通过数据分析进行问题排查的case

前几天帮忙排查一个问题，简单记录一下。

1.背景

答题服务，近期用户答题率（答题人数/发题时的在线人数）有明显下降，需要分析这部分用户没有答题的原因。

2.初步排查

1. 从服务端监控来看，客户端尝试连接、断连、超时比例都没有明显异常，整体也没有容量上的问题。
2. 从没有答题的用户分析，没有明显的特征。
3. 从没有答题的设备分析，大部分集中在IOS客户端。
4. 从没有答题的设备网络分析，没有明显的地域或ISP分布。

3.进一步排查

在初步排查基本排除了服务端整体性能问题之后，接下来的问题是：这一部分IOS用户为什么在房间里但是没有答题？

可能的解释有几种：

1. 发题的时候用户在线，但是没有弹出题目
2. 发题的时候用户在线，弹出题目了，但是没有选择答案
3. 发题的时候用户在线，弹出题目、选择答案了，但是没有提交成功
4. 发题的时候用户其实不在线，统计有问题

想要继续统计有一个比较麻烦的地方，如何根据已有日志判断某个用户在发布题目的时候是否在线，进而得知这个用户在这段时间内究竟发生了什么？

记录的日志大概是这个画风：

也就是说，需要通过事件日志获得“对于没有答题的用户来说，在发题的时间段内，哪些用户是在线状态”，进而分析“没有答题的用户的时间轴与正常用户的时间轴有什么区别”，如果是一个用户可以人肉观察的方式，针对具体case定性，但是对于几十上百万个用户来说，需要进行定量分析，从而判断出“影响答题率的关键因素究竟是哪个问题”。

在这里利用了红黑树进行辅助分析，针对每一个用户创建一颗基于事件的红黑树，key为时间戳，value则是具体事件类型。在对所有用户创建树后，则可以使用某一个具体的时间戳，获取某个指定用户“在这个时间点发生的事件“、”在这个时间之前（之后）发生的的事件”和“用户的完整时间轴”。

在此之上，如果某个用户在某个时间点之前的最后一个事件是断开连接，则是离线状态，否则为在线状态。

伪代码如下：

筛出异常用户后，进一步对异常用户的时间轴作分析，获取每个时间点上的事件数量。

将异常用户与正常用户的加入房间请求做对比，可以发现答题开始前有加房间请求的异常峰值。

由于红黑树可以顺序遍历，因此用程序对所有异常用户的时间轴进行分析，发现异常用户都是有两次加入房间请求，并且都是第一次连接关闭后直接发起请求，但第二次加入房间后没有任何操作，直到直播结束。

4.结论

怀疑断线后有误加房间逻辑，重新review客户端断线重连代码，发现bug，解决。