打造云原生大型分布式监控系统

笑谈监控系统

随着时间的积累，出现故障的风险越来越高，事故的发生总是出人预料，如果采用人力运维的方式，对于故障定位、故障处理都是很大的挑战。故障的时间越长，面临的损失越大，所以在发展到一定程度的团队都需要一套完善的监控系统

一套完善的监控系统最重要的就是本身永远不可以故障，即使平台故障也要确保监控可能告警出来，所以监控系统本身的高可用，是我们一直在追求的，先来看看一个完备的监控系统应该考虑哪些功能

监控系统设计面临什么问题

监控系统会对很多角色进行监控，我把他分为这几个大类：服务器、容器、服务或应用、网络、存储、中间件，根据业界的方案，不同的分类使用不同的采集器进行采集

在功能上要考虑哪些问题？

• 支持标记不同监控指标来源，方便理清楚业务来源
• 支持聚合运算，转换指标的含义、组合用来进行计算、汇总、分析
• 告警、报表、图形化大屏展示
• 保存历史数据便于溯源

在易用性上应该考虑

• 支持配置增减监控项，自定义监控

• 支持配置表达式进行计算

• 最好有自动发现，在新增服务器或新增pod等资源时自动纳入监控

• 支持配置告警策略定义告警范围与阈值，支持自定义告警

方案选型

从以上方面考虑，应该选用哪些开源方案呢？业界常见的有Elasticsearch、Nagios、zabbix、prometheus,其他方案比较小众不做讨论

• Elasticsearch 是一个实时的分布式搜索和分析引擎，支持分片、搜索速度快，一般和Logstash、Kibana结合起来一起用，也就是ELK，更擅长文档日志的搜索分析

• Nagios: 优点是出错的服务器、应用和设备会自动重启，自动日志滚动；配置灵活，可以自定义 shell 脚本，通过分布式监控模式；并支持以冗余方式进行主机监控，报警设置多样，以及命令重新加载配置文件无需打扰 Nagios 的运行。缺点是事件控制台功能很弱，插件易用性差；对性能、流量等指标的处理不给力；看不到历史数据，只能看到报警事件，很难追查故障原因；配置复杂，初学者投入的时间、精力和成本比较大。

• zabbix入门容易、上手简单、功能强大，容易配置和管理，但是深层次需求需要非常熟悉 zabbix 并进行大量的二次定制开发，二次开发太多是不可接受的

• prometheus几乎支撑了上面所有的需求，可视化展示可以接入grafana，可以用promSQL语言来做聚合查询，不需要定制；可以使用打tag的方式，对每个指标分类；强大的社区针对各种应用、网络、服务器等设备、角色都提供了采集方案以及无侵入式的高可用方案，这个就是今天讨论的重点

根据上面的种种原因，综合来看prometheus比较合适

prometheus与他的缺陷

• 从上面的架构图可以看出，prometheus是在客户端部署采集器（exporter）的形式来采集数据，服务端主动向prometheus通信来拉取数据

• 客户端也可以通过推送数据到PushGateway再交给prometheus拉取

• prometheus有自动发现的能力，简单配置以后就可以主动拉取平台接口获取监控范围：azure、consul、openstack等，并针对检测角色配置tag，如果和业务强相关，可以定制修改代码，拉取自己平台的接口来识别监控角色和动态打tag

• prometheus也有告警的能力，接入官方提供的AlertManager组件可以检测产生告警，再使用webhook接入自己的告警邮件/短信通知平台

• 这里的问题在于无法通过页面配置告警策略、也无法存储告警记录，可以在AlertManager后面加一些组件来告警收敛、静默、分组、存储

• 告警策略的动态配置，可以写程序根据策略生成告警配置、放到prometheus指定目录下，并调用prometheus热更新接口

唯一要解决的就是负载量大时出现的性能问题以及高可用问题

单机prometheus的部署存在的问题

prometheus的架构决定是他更适合单机的部署方案，单机部署在压力过大时可以通过服务器升配的方式缓解压力，但是依然会存在共性的问题

• 采集速率会因为cpu/网络通信限制导致卡顿，采集速度变慢，指标在周期内未主动拉取的时候会丢失本次的指标，这里可以把采集周期拉长，后果是粒度变粗，不建议拉太长；另一种方式就是减少无用指标的采集

