我们的愿望是基于Zabbix这个强大开源平台，结合实际一线运维工作的需要+ITIL等运维理论，做成类似MIUI一样的开发、易用、实用、人性和美观的全新监控平台。因此，今天我会从技术方向的选择、开发、架构设计到深度定制，分享我们在Zabbix二次开发上的一些前瞻性想法。

主题大纲：

为什么要做监控？

从军事的角度出发，监控是一种积极防御战略，是未战之战，有效的监控可以拓宽战略纵深，可以更积极地保护我们的重点军事目标。以下是我们要求运维团队时时牢记的两句话：

1. 出了任何故障，其它环节都可能有问题，唯独监控环节一定有问题。

2. 海恩法则：每一起严重事故的背后，必然有29次轻微事故和300起未遂先兆以及1000起事故隐患。

IT服务成熟度模型中，监控手段是转被动运维为主动运维的必然“预防“和”度量“手段。因此，在这么多年的重大故障分析会议上，监控问题总是在会议前期和后期都拿出来重点讨论的，会议一开始就要问“为什么故障没有被监控出来”或者”在故障发生的前后都监控出来什么异样“。会议结束前的总结通常是“对于漏掉的监控项一定要被加入“或者是”对于监控到的指标或阀值一定要被优化“。

如果这四个问题都被很好地回答并改善，我想下次类似的故障是不可能出现的，因此，做监控需要有一个PDCA持续改进的过程，当然，改进的核心有且只有两个：“覆盖率“和”准确率”。

当然，对于一个更优秀的监控系统，它还可以有如下价值：

对组织：

• 全局监控帮助组织制定IT管理战略

• 从IT资源到组织业务的直接对接

• 制定IT资源、IT组织工作管理的基础

• 组织与内外部IT组织的沟通枢纽

对IT管理者：

• IT管理者工作价值体现 

• 帮助IT管理者全面了解IT现状

• 方便IT管理者管理IT组织的工作绩效

• 搞高IT部门的工作效率，减少企业成本

• 降低业务系统宕机风险

对IT操作者：

• 及时发现业务系统各个单元故障

• 深度定位系统的故障根源，及时解决

• 拉近IT操作者与组织业务的距离

• 直接体现具体IT操作者的工作业绩

• 帮助从IT的角度提高促进业务高效稳定

为什么是Zabbix？

前不久看到一则路边社报道，在中国有80%的企业在使用Zabbix做监控，不知道统计的方法和口径是怎样的，不过，80%这个数值也感性地传达了它的热度。

统计数据

在Zabbix的官网上找到一个清单，一堆国外知名公司都是它的合作伙伴，就最近的交流沟通中，但凡有计划做监控的组织无不试用Zabbix的，如果有网友有更值得参考的统计数据，可以回复本文，并注明数据来源。

目前，从IT Central Station的官网找到一份统计信息，这份统计数据是由加入这个网站的企业CIO反馈的信息实时得到，以下这份数据是2017年11月18日生成的。

这份统计数据主要来自北美的参与者，在国内没有代表性，不过相信在国内的数据会比这个更高，国内对于免费和开源的被教育程度显然是更高，这个得益于红衣教主周鸿祎，以及一堆互联网公司的推高和强化，至于背后的商业伦理和其他成本问题姑且不论。

Zabbix的特点

Zabbix是一个基于WEB界面且提供分布式系统监控的开源解决方案，通过浏览器监视，做到告警分级处理、网络访问安全可控，该开源平台在全球有广泛的用户基础，它的特点：

