之前，写过几篇有关线上问题排查的文章，文中附带了一些监控图，有些读者对此很感兴趣，问我监控系统选型上有没有好的建议?
图片来自 Pexels
目前我所经历的几家公司，监控系统都是自研的。其实业界有很多优秀的开源产品可供选择，能满足绝大部分的监控需求，如果能从中选择一款满足企业当下的诉求，显然最省时省力。
这篇文章，我将对监控体系的基础知识、原理和架构做一次系统性整理，同时还会对几款最常用的开源监控产品做下介绍，以便大家选型时参考。
内容包括如下三部分：
- 必知必会的监控基础知识
- 主流监控系统介绍
- 监控系统的选型建议
监控系统俗称“第三只眼”，几乎是我们每天都会打交道的系统，下面四项基础知识我认为是必须要了解的。
监控系统的 7 大作用
正所谓“无监控，不运维”，监控系统的地位不言而喻。不管你是监控系统的开发者还是使用者，首先肯定要清楚：监控系统的目标是什么?它能发挥什么作用?
监控系统有如下七大作用：
- 实时采集监控数据：包括硬件、操作系统、中间件、应用程序等各个维度的数据。
- 实时反馈监控状态：通过对采集的数据进行多维度统计和可视化展示，能实时体现监控对象的状态是正常还是异常。
- 预知故障和告警：能够提前预知故障风险，并及时发出告警信息。
- 辅助定位故障：提供故障发生时的各项指标数据，辅助故障分析和定位。
- 辅助性能调优：为性能调优提供数据支持，比如慢 SQL，接口响应时间等。
- 辅助容量规划：为服务器、中间件以及应用集群的容量规划提供数据支撑。
- 辅助自动化运维：为自动扩容或者根据配置的 SLA 进行服务降级等智能运维提供数据支撑。
出任何线上事故，先不说其他地方有问题，监控部分一定是有问题的。听着很甩锅的一句话，仔细思考好像有一定道理。
我们在事故复盘时，通常会思考这三个和监控有关的问题：
- 有没有做监控?
- 监控是否及时?
- 监控信息是否有助于快速定位问题?
如何使用监控系统?总结如下四个方面：
- 了解监控对象的工作原理：要做到对监控对象有基本的了解，清楚它的工作原理。比如想对 JVM 进行监控，你必须清楚 JVM 的堆内存结构和垃圾回收机制。
- 确定监控对象的指标：清楚使用哪些指标来刻画监控对象的状态?比如想对某个接口进行监控，可以采用请求量、耗时、超时量、异常量等指标来衡量。
- 定义合理的报警阈值和等级：达到什么阈值需要告警?对应的故障等级是多少?不需要处理的告警不是好告警，可见定义合理的阈值有多重要，否则只会降低运维效率或者让监控系统失去它的作用。
- 建立完善的故障处理流程：收到故障告警后，一定要有相应的处理流程和 oncall 机制，让故障及时被跟进处理。
监控已然成为了整个产品生命周期非常重要的一环，运维关注硬件和基础监控，研发关注各类中间件和应用层的监控，产品关注核心业务指标的监控。可见，监控的对象已经越来越立体化。
这里，我对常用的监控对象以及监控指标做了分类整理，供大家参考：
①硬件监控
包括：电源状态、CPU 状态、机器温度、风扇状态、物理磁盘、raid 状态、内存状态、网卡状态。
②服务器基础监控
包括：
- CPU：单个 CPU 以及整体的使用情况。
- 内存：已用内存、可用内存。
- 磁盘：磁盘使用率、磁盘读写的吞吐量。
- 网络：出口流量、入口流量、TCP 连接状态。
包括：数据库连接数、QPS、TPS、并行处理的会话数、缓存命中率、主从延时、锁状态、慢查询。
④中间件监控
包括：
- Nginx：活跃连接数、等待连接数、丢弃连接数、请求量、耗时、5XX 错误率。
- Tomcat：最大线程数、当前线程数、请求量、耗时、错误量、堆内存使用情况、GC 次数和耗时。
- 缓存：成功连接数、阻塞连接数、已使用内存、内存碎片率、请求量、耗时、缓存命中率。
- 消息队列：连接数、队列数、生产速率、消费速率、消息堆积量。
包括：
- HTTP 接口：URL 存活、请求量、耗时、异常量。
- RPC 接口：请求量、耗时、超时量、拒绝量。
- JVM：GC 次数、GC 耗时、各个内存区域的大小、当前线程数、死锁线程数。
- 线程池：活跃线程数、任务队列大小、任务执行耗时、拒绝任务数。
- 连接池：总连接数、活跃连接数。
- 日志监控：访问日志、错误日志。
- 业务指标：视业务来定，比如 PV、订单量等。
无论是开源的监控系统还是自研的监控系统，监控的整个流程大同小异。
一般都包括以下模块：
