360基于Prometheus的在线服务监控实践

赵鹏 2017-08-23 11:11:36

本文根据DBAplus社群第116期线上分享整理而成。

 

讲师介绍
 

赵鹏

奇虎360运维开发工程师

 

 

  • 目前负责平台基础服务开发和研究工作,在工作中通过使用Prometheus,完成基础服务的复杂监控需求;

  • 曾参与HULK私有云平台基础服务的建设和实施,对OpenStack、Docker、Ceph等领域均有研究。

 

主题简介:

  1. Prometheus基础介绍

  2. Prometheus打点及查询技巧

  3. Prometheus高可用和服务发现经验

 

初衷

 
 

 

最近参与的几个项目,无一例外对监控都有极强的要求,需要对项目中各组件进行详细监控,如服务端API的请求次数、响应时间、到达率、接口错误率、分布式存储中的集群IOPS、节点在线情况、偏移量等。

 

比较常见的方式是写日志,将日志采集到远端进行分析和绘图,或写好本地监控脚本进行数据采集后,通过监控系统客户端push到监控系统中进行打点。基本上我们需要的都能覆盖,但仍然有一些问题在使用上不太舒服,如在大规模请求下日志采集和分析的效率比较难控制,或push打点的粒度和纬度以及查询不够灵活等。

 

后来在同事对《Google SRE》这本书中的一些运维思想进行一番安利后,抱着试一试的态度,开始尝试使用Prometheus做为几个项目的监控解决方案。

 

Prometheus的特点
 
 

 

  • 多维数据模型(时序数据由 metric 名和一组K/V标签构成)。

  • 灵活强大的查询语句(PromQL)。

  • 不依赖存储,支持local和remote(OpenTSDB、InfluxDB等)不同模型。

  • 采用 HTTP协议,使用Pull模式采集数据。

  • 监控目标,可以采用服务发现或静态配置的方式。

  • 支持多种统计数据模型,图形化友好(Grafana)。

 

数据类型
 
 

 

Counter

 

Counter表示收集的数据是按照某个趋势(增加/减少)一直变化的。

 

Gauge

 

Gauge表示搜集的数据是瞬时的,可以任意变高变低。

 

Histogram

 

Histogram可以理解为直方图,主要用于表示一段时间范围内对数据进行采样,(通常是请求持续时间或响应大小),并能够对其指定区间以及总数进行统计。

 

Summary

 

Summary和Histogram十分相似,主要用于表示一段时间范围内对数据进行采样,(通常是请求持续时间或响应大小),它直接存储了 quantile 数据,而不是根据统计区间计算出来的。

 

在我们的使用场景中,大部分监控使用Counter来记录,例如接口请求次数、消息队列数量、重试操作次数等。比较推荐多使用Counter类型采集,因为Counter类型不会在两次采集间隔中间丢失信息。

 

一小部分使用Gauge,如在线人数、协议流量、包大小等。Gauge模式比较适合记录无规律变化的数据,而且两次采集之间可能会丢失某些数值变化的情况。随着时间周期的粒度变大,丢失关键变化的情况也会增多。

 

还有一小部分使用Histogram和Summary,用于统计平均延迟、请求延迟占比和分布率。另外针对Historgram,不论是打点还是查询对服务器的CPU消耗比较高,通过查询时查询结果的返回耗时会有十分直观的感受。

 

时序数据-打点-查询
 
 

 

我们知道每条时序数据都是由 metric(指标名称),一个或一组label(标签),以及float64的值组成的。

 

标准格式为 {

 

例如:

 

rpc_invoke_cnt_c{code="0",method="Session.GenToken",job="Center"} 5

rpc_invoke_cnt_c{code="0",method="Relation.GetUserInfo",job="Center"} 12

rpc_invoke_cnt_c{code="0",method="Message.SendGroupMsg",job="Center"} 12

rpc_invoke_cnt_c{code="4",method="Message.SendGroupMsg",job="Center"} 3

rpc_invoke_cnt_c{code="0",method="Tracker.Tracker.Get",job="Center"} 70

 

