大家好，我叫张观石，来自虎牙直播，虎牙直播是弹幕式的游戏直播平台，我在公司负责业务运维相关工作。看直播已经成为一种重要的娱乐方式，技术驱动娱乐是虎牙的slogan，我今天要分享的是运维技术如何驱动直播平台整体技术稳定性。
今天我会分享的几块内容。
- 首先会介绍下直播技术的总体架构和挑战；
- 然后给大家分享下我提炼的可靠性工程、稳定性保障工作的一个能力框架；
- 接着讲下在直播音视频的稳定性保障中的应用。包括几个核心指标和评估体系，如何度量直播的稳定性；
- 接下来会介绍如何提升可靠性的感知能力，可靠性下降了，故障来了，如何快速感知到，这包括了监控、告警、响应以及一些技术点；
- 再然后会讲下我对能力框架中的快速修复和保障能力的认识。快速修复能力、恢复能力是运维能力的体现，是缩短故障时长的关键点；
- 最后会再次总结下我对可靠性工程的能力框架和几点思考。
1.直播音视频传输的总体技术架构
首先讲下直播音视频技术的总体架构和挑战。
大家都看直播，简单来讲直播就是主播开播，观众看直播。
技术流程是主播设备安装直播软件，进行采集、编码、封装成为RTMP流，然后推流，为了看多个码率档位清晰度的需求要转码、如果有P2P还得进行切片，为了政策风险要截图鉴黄录制，要经过内容分发网络传输到离用户最近的节点，然后观众通过直播软件连接到边缘节点，把流拉下来，进行解码，渲染，这就看到直播的内容了。
虎牙很早就实现了混合云/多云的架构。虎牙直播有自己的传输网络，也有多家CDN音视频传输网络。
主播和观众的大概架构是这样的：一个主播可能上行推流到任何一条线路，观众可以通过任何线路去看这个主播的节目。这个架构就有点小复杂，组合很多。当然后台是可以调度的。作为运维的任务是如何在这种复杂场景下保证实时可靠性。
我们看一下单个主播直播的情况。
一个主播会推到一个CDN，然后在多云里面互相转推，在每家云里面有不同的运营商、不同的省市区域，这里面的链路比较长，整个过程是实时的。任何一个节点出现问题，都会影响全局或部分的观众。在实时、海量的情况下，怎么保障直播质量是有一定挑战的工作。
比如直播质量中最常见的卡顿，卡顿有很多种的原因，有可能是网络延时，有可能是丢帧或主播端就卡了。上面说的那些其实每家直播平台都是这样的，那么直播真正的技术挑战是在哪里？
直播平台技术栈中开播有10+种开播方式，推流方式4,5种，推流转推情况较复杂，各种码率音视频处理技术，比如H264,H265,各种音视频协议，各种码率档位等，采集设备效果不一，移动端版本迭代难等，CDN音视频技术不完全统一，当然国内看直播的观众，网络情况运营商情况，地区情况也是参差不齐，作为平台方要解决等。