- 数据采集：采集的方式有很多种，包括日志埋点进行采集(通过 Logstash、Filebeat 等进行上报和解析)，JMX 标准接口输出监控指标，被监控对象提供 REST API 进行数据采集(如 Hadoop、ES)，系统命令行，统一的 SDK 进行侵入式的埋点和上报等。
- 数据传输：将采集的数据以 TCP、UDP 或者 HTTP 协议的形式上报给监控系统，有主动 Push 模式，也有被动 Pull 模式。
- 数据存储：有使用 MySQL、Oracle 等 RDBMS 存储的，也有使用时序数据库 RRDTool、OpentTSDB、InfluxDB 存储的，还有使用 HBase 存储的。
- 数据展示：数据指标的图形化展示。
- 监控告警：灵活的告警设置，以及支持邮件、短信、IM 等多种通知通道。
下面再来认识下主流的开源监控系统，由于篇幅有限，我挑选了 3 款使用最广泛的监控系统：Zabbix、Open-Falcon、Prometheus，会对它们的架构进行介绍，同时总结下各自的优劣势。
Zabbix(老牌监控的优秀代表)
Zabbix 于 1998 年诞生，核心组件采用 C 语言开发，Web 端采用 PHP 开发。
它属于老牌监控系统中的优秀代表，监控功能很全面，使用也很广泛，差不多有 70% 左右的互联网公司都曾使用过 Zabbix 作为监控解决方案。
先来了解下 Zabbix 的架构设计：
Zabbix 架构图如上：
- Zabbix Server：核心组件，C 语言编写，负责接收 Agent、Proxy 发送的监控数据，也支持 JMX、SNMP 等多种协议直接采集数据。同时，它还负责数据的汇总存储以及告警触发等。
- Zabbix Proxy：可选组件，对于被监控机器较多的情况下，可使用 Proxy 进行分布式监控，它能代理 Server 收集部分监控数据，以减轻 Server 的压力。
- Zabbix Agentd：部署在被监控主机上，用于采集本机的数据并发送给 Proxy 或者 Server，它的插件机制支持用户自定义数据采集脚本。
- Agent 可在 Server 端手动配置，也可以通过自动发现机制被识别。数据收集方式同时支持主动 Push 和被动 Pull 两种模式。
- Database：用于存储配置信息以及采集到的数据，支持 MySQL、Oracle 等关系型数据库。同时，最新版本的 Zabbix 已经开始支持时序数据库，不过成熟度还不高。
- Web Server：Zabbix 的 GUI 组件，PHP 编写，提供监控数据的展现和告警配置。
- 产品成熟：由于诞生时间长且使用广泛，拥有丰富的文档资料以及各种开源的数据采集插件，能覆盖绝大部分监控场景。
- 采集方式丰富：支持 Agent、SNMP、JMX、SSH 等多种采集方式，以及主动和被动的数据传输方式。
- 较强的扩展性：支持 Proxy 分布式监控，有 Agent 自动发现功能，插件式架构支持用户自定义数据采集脚本。
- 配置管理方便：能通过 Web 界面进行监控和告警配置，操作方便，上手简单。
- 性能瓶颈：机器量或者业务量大了后，关系型数据库的写入一定是瓶颈，官方给出的单机上限是 5000 台，个人感觉达不到，尤其现在应用层的指标越来越多。虽然最新版已经开始支持时序数据库，不过成熟度还不高。
- 应用层监控支持有限：如果想对应用程序做侵入式的埋点和采集(比如监控线程池或者接口性能)，Zabbix 没有提供对应的 SDK，通过插件式的脚本也能曲线实现此功能，个人感觉 Zabbix 就不是做这个事的。
- 数据模型不强大：不支持 Tag，因此没法按多维度进行聚合统计和告警配置，使用起来不灵活。
- 方便二次开发难度大：Zabbix 采用的是 C 语言，二次开发往往需要熟悉它的数据表结构，基于它提供的 API 更多只能做展示层的定制。
Open-falcon 是小米 2015 年开源的企业级监控工具，采用 Go 和 Python 语言开发，这是一款灵活、高性能且易扩展的新一代监控方案，目前小米、美团、滴滴等超过 200 家公司在使用它。
小米初期也使用的 Zabbix 进行监控，但是机器量和业务量上来后，Zabbix 就有些力不从心了。
因此，后来自主研发了 Open-Falcon，在架构设计上吸取了 Zabbix 的经验，同时很好地解决了 Zabbix 的诸多痛点。
先来了解下 Open-Falcon 的架构设计：
Open-Falcon 架构图如上：
- Falcon-agent：数据采集器和收集器，Go 开发，部署在被监控的机器上，支持3种数据采集方式。