这是一组用于统计RPC接口处理次数的监控数据。

 

其中rpc_invoke_cnt_c为指标名称,每条监控数据包含三个标签:code 表示错误码,service表示该指标所属的服务,method表示该指标所属的方法,最后的数字代表监控值。

 

针对这个例子,我们共有四个维度(一个指标名称、三个标签),这样我们便可以利用Prometheus强大的查询语言PromQL进行极为复杂的查询。

 

PromQL
 
 

 

PromQL(Prometheus Query Language) 是 Prometheus 自己开发的数据查询 DSL 语言,语言表现力非常丰富,支持条件查询、操作符,并且内建了大量内置函,供我们针对监控数据的各种维度进行查询。

 

我们想统计Center组件Router.Logout的频率,可使用如下Query语句:

 

rate(rpc_invoke_cnt_c{method="Relation.GetUserInfo",job="Center"}[1m])

 

 

或者基于方法和错误码统计Center的整体RPC请求错误频率:

 

sum by (method, code)(rate(rpc_invoke_cnt_c{job="Center",code!="0"}[1m]))

 

 

如果我们想统计Center各方法的接口耗时,使用如下Query语句即可:

 

rate(rpc_invoke_time_h_sum{job="Center"}[1m]) / rate(rpc_invoke_time_h_count{job="Center"}[1m])

 

 

更多的内建函数这里不展开介绍了。函数使用方法和介绍可以详细参见官方文档中的介绍:https://Prometheus.io/docs/querying/functions/

 

另外,配合查询,在打点时metric和labal名称的定义也有一定技巧。

 

比如在我们的项目中:

  • rpc_invoke_cnt_c 表示rpc调用统计

  • api_req_num_cv 表示httpapi调用统计

  • msg_queue_cnt_c 表示队列长度统计

 

尽可能使用各服务或者组件通用的名称定义metric然后通过各种lable进行区分。

 

最开始我们的命名方式是这样的,比如我们有三个组件center、gateway、message。RPC调用统计的metric相应的命名成了三个:

  • center_rpc_invoke_cnt_c

  • gateway_rpc_invoke_cnt_c

  • message_rpc_invoke_cnt_c

 

这种命名方式,对于各组件的开发同学可能读起来会比较直观,但是在实际查询过程中,这三个metric相当于三个不同的监控项。

 

例如我们查询基于method统计所有组件RPC请求错误频率,如果我们使用通用名称定义metric名,查询语句是这样的:

 

sum by (method, code) (rate(rpc_invoke_cnt_c{code!="0"}[1m]))

 

但如果我们各个组件各自定义名称的话,这条查询需要写多条。虽然我们可以通过 {__name__=~".*rpc_invoke_cnt_c"} 的方式来规避这个问题,但在实际使用和操作时体验会差很多。

 

例如在Grafana中,如果合理命名相对通用的metric名称,同样一个Dashboard可以套用给多个相同业务,只需简单修改template匹配一下label选择即可。不然针对各个业务不同的metric进行针对性的定制绘图也是一个十分痛苦的过程。

 

同时通过前面的各类查询例子也会发现,我们在使用label时也针对不同的含义进行了区分如 method=GroupJoin|GetUserInfo|PreSignGet|... 来区分调用的函数方法,code=0|1|4|1004|...来区分接口返回值,使查询的分类和结果展示更加方便直观,并且label在Grafana中是可以直接作为变量进行更复杂的模版组合。

 

更多的metric和label相关的技巧可以参考官方文档-https://Prometheus.io/docs/practices/naming/

 

服务发现
 
 

 

在使用初期,参与的几个项目的Prometheus都是各自独立部署和维护的。其配置也是按照官方文档中的标准配置来操作。机器数量少的时候维护简单,增删机器之后简单reload一下即可。例如:

 

 

但随着服务器量级增长,业务整合到同一组Prometheus时,每次上下线实例都是一个十分痛苦的过程,配置文件庞大,列表过长,修改的过程极其容易眼花导致误操作。所以我们尝试使用了Prometheus的服务发现功能。