• 开放性：源代码全公开，任何用户都可以编译和发布自己的版本。同时，社区和互联网可以找到大量的模板。

• 可扩展性：支持用户自定义监控项，只要能想得到的指标，基本都能监控的到。

• 数据采集：可用性和性能检测，自动发现，支持agent、SNMP、JMX、telnet等多种采集方式，支持主动和被动模式数据传输。

• 高可用：Server对设备性能要求低，支持Proxy分布式监控，分布式集中管理，开放式接口，扩展性强。

• 告警管理：支持多条件告警，支持多种告警方式。

• 模板能力：支持多组模板，模板继承。

• 告警设置：告警周期、告警级别、告警恢复通知、告警暂停，时段阈值、支持维护周期、支持单机停用。

• 历史数据：历史数据查询可配置，内置housekeeping数据清理机制。

• 安全审计：具备安全的用户审计日志、权限认证，用户可以限制允许维护的列表。

• 无商业版本：平台本身没有商业版和社区版本的区分，ZABBIX只对商业服务收费（如培训、定制开发、部署服务等）。

• 等等……

Zabbix的全栈监控能力：官网有一句非常“嚣张“的话，Monitor everything！

与其它商业产品对比

各个大厂都有提供相关监控产品，比如说微软的SCOM、IBM的Tivoli、华为的Esight、HP的BSM等，如果环境都是单一的某一家厂家的产品，用该厂家提供的监控工具肯定是合适的，笔者就曾经深度使用过SCOM，2005年还叫MOM，是System Center中的一个套件，这个产品对于微软周边的产品如AD、Exchange、Windows、SQL Server、SharePoint、Lync等监控非常深入，同时微软官方还提供了相关故障知识库，报表也做得非常不错，九一乐维团队甚至在2011年以前还拿SCOM做过定制开发。

但是，如果拿SCOM去监控Linux、AIX、Oracle或者网络通讯设备就非常不合适了。这里，Zabbix就能够很好地平衡监控的深度和广度，而且源于开源的力量，在全球用户的持续贡献下，它的深度和广度是在持续不断地延展的。

以下引用翔华兄（Shawn沙恩）的一张图说明Zabbix的深度和广度，见：https://www.jianshu.com/u/c7663d8c3fa8。

与其它开源项目对比

前文提到在IT Central Station中，Nagios X排在Zabbix的前面，我们团队在定技术方向时，也深刻对比过，两者简言之：Zabbix安装好后，做一些简单的设置基本上就可以用了，Nagios X部署完成后相当于只是一个平台，需要安装第三方插件才能起作用。详细对比如下：

当然，市面上还有诸如：Open-Falcon、Zenoss、Ganglia、Prometheus、Cacti等开源产品，简单分析如下：

• Open-Falcon：小米开源，时间不长，成熟度有待提高，现在的版本是V1.0。

• Zenoss：区分社区版和企业版本，资源消耗高，社区版本有些鸡肋。

• Ganglia：适合监控系统性能，成熟度和完整度不高，如报警、消息系统，需要更多二次开发。

• Prometheus：开源的业务监控和时序数据库，刚发布2.0，在稳定性、性能、文档上仍有很大提升空间，互联网上可用资料，案例还不丰富。

• Cacti：通过 SNMPget来获取数据，使用 RRDtool绘画图形，画图功能强大，报警机制及相关功能不完善。

以上这些产品，笔者认为Prometheus会是个不错的方向，最根本是它的时序数据库，有兴趣的读者可以先行先试。

综合来讲，Zabbix是一个非常强大的监控平台，简单拿来完成监控一些Hosts，没有什么问题，而且目前国内大部分客户都是这么做的，基本上是安装完后，网上找到一些相关模板，配置后把Hosts监控起来就差不多了，当然也不乏像PPTV、携程、唯品会等这样优秀的互联网公司，做了深度定制和改造。

一个剥离的工具平台

Zabbix的所有监控对象都被认为是Host，包括主机、网络设备、中件间和数据库等，这样除了做监控，之后的运维管理工作就很不方便了，比如说配置管理、统计报表、权限、知识库、业务服务管理、CFIA等都会受影响。所以，原生的Zabbix仍然是一个原生的高度剥离的工具平台。

其它问题：

1. 性能瓶颈，监控系统没有低估高峰期，具有持续性和周期性，机器量越大，数据的增大会使数据库的写入成为一定的瓶颈，每秒1万个指标（我们在项目实施过程中，达到过3万多个指标），据说4.0每秒40万个指标。