• 查询时也是因为同样的原因速度会受到限制，数据存储时间范围过多时，对磁盘会有很大的压力

• 单点故障时就完全没有办法了，直接服务不可用

单点高负载考虑什么方案？

参考前一次的文章，高负载的时候自动水平扩展，并做负载均衡，首先想到的水平扩展方式就是Prometheus提供的分组能力

相应于把prometheus分片，通过配置的方式各采集部分节点，这种方式有三个问题

• 数据分散运维困难

• 要来回切换数据源，看不到全局视图

解决这个问题，考虑增加一个存储位置汇总数据（remote write）

这里考虑使用TSDB汇总，需要支持扩容的、支持集群保证高可用的TSDB

但是需要在TSDB上层再加一个查询组件来做查询，会丧失原生的查询语句能力，可以考虑把TSDB替换成prometheus节点，用联邦的形式存储

这种情况可以满足基本的使用要求，通过prometheus自监控来通知运维人员手动扩容修改分组，有没有更自动一点的方式呢？

弹性伸缩（自动水平伸缩）

弹性伸缩的前提有三个

• 要能监控当前节点负载状态，预判扩容时机

• 需要维护服务启停方式、自动创建服务并放到相应节点上

• 同时要能修改prometheus各节点数据采集范围

上k8s做容器编排是最直接的方案，可以解决创建和销毁服务的问题，也是可以通过cpu使用率或自定义指标完成横向扩容的，但解决不了的问题是修改prometheus节点配置，动态分配采集范围，考虑使用以下方案

• prometheus注意要配置节点反亲和性（k8s配置podAntiAffinity）

• 写一个调度器通过k8s api检测prometheus节点状态

• 通过k8s检测节点故障以及负载情况，使用hash分摊压力，扩展prometheus的sd自动发现功能，带上自己的hostname来获取调度器提供的数据范围

用这种方式就不需要修改配置文件了，因为是prometheus接口端定时更新监控范围

• 根据具体运行情况伸缩prometheus，不需要再配置configmap

到这里你可能有一个疑问，假如我监控服务器用上面的方式，那么多接收端，再加一个redis集群的监控，应该放到哪个节点上呢？答案是可以专门创建独立于此自动伸缩方案的prometheus来进行少量数据监控，或者直接放到所有节点上，在上层再考虑去重的问题，这个我们一会讨论。

到目前为止分片以后分散了压力，但还没有解决的问题是数据分散无法汇总查询、单点故障数据丢失的问题。

汇总查询可能你会想到刚刚说的联邦部署，但压力又汇总到一点上了，不能根本的解决问题；解决单点故障应该使用冗余的形式部署，给每个监控范围分配2个及以上监控节点，但会导致客户端拉取次数翻倍，也不建议。

如何保证单点故障数据不丢失

为了避免无法汇总查询、单点故障数据丢失的问题，这里打算接入一个高可用方案thanos，把prometheus设置为无状态应用，并开启远程写把数据推送到thanos

这样的话prometheus本身不存储数据，即使挂掉部分节点，只要保证node够多也会再自动伸缩出新的节点，期间读取到的采集范围会先负载变大，然后又得到缓解，整个过程在2个周期内解决

PS: ，Prometheus在将采集到的指标写入远程存储之前，会先缓存在内存队列中，然后打包发送给远端存储，以减少连接数量，要提高写入速率需要修改配置项queue_config

简单介绍下thanos，thanos是无侵入式的高可用方案，负责对prometheus产生的数据进行汇总、计算、去重、压缩、存储、查询、告警，他实现了prometheus提供的查询接口，对外部而言查询prometheus还是查询thanos的效果完全一样，是无感知的

