编者按
Google和Netflix联合发布了全新的开源Canary分析工具Kayenta。Canary(金丝雀部署)是现代Devops和持续交付中重要的一环，指的是把少量(通常1%-3%)的流量导到含有新版本的canary部署上运行一段时间并和当前的生产环境比较，再决定是否将新版本部署到所有机器的过程。转载请注明出处和原文链接。
以下是项目代码:
在网页端用类IDE的体验浏览和搜索 kayenta 的源代码
经常被查看的文件:
Latest analyzed version: on
为了成规模的实现持续交付，你不仅需要快速地发布软件更新，更需要能安全地发布。今天，Google和Netflix很高兴的发布Kayenta，一款开源的自动化Canary分析服务，该服务能让团队降低高速发布新部署时的相关风险。
由Google和Netflix联合开发的Kayenta是由Netflix内部的Canary系统进化而来，然后重新定义得完全开放，可扩展而且可以处理更多高级的用户案例。它可以给与企业团队快速推送更改到生产环境的信息，通过减少易出错又耗时耗力的人工或者临时的Canary分析。
这允许团队能够轻易的在Spinnaker流水线内搭建起自动的canary分析步骤。Kayenta从源头取回用户设置的数据，运行统计分析再为这次canary提供一个聚合的分数。基于这个分数和设定的成功率限制，Kayenta可以自动接收或者拒绝这次canary，或者出发人工审查逻辑。
“自动化的canary分析是Netflix生产部署重要的一环，我们很兴奋能够发布Kayenta。我们和Google在Kayenta上的合作产生了一种灵活的架构，这个架构会帮助实现在一系列的部署场景下使用自动化的canary分析，这些场景包括应用，配置和数据的更改。Spinnaker和Kayenta的整合让团队可以专注于流水线和部署而不需要用另一个工具做canary分析。年底之前，我们预计Kayenta会每天做出数千个canary判断。Spinnaker和Kayenta都是快速，高可靠又易用的工具，帮助在减少部署风险同时实现快速大规模部署。”
— Greg Burrell, Senior Reliability Engineer at Netflix
Kayenta的最终分析报告如下图所示:
![]()
大规模持续交付的挑战
Canary分析是减少生产环境中更新对终端用户影响的风险的好方法。基本的思路是把很小的一部分生产环境流量，例如1%，同时导到含有最新更新的部署的服务器（这也就是所谓的canary）以及与目前生产环境代码和配置一样的服务器（基准参考）上去。生产环境本身没有任何更改。典型地配置是canary和基准配置分别分配三台服务器，生产环境分配多台服务器。建立基准参考服务器是为了减少启动效应从而降低基准服务器和canary服务器间的系统误差。之后系统会比较canary服务器和基准服务器之间关键指标的差别。要继续部署的话需要canary服务器的性能不差于基准服务器的性能。
![]()
Canary分析过程通常以人工的，临时的或者统计学上错误的方式进行的。比如说，一个团队成员会人工的检查canary和生产环境的日志和显示多项指标的图表（比如CPU使用，内存使用，错误率，每个请求的CPU使用），来决定是否继续部署新的修改。人工或者临时的canary分析会造成下列额外的挑战：