2. 项目二次开发，需要分析MySQL表结构，表结构非常复杂，对开发能力有较高要求。

3. 内置housekeeping在执行过程中会对数据库增加压力，需要对数据库进行优化。

4. 图形功能较为单一、简陋。

5. 使用有难度，要求操作人员的技术水平很丰富且全面，需要熟悉被监控对象，已经具备相当的开发能力。

6. API介绍比较粗糙，如果数据库表结构更改可能会影响API调用。

7. Zabbix 监控的模板比较复杂，没有一个比较简洁易懂监控模板创建的向导，使得模板配置比较困难。

8. Zabbix 的用户权限控制粒度不够。

9. Zabbix的交互界面还不美观，操作不人性化。

当然，还有那些你没有深入使用就永远也发现不了的坑。

显性化的需求

在界面展示上，目前使用较多的Grafana+Zabbix，能达到一定的展示效果，实施效果如下图：

也有58同城运维团队开源的Zatree插件，实施效果如下：

如果要求再高一些，就有些困难了，经常能看到希望可以用ECharts展示Zabbix数据的需求，甚至可以看到不少Zabbix数据与第三方商业显示插件的集成需求。

深度集成的需求

监控软件于信息化体系不是孤立存在的，把监控平台独立成一个信息孤岛，是不符合信息化初衷的，可能存在的集成系统列举如下：

1. 其它运维工具：ITSM（也可能是独立的工单系统、服务台系统、CMDB或资产管理系统）、动环管理系统、APM系统、DevOps系统、自动化运维工具平台、日志平台、端对端拨测系统、安全系统、4A系统、审计系统私有云平台等。

2. 消息通知：短信、微信、邮件、钉钉、内部IM系统等。

3. 组织架构系统：组织架构、人员同步、权限系统、单点登录系统等。

4. 统一展示：Portal系统、投屏、OA系统、微信公众号、业务数据统一呈现等。

5. 其它：组织APP、企业知识库、音视频交互平台、大数据平台等。

信息系统的集成是信息化建设非常困难的一环，数据信任、源数据稳定、接口对接、例外处理，考验着信息化整合架构能力和信息系统质量。

业务保障的需要

监控的核心意义在于保障业务系统高可用性，尤其是核心业务系统的高可用性，而不只是监控那些Hosts，完成Host的监控只是完成了第一步，还需要做好三道必选题：

1. Hosts和业务系统存在怎样的关系？

2. 业务系统出现故障时，哪些Hosts的状态和性能存在什么直接或间接影响？

3. 当前Hosts的告警，到底对哪些其它Hosts或业务系统存在怎样的影响？

做监控源于我们早期做运维服务的必然需求，我们的愿望是基于Zabbix这个强大开源平台，结合实际一线运维工作的需要+ITIL等运维理论，做成类似MIUI一样的开发、易用、实用、人性和美观的全新监控平台。

架构设计

下图是我们的软件逻辑架构：

这个架构有两个最重要的基础：

• 将Hosts区分为主机、网络通讯设备、数据库、中件间、业务系统、虚拟机、硬件、链路等实体IT基础架构组件。

• 深度定制的基于Zabbix API实现，以PHP语言实现，把Zabbix原生页面保留在系统后台。

软件平台在功能逻辑上分为四层：

• 基础层：这一层以一个分布式、高可用、高并发的软件服务端为基础，构建以被驯服了的监控模板、指标和阀值为基础的底层监控体系，这一层纯粹是我们使用Zabbix的积累和经验。

• 功能层：基于Zabbix API实现的管理功能，这些功能抽取了大部企事业单位的监控需求的公约数。

• 展示层：监控效率的显性化表达，大屏设计，业务地图（CFIA的显性化），网络拓扑图，大部分客户都会需要业务量监控的显性化集成，业务量监控本身又是另外一个话题，当然这里的业务量核心在于源数据的获取，剩下的套路都基本一致，设计指标、设置阀值、触发告警通知等。

• 接口层：主要对接外部接口，如IM、短信、邮件、声音等。

在功能上最大的三个特点是结合生产实际，实现了拓扑的自动生成、自定制投屏和业务地图（CFIA，故障组件影响分析树），拉近了Zabbix和业务生产运维的实际需要。

前端交互

界面采用了Twitter开源的Bootstrap的前端框架，图表采用了Baidu开源的ECharts控件。

踩过的那些坑

从2011年开始玩Zabbix，踩过的坑着实不少，被研发的同事吐了无数槽，所谓“情到深处又爱又恨“。以下简述印象比较深刻的几个坑：

• 二次开发的方式：2011刚开始做的时候，我们直接修改Zabbix开源的源代码，实现了一些功能，自以为做得还不错，但后来Zabbix升级一个大版本，发现Zabbix做得比我们高明多了，所以之后我们都尽量不去改Zabbix的源码，动也只是做操作层面的改进，用户交互的改良。