- 首先它能自动采集单机 200 多个基础监控指标，无需做任何配置;同时支持用户自定义的 Plugin 获取监控数据;此外，用户可通过 HTTP 接口，自主 Push 数据到本机的 proxy-gateway，由 Gateway 转发到 Server。
- Transfer：数据分发组件，接收客户端发送的数据，分别发送给数据存储组件 Graph 和告警判定组件 Judge，Graph 和 Judge 均采用一致性 Hash 做数据分片，以提高横向扩展能力。同时 Transfer 还支持将数据分发到 OpenTSDB，用于历史归档。
- Graph：数据存储组件，底层使用 RRDTool(时序数据库)做单个指标的存储，并通过缓存、分批写入磁盘等方式进行了优化。据说一个 Graph 实例能够处理 8W+ 每秒的写入速率。
- Judge 和 Alarm：告警组件，Judge 对 Transfer 组件上报的数据进行实时计算，判断是否要产生告警事件，Alarm 组件对告警事件进行收敛处理后，将告警消息推送给各个消息通道。
- API：面向终端用户，收到查询请求后会去 Graph 中查询指标数据，汇总结果后统一返回给用户，屏蔽了存储集群的分片细节。
- 自动采集能力：Falcon-agent 能自动采集服务器的 200 多个基础指标(比如 CPU、内存等)，无需在 Server 上做任何配置，这一点可以秒杀 Zabbix。
- 强大的存储能力：底层采用 RRDTool，并且通过一致性 Hash 进行数据分片，构建了一个分布式的时序数据存储系统，可扩展性强。
- 灵活的数据模型：借鉴 OpenTSDB，数据模型中引入了 Tag，这样能支持多维度的聚合统计以及告警规则设置，大大提高了使用效率。
- 插件统一管理：Open-Falcon 的插件机制实现了对用户自定义脚本的统一化管理，可通过 HeartBeat Server 分发给 Agent，减轻了使用者自主维护脚本的成本。
- 个性化监控支持：基于 Proxy-gateway，很容易通过自主埋点实现应用层的监控(比如监控接口的访问量和耗时)和其他个性化监控需求，集成方便。
- 整体发展一般：社区活跃度不算高，同时版本更新慢，有些大厂是基于它的稳定版本直接做二次开发的，关于以后的前景其实有点担忧。
- UI 不够友好：对于业务线的研发来说，可能只想便捷地完成告警配置和业务监控，但是它把机器分组、策略模板、模板继承等概念全部暴露在 UI 上，感觉在围绕这几个概念设计 UI，理解有点费劲。
- 安装比较复杂：个人的亲身感受，由于它是从小米内部衍生出来的，虽然去掉了对小米内部系统的依赖，但是组件还是比较多，如果对整个架构不熟悉，安装很难一蹴而就。
Prometheus(普罗米修斯)是由前 Google 员工 2015 年正式发布的开源监控系统，采用 Go 语言开发。
它不仅有一个很酷的名字，同时它有 Google 与 K8s 的强力支持，开源社区异常火爆。
Prometheus 于 2016 年加入云原生基金会，是继 K8s 后托管的第二个项目，未来前景被相当看好。
它和 Open-Falcon 最大不同在于：数据采集是基于 Pull 模式的，而不是 Push 模式，并且架构非常简单。
先来了解下 Prometheus 的架构设计：
Prometheus 架构图如上：
- Prometheus Server：核心组件，用于收集、存储监控数据。它同时支持静态配置和通过 Service Discovery 动态发现来管理监控目标，并从监控目标中获取数据。
此外，Prometheus Server 也是一个时序数据库，它将监控数据保存在本地磁盘中，并对外提供自定义的 PromQL 语言实现对数据的查询和分析。
- Exporter：用来采集数据，作用类似于 Agent，区别在于 Prometheus 是基于 Pull 方式拉取采集数据的。
因此，Exporter 通过 HTTP 服务的形式将监控数据按照标准格式暴露给 Prometheus Server，社区中已经有大量现成的 Exporter 可以直接使用，用户也可以使用各种语言的 client library 自定义实现。
- Push gateway：主要用于瞬时任务的场景，防止 Prometheus Server 来 Pull 数据之前此类 Short-lived jobs 就已经执行完毕了，因此 Job 可以采用 Push 的方式将监控数据主动汇报给 Push gateway 缓存起来进行中转。