 

从配置文档中不难发现Prometheus对服务发现进行了大量的支持,例如大家喜闻乐见的Consul、etcd和K8S。

 

 

 

由于最近参与的几个项目深度使用公司内部的配置管理服务gokeeper,虽然不是Prometheus原生支持,但是通过简单适配也是同样能满足服务发现的需求。我们最终选择通过file_sd_config进行服务发现的配置。

 

file_sd_config 接受json格式的配置文件进行服务发现。每次json文件的内容发生变更,Prometheus会自动刷新target列表,不需要手动触发reload操作。所以针对我们的gokeeper编写了一个小工具,定时到gokeeper中采集服务分类及分类中的服务器列表,并按照file_sd_config的要求生成对应的json格式。

 

下面是一个测试服务生成的json文件样例。

 

 

[

    {

        "targets": [

            "10.10.10.1:65160",

            "10.10.10.2:65160"

        ],

        "labels": {

            "job":"Center",

            "service":"qtest"

        }

    },

    {

        "targets": [

            "10.10.10.3:65110",

            "10.10.10.4:65110"

        ],

        "labels": {

            "job":"Gateway",

            "service":"qtest"

        }

    }

]

 

Prometheus配置文件中将file_sd_configs的路径指向json文件即可。

 

 

-job_name: 'qtest'

    scrape_interval: 5s

    file_sd_configs:

      - files: ['/usr/local/prometheus/qtestgroups/*.json']

 

如果用etcd作为服务发现组件也可以使用此种方式,结合confd配合模版和file_sd_configs可以极大地减少配置维护的复杂度。只需要关注一下Prometheus后台采集任务的分组和在线情况是否符合期望即可。社区比较推崇Consul作为服务发现组件,也有非常直接的内部配置支持。

 

感兴趣的话可以直接参考官方文档进行配置和测试-https://Prometheus.io/docs/operating/configuration/#

 

高可用
 
 

 

高可用目前暂时没有太好的方案。官方给出的方案可以对数据做Shard,然后通过federation来实现高可用方案,但是边缘节点和Global节点依然是单点,需要自行决定是否每一层都要使用双节点重复采集进行保活。

 

使用方法比较简单,例如我们一个机房有三个Prometheus节点用于Shard,我们希望Global节点采集归档数据用于绘图。首先需要在Shard节点进行一些配置。

 

Prometheus.yml:

 

global:

  external_labels:

  slave: 0 #给每一个节点指定一个编号 三台分别标记为0,1,2

 

rule_files:

  - node_rules/zep.test.rules  #指定rulefile的路径

 

scrape_configs:

  - job_name: myjob

    file_sd_configs:

    - files: ['/usr/local/Prometheus/qtestgroups/*.json']

    relabel_configs:

    - source_labels: [__address__]

      modulus:       3   # 3节点

      target_label:  __tmp_hash

      action:        hashmod

    - source_labels: [__tmp_hash]

      regex:         ^0$ # 表示第一个节点

      action:        keep

 

编辑规则文件:

 

 

node_rules/zep.test.rules:

job:rpc_invoke_cnt:rate:1m=rate(rpc_invoke_cnt_c{code!="0"}[1m])

 

在这里job:rpc_invoke_cnt:rate:1m 将作为metric名,用来存放查询语句的结果。

 

在Global节点Prometheus.yml也需要进行修改。

 

 -job_name: slaves

    honor_labels: true

    scrape_interval: 5s

    metrics_path: /federate

    params:

      match[]:

         - '{__name__=~"job:.*"}'

    static_configs:

      - targets:

         - 10.10.10.150:9090

         - 10.10.10.151:9090

         - 10.10.10.152:9090

 

在这里我们只采集了执行规则后的数据用于绘图,不建议将Shard节点的所有数据采集过来存储再进行查询和报警的操作。这样不但会使Shard节点计算和查询的压力增大(通过HTTP读取原始数据会造成大量IO和网络开销),同时所有数据写入Global节点也会使其很快达到单Prometheus节点的承载能力上限。

 

