prometheus 落地实践

发表于

这是我之前在「dbaplus 社群」的分享，已经转载到过「hulk一线技术杂谈」

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打点的粒度和维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，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 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。

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 表示搜集的数据是一个瞬时的，与时间没有关系，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，通常我们用它计算分位数的直方图。

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，例如借口请求次数，消息队列数量，重试操作次数等。一小部分使用Gauge，如在线人数，协议流量，包大小等。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律。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 <metric name>{<label name>=<label value>, ...}
例如：

1
2
3
4
5
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.
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Relation.GetUserInfo的频率:

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

DraggedImage

或者基于方法和错误码统计Center的整体 rpc 请求错误频率:

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

DraggedImage-1

如果我们想统计Center各方法的接口耗时:

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

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
  • center_api_req_num_cv 表示http api调用统计
  • group_msg_queue_cnt_c 表示对列长度统计

尽可能将使用各服务或者组建通用的名称定义metric然后通过各种lable进行区分。
最开始我们的使用方式是这样的，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，对于个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了名称的话，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。

同时通过前面的各类查询例子也会发现，我们在使用label时也针对不同的意义进行了区分如 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。

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，增删机器之后简单的reload一下即可。例如
DraggedImage-3

但随着服务器量级增长，业务整合到同一组prometheus的时候，每次上下线实例都是一个十分痛苦的过程。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和k8s

1
2
3
4
5
6
7
8
9
10
11
12
13
14
<scrape_config>
<tls_config>
<azure_sd_config>
<consul_sd_config>
<dns_sd_config>
<ec2_sd_config>
<openstack_sd_config>
<file_sd_config>
<gce_sd_config>
<kubernetes_sd_config>
<marathon_sd_config>
<nerve_sd_config>
<serverset_sd_config>
<triton_sd_config>

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的。我们最终选择file_sd_config作为服务发现的配置。

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。所以我们针对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。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
[
     {
         "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。

1
2
3
4
- job_name: 'qtest'
   scrape_interval: 5s
   file_sd_configs:
     - files: ['/usr/local/prometheus/qtestgroups/*.json']

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。
使用方法比较简单，例如我们一个机房有三个prometheus节点用语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：

1
2
3
4
5
6
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

node_rules/zep.test.rules：

1
job:center_rpc_invoke_cnt:sum:rate:1m=sum by (method, code) (rate(center_rpc_invoke_cnt_c{code!="0"}[1m]))

在这里job:center_rpc_invoke_cnt:sum: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。

1
2
3
4
5
6
7
8
9
10
11
12
- 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聚合数据用于绘图，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shard节点进行报警。

此外我们还尝试编写一个实验性质的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浏览器。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，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数据量比较大的时候，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。配合rules_file中编辑的查询出发条件，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，那么没过两小时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
DraggedImage-4

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。
DraggedImage-5
DraggedImage-6