• 模板：一开始我们想得很简单，网上收集一堆模板，这个事就算做完了，后来发现这只是个开始，默认模板考虑的深度还不够，需要持续改良和积累。

• 不必要的Item：在做IT基础架构监控尤其是网络监控的时候，对于Item的启用、对于指标收集的及时性和数据容量的控制至关重要，一开始我们几乎启用了所有Item，后来发现监控的效率和数据库日增量实在让人受不了，最后想办法压制了一些很少被用到的Item，改进的效果非常明显。

• Oracle的监控：用原生的Orabbix监控Oracle时会有些问题，比如说常见的审计问题，需要DBA持续优化。

• 数据清理的问题：Zabbix默认配置了Housekeeping来清理数据，但根据我们的经验，在执行清理时除了影响数据库运行，还有约15%的系统资源的损耗，因此，我们默认关闭了这个功能，将这个功能脚本页面化了。

其它问题：

• 监控频率无法做到秒级别；

• Web拨测只支持get和post，中文乱码；

• 脚本下发只支持Shell，并且搭配告警等触发，无法手动；

• IPMI轮训存在延时；

• 告警有时会无法自动恢复；

• SNMP监控请求一个监控项一个连接请求；

• … …

常见优化的方向

以下简单列举我们常见优化的几个方向：

• 高可用部署：高可用部署依赖可预见的监控规模和组织，对监控系统的重视程度渐次加强，最简单的起码做到Web和DB的分离；其次，做到数据库层面的高可用；然后是分布式代理，甚至代理层的高可用；再是考虑Web层的负载，最后，有条件的可以加一层冷备。

• 数据库优化：Zabbix的数据库优化是被提到最多的，通常矛盾最突出的也是MySQL的性能，通常的解决办法是：表分区；优化Item；多采用主动方式采集；Housekeeper优化；优化触发器表达式；数据库主从，Proxy模式；Zabbix配置文件调优；分表；提高机器配置（SSD）。

  在本文章要交付发表的时候，收到一则新闻：Zabbix 3.4.5 可能使用基于 Elasticsearch 的历史数据服务接口，不再受限于单机 MySQL 的容量和性能了。

