应用监控

写在前面

应用监控实际要比 OS、中间件的监控更为关键,因为某个 OS 层面的指标异常,比如 CPU 飙高了,未必会影响终端用户的体验,但是应用层面的监控指标出问题,通常就会影响客户的感受、甚至影响客户的付费。

针对应用监控,Google提出了 4 个黄金指标,分别是:流量、延迟、错误、饱和度,其中前面 3 个指标都可以通过内嵌 SDK 的方式埋点采集,本节重点介绍这种方式。当然了,内嵌 SDK 有较强的代码侵入性,如果业务研发难以配合,也可以采用解析日志的方案,这个超出了夜莺(夜莺是指标监控系统)的范畴,大家如果感兴趣,可以了解一下快猫的商业化产品

埋点工具

最常见的通用埋点工具有两个,一个是 statsd,一个是 prometheus SDK,当然,各个语言也会有自己的更方便的方式,比如 Java 生态使用 micrometer 较多,如果是 SpringBoot 的程序,则使用 actuator 会更便捷,actuator 底层就是使用 micrometer。

夜莺自身监控

我们就以夜莺自身的代码举例,讲解如何内嵌埋点工具,这里选择 prometheus SDK 作为埋点方案。

夜莺核心模块有两个,Webapi 主要是提供 HTTP 接口给 JavaScript 调用,Server 主要是负责接收监控数据,处理告警规则,这两个模块都引入了 Prometheus 的 Go 的SDK,用此方式做 App Performance 监控,本节以夜莺的代码为例,讲解如何使用 Prometheus 的 SDK。

Webapi

Webapi 模块主要统计两个内容,一个是请求的数量统计,一个是请求的延迟统计,统计时,要用不同的 Label 做维度区分,后面就可以通过不同的维度做多种多样的统计分析,对于 HTTP 请求,规划 4 个核心 Label,分别是:service、code、path、method。service 标识服务名称,要求全局唯一,便于和其他服务名称区分开,比如 Webapi 模块,就定义为 n9e-webapi,code 是 HTTP 返回的状态码,200 就表示成功数量,其他 code 就是失败的,后面我们可以据此统计成功率,method 是 HTTP 方法,GET、POST、PUT、DELETE 等,比如新增用户和获取用户列表可能都是 /api/n9e/users,从路径上无法区分,只能再加上 method 才能区分开。

path 着重说一下,表示请求路径,比如上面提到的/api/n9e/users,但是,在 restful 实践中,url 中经常会有参数,比如获取编号为1的用户的信息,接口是/api/n9e/user/1,获取编号为2的用户信息,接口是/api/n9e/user/2,如果这俩带有用户编号的 url 都作为 Label,会造成时序库索引爆炸,而且从业务方使用角度来看,我们也不关注编号为1的用户获取请求还是编号为2的用户获取请求,而是关注整体的GET /api/n9e/user/:id这个接口的监控数据。所以我们在设置 Label 的时候,要把path设置为/api/n9e/user/:id,而不是那具体的带有用户编号的 url 路径。夜莺用的 gin 框架,gin 框架有个 FullPath 方法就是获取这个信息的,比较方便。

首先,我们在 Webapi 下面创建一个 stat package,放置相关统计变量:

  1. package stat
  2. import (
  3. "time"
  4. "github.com/prometheus/client_golang/prometheus"
  5. )
  6. const Service = "n9e-webapi"
  7. var (
  8. labels = []string{"service", "code", "path", "method"}
  9. uptime = prometheus.NewCounterVec(
  10. prometheus.CounterOpts{
  11. Name: "uptime",
  12. Help: "HTTP service uptime.",
  13. }, []string{"service"},
  14. )
  15. RequestCounter = prometheus.NewCounterVec(
  16. prometheus.CounterOpts{
  17. Name: "http_request_count_total",
  18. Help: "Total number of HTTP requests made.",
  19. }, labels,
  20. )
  21. RequestDuration = prometheus.NewHistogramVec(
  22. prometheus.HistogramOpts{
  23. Buckets: []float64{.01, .1, 1, 10},
  24. Name: "http_request_duration_seconds",
  25. Help: "HTTP request latencies in seconds.",
  26. }, labels,
  27. )
  28. )
  29. func Init() {
  30. // Register the summary and the histogram with Prometheus's default registry.
  31. prometheus.MustRegister(
  32. uptime,
  33. RequestCounter,
  34. RequestDuration,
  35. )
  36. go recordUptime()
  37. }
  38. // recordUptime increases service uptime per second.
  39. func recordUptime() {
  40. for range time.Tick(time.Second) {
  41. uptime.WithLabelValues(Service).Inc()
  42. }
  43. }

uptime 变量是顺手为之,统计进程启动了多久时间,不用太关注,RequestCounter 和 RequestDuration,分别统计请求流量和请求延迟。Init 方法是在 Webapi 模块进程初始化的时候调用,所以进程一起,就会自动注册好。

然后我们写一个 middleware,在请求进来的时候拦截一下,省的每个请求都要去统计,middleware 方法的代码如下:

  1. import (
  2. ...
  3. promstat "github.com/didi/nightingale/v5/src/webapi/stat"
  4. )
  5. func stat() gin.HandlerFunc {
  6. return func(c *gin.Context) {
  7. start := time.Now()
  8. c.Next()
  9. code := fmt.Sprintf("%d", c.Writer.Status())
  10. method := c.Request.Method
  11. labels := []string{promstat.Service, code, c.FullPath(), method}
  12. promstat.RequestCounter.WithLabelValues(labels...).Inc()
  13. promstat.RequestDuration.WithLabelValues(labels...).Observe(float64(time.Since(start).Seconds()))
  14. }
  15. }

有了这个 middleware 之后,new 出 gin 的 engine 的时候,就立马 Use 一下,代码如下:

  1. ...
  2. r := gin.New()
  3. r.Use(stat())
  4. ...