一起来实现分布式高可用监控系统

如何让我们来实现一个这样的组件，你会怎么做呢？

把分片数据写入到存储，其他组件和存储通信，thanos的主流方案也是这么做的

如上图所示所有的组件都会与对象存储通信，完成数据存储或者读取的功能

• 使用对象存储做存储引擎

• 和prometheus节点一同部署sidecar，每个节点对应一个，定期放数据推送到对象存储

• Ruler负责判定告警以及根据规则做指标聚合运算

• Compact负责降准压缩，一份数据变三份，一般是分为1分钟、5分钟、1小时写回存储，查询时间粒度越大呈现指标粒度越粗，防止前端数据刷爆

• Query与其他组件通过grpc的方式进行通信读取数据，它不和对象存储直接通信，而是在中间加了一层gateway网关

• 上图的方案sidecar不是我这次的架构，其他是一样的，sidecar的原理是把采集到的数据使用缓存到本地(默认2小时数据为热数据)，冷数据才推送，近期数据存储本地，查询时再做汇总会有一定的压力，同时单点故障问题还是没有解决

如果是小规模集群无网络压力可以使用sidercar

不要在接收端存储

和prometheus部署在一起的sidercar违背了容器中的简单性原则，也提高存储压力，把他们剥离开试试？

我的想法是收集数据推送，然后进行存储，由其他组件完成与存储的通信

如上图，Receive组件实现了remote write接口，Prometheus可以将数据实时推送到Receive上；Receive本身实际上相当于一个没有收集功能的Prometheus,那此时Prometheus就不再需要存储数据，之前的方案就可以实施了

• 对象存储中的数据具有不可修改特性，也就是说一旦写入就变成只读了

• Prometheus本地存储的原理是接受到的数据写到本地文件存储里面组成WAL文件列表，Receive也是这么做的，然后超过一定时限后生成block，这些block会上传到对象存储

• Query组件来近期数据（默认2小时内）查询recevie，过期后使用对象存储

• receive使用k8s的dnssrv功能做服务发现，便于下游拉取数据而不要使用k8s的service:ip自带的负载均衡

• receive自带了hash算法，可以把上游远程写过来的流量均匀分布在各个节点上，这里可以采用k8s的service自动轮训，recevie会把请求route到相应节点上

为防止prometheus挂掉一个导致的数据丢失问题，给prometheus加一个副本，然后在query时去重，主要由query的--query.replica-label 参数和Prometheus 配置的 prometheus_replica参数来实现，如下图

同样的其他组件，如ruler也可以配置冗余部署rule_replica就不展开讲了

还好recevie自带了分布式一致性算法，不然就要自己实现一个了，到此我们解决了

• 数据接收端能应对海量数据的压力均衡

• 解决了prometheus部署在不同集群上时查询延迟高的问题

• 解决了跨节点数据复合运算（ruler）

• 解决了数据压缩降准

hashring真的是分布式一致性算法吗

我们知道分布式一致性算法可以解决下面的问题

• 在压力增加时做到自动扩容，压力减小时自动缩容

• 扩缩容时必须要保障数据不丢失，单点故障时数据也不可以丢失

• 扩缩容时数据映射落点要一致，不然会出现数据断连

但是实际使用过程中，不难发现，还是会发生数据丢失，这引起了我的兴趣

这一块的官网介绍很少，hashring 的endpoints参考下面的代码，你会发现0 1 2 的方式就是k8s的statefulset为pod 分配的name，所以recevie要以sts的方式部署，并提前把副本数与配置关系对应起来，3节点已经可以支撑很大数量的数据处理了

thanos-receive-hashrings.json: |
    [
      {
        "hashring": "soft-tenants",
        "endpoints":
        [
          "thanos-receive-0.thanos-receive.thanos.svc.cluster.local:10901",
          "thanos-receive-1.thanos-receive.thanos.svc.cluster.local:10901",
          "thanos-receive-2.thanos-receive.thanos.svc.cluster.local:10901"
        ]
      }
    ]

在源码里发现，实际上这里并没有使用分布式一致性算法！！ 在hashring.go函数里可以看到，这是一个简单的hash mod，所以hashring是有误导性的

func (s simpleHashring) GetN(tenant string, ts *prompb.TimeSeries, n uint64) (string, error) {
 if n >= uint64(len(s)) {
  return "", &insufficientNodesError{have: uint64(len(s)), want: n + 1}
 }
 return s[(hash(tenant, ts)+n)%uint64(len(s))], nil
}