• 数据库监控：上一节提到Oracle监控的坑，其它数据库也一样，多采用自己可控的监控方式。

• 链路监控：单独把链路监控提出来，对于一些有分支机构的组织来说显得尤其必要。

• 历史数据存档与清理：通常限定详细监控数据的保存时间，只保留趋势数据，转存或清理历史数据，我们采用脚本页面化的方式实现。

• 监控平台的自监控：监控Zabbix本身的状态

监控作为一个重要的管理手段，存在很多的使用场景，简单列举我们现在碰到的：

1、ITSM系统集成

事件管理流程集成；配置管理集成，自动CI获取，提高CMDB准确、实时性；知识库集成，提高知识库的可持续消费能力。

2、物联网设备监控

物联网设备底层基于Linux，可监控主要运行参数，提升为物联网监控。

3、视频监控集成

集成视频监控等社会监控资源，实现政府管理部署的应急指挥中心。

随着信息技术的不断更迭，以及监控本身广度和深度且的动态变化，Zabbix二次开发做起来无止境，计划赶不上变化，我们大概的规划如下：

• 增加监控对象的可视化，对标MIUI，提高监控界面的可视化、人性化、专业化；

• 提高各个组件对象的监控能力，持续提高深度和广度；

• 基于业务地图的故障回放；

• 简化迭代，开放社区版本；

• 自动化运维，基于业务地图的自动化；

• 自动化、智能化告警收敛；

• 运维大数据、AI，增强与更多成熟产品的集成经验。

做监控是一条不归路，做运维也是一条不归路，做产品、做企业更是一条不路，漫漫人生长路，与诸君共勉！

【问题1】用Zabbix怎么监控IBM的power服务器（硬件方面的）？

答：硬件监控，ipmi 和SNMP，带外管理口集成。

追问：ipmi获取数据有时候回拉不到是什么情况？

答：ipmi的监控在Zabbix低版本时的确轮询很差，有存在这个问题，Zabbix在升级版本中也一直对这块做了优化，建议尽量用高版本的Zabbix。

追问：ipmi 监控IBM服务器硬件的时候经常获取不到数据，监控效果很差。

答：是的，Zabbix的每个版本都有所优化，ipmi也有相应的配置参数，相对调整也可以加快轮询。

【问题2】业务监控怎么做的？

答：我们是分两层做的，一个业务本身可用性监控，一个是依赖监控，然后建立关系。

追问：业务数据怎么做？

答：业务数据需要单独做，我们通常是独立做一个应用再与我们的平台集成，集成主要在显示层。

【问题3】Oracle的监控，能详细说说吗？

答：我们让DBA独立写的监控脚本，放弃了orabbix。

【问题4】Zabbix案例中最多监控多少设备、实施？

答：看item。

【问题5】你们代码开源了吗？

答：我们研发了很久，投入很大，代码暂时不开源，计划明年开放一部分功能。

【问题6】老师你好，能讲讲Zabbix对Docker容器的监控方案吗？

答：

1. 基本：运行状态数量、统计数量、版本、暂停状态数量、停止状态数量。

2. 自动发现：IO读写操作字节数、容器状态、CPU使用率百分比、磁盘使用、内存限制值、内存使用率、网络收发字节、总缓存、交换分区、运行时间等等。

【问题7】Zabbix server作为监控处理中心，怎么做高可用？

答：WEB层、DB层、Proxy，层层实现，建议做一层冷备。

【问题8】请问，如何做预警?

答：3.0以上就已经有这个功能了，通过类似Forecast这样的函数实现。

追问：这些一般函数效果一般，有没有更好的办法？

答：原生的只要这些，可以结合多种表达式做优化。

【问题9】监控触发报警的阀值，能根据历史采样数据做到动态设置吗？

答：现在还不行，trigger还是静态的，需要做二次开发。

【问题10】如何把不同的磁盘分区报警发给不同的人，如WebLogic分区告警发给中间件管理员，Oracle分区报警发给数据库管理员？

答：通过告警和报表订阅实现，Zabbix原生还没有。

【问题11】容器上跑Zabbix-server的坑能讲讲吗？

答：我们2015年用Docker跑过，发现了一些问题，比如说JDBC当时没有提供，监控不了数据库，最近的版本还没有尝试。

【问题12】Zabbix-server的高可用，一般用什么组件实现？ZooKeeper？Keepalive？还是其它的？

答：我们用Keepalive。

【问题13】文中提到IBM的小机的带外管理口是指HMC管理口吗？

答：是的，拿Zabbix监控硬件需要掌握原厂的MIB库。

【问题14】请介绍下如何做告警收敛？

答：我们做了管理上的收敛，Zabbix原生可以配置告警依赖，另外触发器事件模式配置单重等，计划未来在实践不尝试去做告警的智能收敛，这个步骤我们会相对谨慎，宁可适当多发，也不漏发，避免影响监控的覆盖率和准确率。

追问：监控触发报警的阀值，能根据历史采样数据做到动态设置吗，有结合一些数据挖掘算法的案例吗？

答：需要二次开发。

【问题15】Zabbix和自动化部署工具，如Salt集成有这方面的经验吗？

答：做过一些测试，使用salt自动部署需要解决的问题。

• rpm包的打包（这个问题不大，官方有提供）

• rpm 安装（pkg模块）

• 配置文件调整(file模块)

• 服务自启动（service）

• 配置文件的适配（使用salt的pillar实现）

基本上涉及salt的pkg（包管理模块）、file(文件管理模块)、service（服务管理模块）、pillar模块这四个模块。

【问题16】Zabbix的版本升级有没有坑?

答：按官方提示操作，逐渐升级版本。不建议跨版本升级，因为版本间可能有表字段的变更，版本跨越太大可能导致系统无法运行；如果非要跨版本升级的话，建议将主机和模板导出，部署完再做导入；如果不是研究的话，版本升级不建议太激进。