- Alert Manager：当告警产生时，Prometheus Server 将告警信息推送给 Alert Manager，由它发送告警信息给接收方。
- Web UI：Prometheus 内置了一个简单的 Web 控制台，可以查询配置信息和指标等，而实际应用中我们通常会将 Prometheus 作为 Grafana 的数据源，创建仪表盘以及查看指标。
- 轻量管理：架构简单，不依赖外部存储，单个服务器节点可直接工作，二进制文件启动即可，属于轻量级的 Server，便于迁移和维护。
- 较强的处理能力：监控数据直接存储在 Prometheus Server 本地的时序数据库中，单个实例可以处理数百万的 Metrics。
- 灵活的数据模型：同 Open-Falcon，引入了 Tag，属于多维数据模型，聚合统计更方便。
- 强大的查询语句：PromQL 允许在同一个查询语句中，对多个 Metrics 进行加法、连接和取分位值等操作。
- 很好地支持云环境：能自动发现容器，同时 K8s 和 Etcd 等项目都提供了对 Prometheus 的原生支持，是目前容器监控最流行的方案。
- 功能不够完善：Prometheus 从一开始的架构设计就是要做到简单，不提供集群化方案，长期的持久化存储和用户管理，而这些是企业变大后所必须的特性，目前要做到这些只能在 Prometheus 之上进行扩展。
- 网络规划变复杂：由于 Prometheus 采用的是 Pull 模型拉取数据，意味着所有被监控的 Endpoint 必须是可达的，需要合理规划网络的安全配置。
通过上面的介绍，大家对主流的监控系统应该有了一定的认识。
面对选型问题，我的建议是：
- 先明确清楚你的监控需求：要监控的对象有哪些?机器数量和监控指标有多少?需要具备什么样的告警功能?
- 监控是一项长期建设的事情，一开始就想做一个 All In One 的监控解决方案，我觉得没有必要。从成本角度考虑，在初期直接使用开源的监控方案即可，先解决有无问题。
- 从系统成熟度上看，Zabbix 属于老牌的监控系统，资料多，功能全面且稳定，如果机器数量在几百台以内，不用太担心性能问题，另外，采用数据库分区、SSD 硬盘、Proxy 架构、Push 采集模式都可以提高监控性能。
- Zabbix 在服务器监控方面占绝对优势，可以满足 90% 以上的监控场景，但是应用层的监控似乎并不擅长，比如要监控线程池的状态、某个内部接口的执行时间等，这种通常都要做侵入式埋点。相反，新一代的监控系统 Open-Falcon 和 Prometheus 在这一点做得很好。
- 从整体表现上来看，新一代监控系统也有明显的优势，比如：灵活的数据模型、更成熟的时序数据库、强大的告警功能，如果之前对 Zabbix 这种传统监控没有技术积累，建议使用 Open-Falcon 或者 Prometheus。
- Open-Falcon 的核心优势在于数据分片功能，能支撑更多的机器和监控项;Prometheus 则是容器监控方面的标配，有 Google 和 K8s 加持。
- Zabbix、Open-Falcon 和 Prometheus 都支持和 Grafana 做快速集成，想要美观且强大的可视化体验，可以和 Grafana 进行组合。
- 用合适的监控系统解决相应的问题即可，可以多套监控同时使用，这种在企业初期很常见。
- 到中后期，随着机器数据增加和个性化需求增多(比如希望统一监控平台、打通公司的 CMDB 和组织架构关系)，往往需要二次开发或者通过监控系统提供的 API 做集成，从这点来看，Open-Falcon 或者 Prometheus 更合适。
- 如果非要自研，可以多研究下主流监控系统的架构方案，借鉴它们的优势。
本文对监控体系的基础知识、原理和主流架构做了详细梳理，希望有助于大家对监控系统的认识，以及在技术选型时做出更合适的选择。
由于篇幅问题，本文的内容并未涉及到全链路监控、日志监控、以及 Web 前端和客户端的监控，可见监控真的是一个庞大且复杂的体系，如果想理解透彻，必须理论结合实践再做深入。
对于运维监控体系，如果你们也有自己的经验和体会，欢迎留言讨论。
作者：骆俊武
简介：前亚马逊工程师，现 58 转转技术总监，持续分享个人的成长经历，希望为你的职场发展带来些新思路。
编辑：陶家龙
出处：转载自微信公众号 IT 人的职场进阶
