使用Prometheus实现应用监控的一些实践


在这篇文章中我们介绍了如何利用Prometheus监控应用。在后续的工作中随着监控的深入,我们结合自己的经验和官方文档总结了一些 Metrics 的实践。希望这些实践能给大家提供参考。

确定监控对象

在具体设计Metrics之前,首先需要明确需要测量的对象。需要测量的对象应该依据具体的问题背景、需求和需监控的系统本身来确定。

从需求出发

Google针对大量分布式监控的经验总结出四个监控的黄金指标,这四个指标对于一般性的监控测量对象都具有较好的参考意义。这四个指标分别为:
  • 延迟:服务请求的时间。
  • 通讯量:监控当前系统的流量,用于衡量服务的容量需求。
  • 错误:监控当前系统所有发生的错误请求,衡量当前系统错误发生的速率。
  • 饱和度:衡量当前服务的饱和度。主要强调最能影响服务状态的受限制的资源。例如,如果系统主要受内存影响,那就主要关注系统的内存状态。


以上四种指标,其实是为了满足四个监控需求:
  • 反映用户体验,衡量系统核心性能。如:在线系统的时延,作业计算系统的作业完成时间等。
  • 反映系统的吞吐量。如:请求数,发出和接收的网络包大小等。
  • 帮助发现和定位故障和问题。如:错误计数、调用失败率等。
  • 反映系统的饱和度和负载。如:系统占用的内存、作业队列的长度等。
    除了以上常规需求,还可根据具体的问题场景,为了排除和发现以前出现过或可能出现的问题,确定相应的测量对象。比如,系统需要经常调用的一个库的接口可能耗时较长,或偶有失败,可制定Metrics以测量这个接口的时延和失败数。


从需要监控的系统出发

为了满足相应的需求,不同系统需要观测的测量对象也是不同的。在 官方文档 的最佳实践中,将需要监控的应用分为了三类:
  • 线上服务系统(Online-serving systems):需对请求做即时的响应,请求发起者会等待响应。如Web服务器。
  • 线下计算系统(Offline processing):请求发起者不会等待响应,请求的作业通常会耗时较长。如批处理计算框架Spark等。
  • 批处理作业(Batch jobs):这类应用通常为一次性的,不会一直运行,运行完成后便会结束运行。如数据分析的MapReduce作业。


对于每一类应用其通常情况下测量的对象是不太一样的。其总结如下:
  • 线上服务系统:主要有请求、出错的数量,请求的时延等。
  • 线下计算系统:最后开始处理作业的时间,目前正在处理作业的数量,发出了多少items,作业队列的长度等。
  • 批处理作业:最后成功执行的时刻,每个主要stage的执行时间,总的耗时,处理的记录数量等。


除了系统本身,有时还需监控子系统:
  • 使用的库(Libraries):调用次数,成功数,出错数,调用的时延。
  • 日志(Logging):计数每一条写入的日志,从而可找到每条日志发生的频率和时间。
  • Failures:错误计数。
  • 线程池:排队的请求数,正在使用的线程数,总线程数,耗时,正在处理的任务数等。
  • 缓存:请求数,命中数,总时延等。


选择Vector

选用Vec的原则:
  • 数据类型类似但资源类型、收集地点等不同
  • Vec内数据单位统一


例子:
  • 不同资源对象的请求延迟
  • 不同地域服务器的请求延迟
  • 不同http请求错误的计数
  • ……


此外,官方文档中建议,对于一个资源对象的不同操作,如Read/Write、Send/Receive,应采用不同的Metric去记录,而不要放在一个Metric里。原因是监控时一般不会对这两者做聚合,而是分别去观测。

不过对于request的测量,通常是以Label做区分不同的action。

确定Label

常见Label的选择有:
  • resource
  • region
  • type
  • ……


确定Label的一个重要原则是:同一维度Label的数据是可平均和可加和的,也即单位要统一。如风扇的风速和电压就不能放在一个Label里。

此外,不建议下列做法:

my_metric{label=a} 1 my_metric{label=b} 6 my_metric{label=total} 7

即在Label中同时统计了分和总的数据,建议采用PromQL在服务器端聚合得到总和的结果。或者用另外的Metric去测量总的数据。

命名Metrics和Label

好的命名能够见名知义,因此命名也是良好设计的一环。

Metric的命名

  • 需要符合pattern: a-zA-Z:

  • 应该包含一个单词作为前缀,表明这个Metric所属的域。如:
    • prometheus_notifications_total
    • process_cpu_seconds_total
    • ipamd_request_latency

  • 应该包含一个单位的单位作为后缀,表明这个Metric的单位。如:
    • http_request_duration_seconds
    • node_memory_usage_bytes
    • http_requests_total(for a unit-less accumulating count)

  • 逻辑上与被测量的变量含义相同。
  • 尽量使用基本单位,如seconds,bytes。而不是Milliseconds,megabytes。


Label的命名

依据选择的维度命名,如:
  • region:shenzhen/guangzhou/beijing
  • owner:user1/user2/user3
  • stage:extract/transform/load


Buckets选择

适宜的buckets能使histogram的百分位数计算更加准确。

理想情况下,桶会使得数据分布呈阶梯状,即各桶区间内数据个数大致相同。

buckets 的设计可遵从如下经验:
  • 需要知道数据的大致分布,若事先不知道可先用默认桶({.005, .01, .025, .05, .1, .25, .5, 1, 2.5, 5, 10})或2倍数桶({1,2,4,8...})观察数据分布再调整 buckets。
  • 数据分布较密处桶间隔制定的较窄一些,分布稀疏处可制定的较宽一些。
  • 对于多数时延数据,一般具有长尾的特性,较适宜用指数形式的桶(ExponentialBuckets)。
  • 初始桶上界一般覆盖10%左右的数据,若不关注头部数据也可以让初始上界更大一些。
  • 若为了更准确计算特定百分位数,如90%,可在90%的数据处加密分布桶,即减少桶的间隔。


比如我在监控我们某些任务耗时的时候,就是选根据实际情况估算出大致的bucket取值,上线后观察数据和监控再去调整bucket,这样经过几次调整应该就能调整到比较合适的bucket。

Grafana使用技巧

查看所有维度

如果你想知道是否还能按其它维度分组,并快速查看还有哪些维度,可采用以下技巧:在query的表达式上只保留指标名称,不做任何计算,Legend format也留空。这样就能显示出原始的Metric数据。如下图所示:
1.png

标尺联动

在Settings面板中,有一个Graph Tooltip设置项,默认使用Default。
2.png

下面将图形展示工具分别调整为Shared crosshair和Shared Tooltip看看效果。可以看到标尺能联动展示了,方便排查问题时确认2个指标的关联性。

将图形展示工具调整为Shared Tooltip:
3.png

原文链接:https://lxkaka.wang/metrics-best-practice/

0 个评论

要回复文章请先登录注册