最后,监控数据要通过/metrics接口暴露出去,我们要暴露这个请求端点,代码如下:

  1. import (
  2. ...
  3. "github.com/prometheus/client_golang/prometheus/promhttp"
  4. )
  5. func configRoute(r *gin.Engine, version string) {
  6. ...
  7. r.GET("/metrics", gin.WrapH(promhttp.Handler()))
  8. }

如上,每个 Webapi 的接口的流量和成功率都可以监控到了。如果你也部署了夜莺,请求 Webapi 的端口(默认是18000)的 /metrics 接口看看吧。

💡如果服务部署多个实例,甚至多个 region,多个环境,上面的 4 个 Label 就不够用了,因为只有这 4 个 Label 不足以唯一标识一个具体的实例,此时需要 env、region、instance 这种 Label,这些 Label不 需要在代码里埋点,在采集的时候一般可以附加额外的标签,通过附加标签的方式来处理即可”

Server

Server 模块的监控,和 Webapi 模块的监控差异较大,因为关注点不同,Webapi 关注的是 HTTP 接口的请求量和延迟,而 Server 模块关注的是接收了多少监控指标,内部事件队列的长度,从数据库同步告警规则花费多久,同步了多少条数据等,所以,我们也需要在 Server 的 package 下创建一个 stat 包,stat 包下放置 stat.go,内容如下:

  1. package stat
  2. import (
  3. "github.com/prometheus/client_golang/prometheus"
  4. )
  5. const (
  6. namespace = "n9e"
  7. subsystem = "server"
  8. )
  9. var (
  10. // 各个周期性任务的执行耗时
  11. GaugeCronDuration = prometheus.NewGaugeVec(prometheus.GaugeOpts{
  12. Namespace: namespace,
  13. Subsystem: subsystem,
  14. Name: "cron_duration",
  15. Help: "Cron method use duration, unit: ms.",
  16. }, []string{"cluster", "name"})
  17. // 从数据库同步数据的时候,同步的条数
  18. GaugeSyncNumber = prometheus.NewGaugeVec(prometheus.GaugeOpts{
  19. Namespace: namespace,
  20. Subsystem: subsystem,
  21. Name: "cron_sync_number",
  22. Help: "Cron sync number.",
  23. }, []string{"cluster", "name"})
  24. // 从各个接收接口接收到的监控数据总量
  25. CounterSampleTotal = prometheus.NewCounterVec(prometheus.CounterOpts{
  26. Namespace: namespace,
  27. Subsystem: subsystem,
  28. Name: "samples_received_total",
  29. Help: "Total number samples received.",
  30. }, []string{"cluster", "channel"})
  31. // 产生的告警总量
  32. CounterAlertsTotal = prometheus.NewCounterVec(prometheus.CounterOpts{
  33. Namespace: namespace,
  34. Subsystem: subsystem,
  35. Name: "alerts_total",
  36. Help: "Total number alert events.",
  37. }, []string{"cluster"})
  38. // 内存中的告警事件队列的长度
  39. GaugeAlertQueueSize = prometheus.NewGaugeVec(prometheus.GaugeOpts{
  40. Namespace: namespace,
  41. Subsystem: subsystem,
  42. Name: "alert_queue_size",
  43. Help: "The size of alert queue.",
  44. }, []string{"cluster"})
  45. )
  46. func Init() {
  47. // Register the summary and the histogram with Prometheus's default registry.
  48. prometheus.MustRegister(
  49. GaugeCronDuration,
  50. GaugeSyncNumber,
  51. CounterSampleTotal,
  52. CounterAlertsTotal,
  53. GaugeAlertQueueSize,
  54. )
  55. }

定义一个监控指标,除了 name 之外,还可以设置 namespace、subsystem,最终通过 /metrics 接口暴露的时候,可以发现:监控指标的最终名字,就是$namespace_$subsystem_$name,三者拼接在一起。Webapi 模块的监控代码中我们看到了 counter 类型和 histogram 类型的处理,这次我们拿 GaugeAlertQueueSize 举例,这是个 GAUGE 类型的统计数据,起一个 goroutine 周期性获取队列长度,然后 Set 到 GaugeAlertQueueSize 中:

  1. package engine
  2. import (
  3. "context"
  4. "time"
  5. "github.com/didi/nightingale/v5/src/server/config"
  6. promstat "github.com/didi/nightingale/v5/src/server/stat"
  7. )
  8. func Start(ctx context.Context) error {
  9. ...
  10. go reportQueueSize()
  11. return nil
  12. }
  13. func reportQueueSize() {
  14. for {
  15. time.Sleep(time.Second)
  16. promstat.GaugeAlertQueueSize.WithLabelValues(config.C.ClusterName).Set(float64(EventQueue.Len()))
  17. }
  18. }

另外,Init 方法要在 Server 模块初始化的时候调用,Server 的 router.go 中要暴露 /metrics 端点路径,这些就不再详述了,大家可以扒拉一下夜莺的代码看一下。

数据抓取

应用自身的监控数据已经通过 /metrics 接口暴露了,后续采集规则可以在 prometheus.yml 中配置,prometheus.yml 中有个 section 叫:scrape_configs 可以配置抓取目标,这是 Prometheus 范畴的知识了,大家可以参考Prometheus官网

或者,大家也可以使用 Categraf 的 prometheus 插件抓取 /metrics 数据,就是把 url 配置进去即可,比较容易。

参考资料