另外部分敏感报警尽量不要通过global节点触发,毕竟从Shard节点到Global节点传输链路的稳定性会影响数据到达的效率,进而导致报警实效降低。例如服务updown状态,API请求异常这类报警我们都放在s hard节点进行报警。

 

此外我们还编写了一个实验性质的Prometheus Proxy工具,代替Global节点接收查询请求,然后将查询语句拆解,到各shard节点抓取基础数据,然后再在Proxy这里进行Prometheus内建的函数和聚合操作,最后将计算数据抛给查询客户端。这样便可以直接节约掉Global节点和大量存储资源,并且Proxy节点由于不需要存储数据,仅接受请求和计算数据,横向扩展十分方便。

 

当然问题还是有的,由于每次查询Proxy到shard节点拉取的都是未经计算的原始数据,当查询的metric数据量比较大时,网络和磁盘IO开销巨大。因此在绘图时我们对查询语句限制比较严格,基本不允许进行无label限制的模糊查询。

 

报警
 
 

 

Prometheus的报警功能目前来看相对计较简单。主要是利用Alertmanager这个组件。已经实现了报警组分类,按标签内容发送不同报警组、报警合并、报警静音等基础功能。配合rules_file中编辑的查询触发条件,Prometheus会主动通知Alertmanager然后发出报警。由于我们公司内使用的自研的Qalarm报警系统,接口比较丰富,和Alertmanager的webhook简单对接即可使用。

 

Alertmanager也内建了一部分报警方式,如Email和第三方的Slack,初期我们的存储集群报警使用的就是Slack,响应速度还是很不错的。

 

需要注意的是,如果报警已经触发,但是由于一些原因,比如删除业务监控节点,使报警恢复的规则一直不能触发,那么已出发的报警会按照Alertmanager配置的周期一直重复发送,要么从后台silence掉,要么想办法使报警恢复。例如前段时间我们缩容Ceph集群,操作前没有关闭报警,触发了几个osddown的报警,报警刷新周期2小时,那么每过两小时Alertmanager都会发来一组osddown的报警短信。

 

对应编号的osd由于已经删掉已经不能再写入up对应的监控值,索性停掉osddown报警项,直接重启ceph_exporter,再调用Prometheus API删掉对应osd编号的osdupdown监控项,随后在启用osddown报警项才使报警恢复。

如下图的报警详情页面,红色的是已触发的报警,绿色的是未触发报警:

 

 

绘图展示
 
 

 

对于页面展示,我们使用的是Grafana,如下面两张图,是两个不同服务的Dashboard,可以做非常多的定制化,同时Grafana的template也可以作为参数传到查询语句中,对多维度定制查询提供了极大的便利。

 

 

 

Q&A
 

 

Q1:Promethues Alertmanager,能结合案例来一个么?

A1:直接演示一条报警规则吧。

ALERT SlowRequest

  IF ceph_slow_requests{service="ceph"} > 10

  FOR 1m

  LABELS { qalarm = "true" }

  ANNOTATIONS {

    summary = "Ceph Slow Requests",

    description = "slow requests count: {{ $value }} - Region:{{ $labels.group }}",

  }

这条规则在查询到ceph slow_request > 10并且超过1分钟时触发一条报警。

 

Q2:exporter的编写及使用方法,以及 promethues 如何结合 grafana使用和promethues 是如何进行报警的。

A2:exporter的编写可以单独拿出来写一篇文章了。我们这边主要使用的Prometheus Golang SDK,在项目中注册打点,并通过Http接口暴露出来。报警没有结合Grafana,不过大多数Grafana中使用的查询语句,简单修改即可成为Alertmanager的报警规则。

 

直播链接
 

http://m.qlchat.com/topic/details?topicId=280000451202379&isGuide=Y

密码:121

 

-AND-

这是一则画风清奇的广告

(点击下方空白区域查看)

☟ ☟ ☟

 
 
 
 
分享企业与嘉宾
 
 
 



链接:http://www.bagevent.com/event/643565#website_moduleId_60229

 
 
 

活动预告