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
　　监控大屏
　　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
　　方案选型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
　　prometheus架构图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tagprometheus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
　　单点prometheus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
　　分片采集
　　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（remotewrite）
　　分片后汇总
　　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
　　联邦
　　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
　　调度器prometheus注意要配置节点反亲和性（k8s配置podAntiAffinity）写一个调度器通过k8sapi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
　　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queueconfig
　　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？
　　汇总存储，上层完成其他功能
　　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
　　thanos架构图
　　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？
　　汇总再转存
　　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
　　receive方案
　　如上图，Receive组件实现了remotewrite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。replicalabel参数和Prometheus配置的prometheusreplica参数来实现，如下图
　　概览
　　同样的其他组件，如ruler也可以配置冗余部署rulereplica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012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thanosreceivehashrings。json：〔｛hashring：softtenants，endpoints：〔thanosreceive0。thanosreceive。thanos。svc。cluster。local：10901，thanosreceive1。thanosreceive。thanos。svc。cluster。local：10901，thanosreceive2。thanosreceive。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hashmod，所以hashring是有误导性的func（ssimpleHashring）GetN（tenantstring，tsprompb。TimeSeries，nuint64）（string，error）｛ifnuint64（len（s））｛return，insufficientNodesError｛have：uint64（len（s）），want：n1｝｝returns〔（hash（tenant，ts）n）uint64（len（s））〕，nil｝
　　提炼出来是这样的hash算法hash（string（tenantid）sort（timeseries。labelset）。join（））tenantid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。replicationfactor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hashmod后的节点，比如是第n个，然后如果factor是2，就再选n1和n2，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n1或者n2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writeaheadlog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：smetricsjobsinstanceshost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
　　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PrometheusOperator，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PrometheusAdpater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EvenAsuperconcisethemeforHugo3、PrometheusRemoteWrite配置时序数据库TSDB阿里云4、ThanosHighlyavailablePrometheussetupwithlongtermstoragecapabilities5、xxHashExtremelyfastnoncryptographichashalgorithm