监控系统自监控怎么做？

龙五 2023-10-10 11:07:08

问题

监控系统用于监控其他的系统、基础设施，绝对是 P0 级的服务，那监控系统的自监控应该怎么做呢？如果自己监控自己，有些组件挂掉了难免循环依赖，如果单独搞一套新的监控系统来监控当前服役的监控系统，又搞得有些过于复杂。本文我们来探讨一下监控系统的自监控应该怎么做。

解决方案：自身指标

首先，监控系统自身是会暴露监控指标的，比如 Prometheus、VictoriaMetrics、Nightingale，都通过 /metrics 接口暴露了自身的监控指标，这些指标通过监控系统自身的采集机制去采集就好，相关数据的历史趋势图、告警规则，也在监控系统自身配置好，只要自身模块没有挂掉，或者没有全部挂掉，相关数据基本都可以正常使用。

比如 Nightingale 的自身监控指标，可以通过 categraf 的 input.prometheus 插件来采集，即 conf/input.prometheus/prometheus.toml 的内容如下：

[[instances]]urls = [    "http://localhost:17000/metrics"]

localhost:17000 换成你的 Nightingale 的地址即可。然后导入内置仪表盘：https://github.com/ccfos/nightingale/tree/main/integrations/n9e/dashboards，即可看到 Nightingale 自身的监控指标了。

解决方案：存活监控

如果监控系统同时有多个模块故障，此时自身指标可能都采集不到了，告警引擎可能也有故障，此时就没法通过自身指标来监控了，此时就需要一个外挂的小监控系统来监控这类严重情况了。而且，告警通道尽量也不要复用之前的通道，因为通道可能也会故障。

我的建议是采用 catpaw + FlashDuty 来搞这个需求。FlashDuty 是外网的 SaaS 服务，只要公网出口是好的，就能提供监控服务，而且无需我们维护，使用免费套餐都够用，毕竟监控系统也不会经常挂……

catpaw 最新版本是 v0.7.0，已经提供了 exec（执行脚本的插件）、filechange（文件变化监控的插件）、http（HTTP探测的插件）、journaltail（系统日志异常检测插件）、mtime（递归判断文件变化的插件）、net（TCP、UDP探测的插件）、ping（PING插件）、procnum（进程数量监控插件）、sfilter（自定义脚本插件，相比exec插件更简单，匹配脚本输出）等多个监控插件，我们可以使用 net 插件来探测监控系统的各个组件的存活情况，比如下面是 net 插件的配置样例：

[[instances]]targets = [#     "127.0.0.1:22",#     "localhost:6379",#     ":9090"]
## Set timeout (default 5 seconds)# timeout = "5s"
## Set read timeout (only used if expecting a response)# read_timeout = "5s"
# # Concurrent requests to make per instance# concurrency = 10
# # gather interval# interval = "30s"
# # Optional append labels# labels = { env="production", team="devops" }
## Protocol, must be "tcp" or "udp"## NOTE: because the "udp" protocol does not respond to requests, it requires## a send/expect string pair (see below).# protocol = "tcp"
## The following options are required for UDP checks. For TCP, they are## optional. The plugin will send the given string to the server and then## expect to receive the given 'expect' string back.## string sent to the server# send = "ssh"## expected string in answer# expect = "ssh"
[instances.alerting]## Enable alerting or notenabled = true## Same functionality as Prometheus keyword 'for'for_duration = 0## Minimum interval duration between notificationsrepeat_interval = "5m"## Maximum number of notificationsrepeat_number = 3## Whether notify recovery eventrecovery_notification = true## Choice: Critical, Warning, Infodefault_severity = "Warning"

如果目标 IP:Port 连不上了，就会报警，报警事件的具体推送策略在 [instances.alerting] 配置段配置。

如果监控系统的某个模块，不监听端口，没法监控端口存活，可以使用进程数量监控，即 procnum 插件，相关配置样例如下：

[[instances]]# # executable name (ie, pgrep <search_exec_substring>)# search_exec_substring = ""
# # pattern as argument for pgrep (ie, pgrep -f <search_cmdline_substring>)search_cmdline_substring = ""
# # windows service name# search_win_service = ""
alert_if_num_lt = 1check = "进程存活检测(进程数量检测)"interval = "30s"
[instances.alerting]## Enable alerting or notenabled = true## Same functionality as Prometheus keyword 'for'for_duration = 0## Minimum interval duration between notificationsrepeat_interval = "5m"## Maximum number of notificationsrepeat_number = 3## Whether notify recovery eventrecovery_notification = true## Choice: Critical, Warning, Infodefault_severity = "Warning"