compare Profiling を使って CPU を使っている関数 を特定する 環境変数を設定するだけ export DD_PROFILING_ENABLED=true export DD_PROFILING_TIMELINE_ENABLED=1
27. © PLAID, Inc.　|　Confidential Continuous Profiler の活⽤⽅法 Continuous Profiler を使ったボトルネック特定の⼿順 1. Continuous Profiler を有効にする 2. トレースメトリクス（trace. <span名> から始まるや つ）を可視化する 3. レイテンシが跳ねた時間帯の trace を View related traces でみに⾏く 4. 外部呼び出しで詰まっているか、CPU で詰まっている かを確認する 5. Compare Profiling を使って CPU を使っている関数 を特定する
28. © PLAID, Inc.　|　Confidential Continuous Profiler の活⽤⽅法 Continuous Profiler を使ったボトルネック特定の⼿順 1. Continuous Profiler を有効にする 2. トレースメトリクス（trace. <span名> から始まるや つ）を可視化する 3. レイテンシが跳ねた時間帯の trace を View related traces でみに⾏く 4. 外部呼び出しで詰まっているか、CPU で詰まっている かを確認する 5. Compare Profiling を使って CPU を使っている関数 を特定する
29. © PLAID, Inc.　|　Confidential Continuous Profiler の活⽤⽅法 Continuous Profiler を使ったボトルネック特定の⼿順 1. Continuous Profiler を有効にする 2. トレースメトリクス（trace. <span名> から始まるや つ）を可視化する 3. レイテンシが跳ねた時間帯の trace を View related traces でみに⾏く 4. 外部呼び出しで詰まっているか、CPU で詰まっている かを確認する 5. Compare Profiling や Endpoint Profiling を使って CPU を使っている関数を特定する
30. © PLAID, Inc.　|　Confidential 使ってみた結果 - イベントループのブロッキングが問題の場合、遅い API があったとしても原因なのか結果なのかを特定するのが難しい - Endpoint Profiling により API ごとに Frame Graph を可視化することで調査がしやすかった - いくつかの潜在的なパフォーマンスの問題を特定し、パフォーマンスを向上させつつライブラリを vup することができ た🎉
31. © PLAID, Inc.　|　Confidential オーバーヘッドは？コストは？
32. © PLAID, Inc.　|　Confidential Continuous Profiler のパフォーマンスオーバーヘッド - いくつかのサービスで試したが、Profiler を有効にするだけでパフォーマンスが少し悪くなるケースもあった - Profiler を有効にした Pod と有効にしてない Pod を⽤意して⽐較した - ⾔語ごとに注意事項があるので、公式ドキュメントをしっかり読むべき - Node.js の場合は Node.js 16 よりも前のバージョンを使う場合にオーバーヘッドが⼤きい
33. © PLAID, Inc.　|　Confidential Continuous Profiler のコスト - APM と同じく Host 単位 - 全てのサービスに Profiling を⼊れる必要はない - 複数 Pod がある場合は1台だけ⼊れて利⽤した
34. © PLAID, Inc.　|　Confidential まとめ
35. © PLAID, Inc.　|　Confidential まとめと今後 - APM 導⼊による効果 - 複雑なシステムにおいて未知の問題が起きたとしても、新たにコードを修正してリリースするこ となくシステムの状態を把握できる - 各マイクロサービスが同じやり⽅で監視‧探索できる - Continuous Profiler の活⽤ - Compare Profiling や Endpoint Profiling などの機能で効率的にボトルネックの特定ができる - パフォーマンス‧コストなどの懸念がある場合はまずは Pod 1台から⼊れてみると良い - 今後やっていきたいこと - Dynamic Instrumentation を導⼊したい - コードを変更したり再デプロイすることなく、ログ‧メトリクス‧スパンを追加できる - Node.js, Typescript は未対応（Java, Python, .NET に対応）