提炼出来是这样的hash算法

hash(string(tenant_id) + sort(timeseries.labelset).join())

• tenant_id是指数据源带上租户，可以给不同租户分配自己的hash

• 具体的hash算法使用xxHash 参考文末资料5

解决的办法也有了，可以通过配置多副本冗余的方式，把receive的数据冗余到其他位置，设置receive.replication-factor配置，然后拉取数据的时候因为使用的是服务发现，和所有服务通信的方式，可以在一定程序上保证数据不丢失

PS: 冗余也会有点问题，算法是先选hash mod后的节点，比如是第n个，然后如果factor是2，就再选n+1和n+2，然后发请求给n，这个时候如果n挂了其实会失败，相对而言n+1或者n+2节点挂了的话不会对这部分的数据有影响

当receive出现故障是怎么处理的

当发生扩缩容的时候，由于hashring发生变化，所有的节点需要将write-ahead-log的数据flush到TSDB块并上传到OSS中（如果配置了的话），因为这些节点之后将有一个新的分配。之前已存在节点上的时间序列不需要作调整，只是后面过来的请求按新的分发来寻找该去的receiver节点。

这个过程不需要重启receive，代码里有watch，可以检测hashring的变化

注意，这种情况发生的flush可能会产生较小的TSDB块，但compactor模块可以将它们优化合并，因此不会有什么问题。

当有receiver节点发生故障时，prometheus的远程写会在后端目标无响应或503时进行重试，因此，receiver一定时间的服务挂掉是可以容忍的。如果这种挂机时间是不可接受的话，可以将副本数配置为 3 或以上，这样即使有一个receiver节点挂掉，还有其他receiver节点来接收写请求

业务指标计算问题

如果有非常复杂的业务指标，需要从其他地方采集推送，最好的方式是写成采集器exporter，在ruler进行复合运算，当然也有可能出现表达式写不出来的尴尬问题

考虑写成k8s的job定时任务，把数据推送到PushGateway，再交给prometheus去拉取

PS1: 注意按exporter的开发标准，不允许出现重复指标哦

PS2：如果要删除过期的垃圾数据可以调用PushGateway的http://%s/metrics/job/%s/instance/%s/host/接口进行删除

告警策略动态更新/告警记录储存的问题

要动态生成告警策略，可以写一个服务接收请求，调用k8s生成configmap，并通知ruler进行热更新

• 更新策略配置文件configmap（同步更新到pod里会有一定的延迟，使用subPath是无法热更新的,注意configMapAndSecretChangeDetectionStrategy: Watch参数必须为默认参数Watch）
• 把configmap挂载相应的ruler上面

全景视图

最后

当然对于一个成熟的监控系统来说，除了发现故障及时告警以外，还应该有更多的功能，这不是本次讨论的范围，如果有时间未来会写写

• 运营故障报表和资源日报周报月报等用于趋势分析
• 低负载报表用于分析服务器利用率，防止资源浪费
• 有了故障趋势和更多的重要指标覆盖，可以结合AI进行故障预测，在故障发生前提前预测

最后的最后

针对全k8s的集群监控来说，还有更简单的方式来监控，那就是Prometheus Operator，可以非常简单的创建k8s的资源，比如收集器Prometheus、采集器的抽象ServiceMonitor、AlertManager等，要监控什么数据就变成直接操作k8s集群的资源对象了

监控可能为其他应用的水平伸缩服务服务，使用Prometheus Adpater来自定义监控某些指标，来达到自动扩缩容的目的

监控还可以为运维平台服务，提供故障自动修复

一句话，只要监控运维平台做得足够好，运维人员都得失业

引用与拓展资料

• 1、7 款你不得不了解的开源云监控工具

• 2、Thanos在TKEStack中的实践 - Even - A super concise theme for Hugo

• 3、Prometheus Remote Write配置 - 时序数据库 TSDB - 阿里云

• 4、Thanos - Highly available Prometheus setup with long term storage capabilities

• 5、xxHash - Extremely fast non-cryptographic hash algorithm