大型互联网系统的监控流水线

大型互联网的系统一般会架构散布于多个数据中心和一些私有/公有云，由真实物理机以及虚拟机组成。架构中部署的关键工具包括实现报警的Zabbix，以及一个采集、聚合和存储度量的六阶段流水线。流水线主要由开源工具构建，其中使用了OpenTSDB、Kafka、Elasticsearch和Grafana，还有一些企业自研的工具。

监控的一些关键度量，包括CPU平均负载、内存、线程、网络连接、磁盘空间和性能等。对于电子商务网站而言，网络监控至关重要。网络监控实现为多个层级，包括使用ping监控跨数据中心的连通性，使用Observium监控网络设备带宽，使用Uptime Robot监控外部可访问性和系统运行时间及负载情况（uptime）。监控的实现原理通常分为两大类，即拉取模式（Pull）和推送模式（Push）。在拉取模式下，存在一个集中式系统，轮询各个被监控系统并从中拉取数据。Nagios等多种传统的监控系统主要遵循该模式，但是其中部分系统也提供推送模块。在推送模式下，每个被监控系统中需要运行一个代理程序。该代理程序采集监控数据，并将数据推送到一个中央系统。Prometheus等工具使用了推送模式，它们提供推送功能选项。团队选择使用推送模式，并在每台服务器上运行了Zabbix代理。Grafana做为可视化工具。

监控流水线分六个阶段，实现从日志中抽取度量并推送到时序数据库OpenTSDB。

第一个阶段负责收集日志。流水线通过运行在每个服务器上的syslog-ng代理，以UDP方式汇集到一个中央Logstash服务器。syslog-ng可在类UNIX系统上实现syslog协议。 第二阶段进而使用grok分析器分析收集的日志，并推送到两个不同的Elasticsearch（ELS）集群。每天分析的日志总量可达700GB。 第三阶段使用称为“Data Monster”的企业自研工具(Django-Python)，周期性轮询Elasticsearch集群，从中抽取度量。 第四阶段使用调度系统计算各个度量。该调度系统基于Celery Beat、RabbitMQ和MySQL实现，使用Data Monster从ELS拉取数据，并推送到Kafka集群。 第五阶段生成实际写入到OpenTSDB的PUT语句。Apache Kafka通常用于构建持久化流数据队列。在流水线中，Kafka消费者处理消息，并推送到OpenTSDB中持久存储。 第六阶段使用Grafana查询数据库中的消息，生成可视化的仪表盘展示。

架构使用了Zabbix生成报警。此外为保证高可靠性，OpenTSDB是安装在多个节点上的。

在云环境中，机器的生命周期是短暂的，这对于需要掌握被监控机器的监视工具而言是一个挑战。通过使用Zabbix的自动注册功能解决了这一问题。Zabbix支持使用模板注册一个新机器。团队使用了一种基本的Linux模板，用于CPU使用率、平均负载、Java线程等通用系统度量。还使用了一种特定于应用的模板，用于健康检查和应用性能管理。

关键关注点还包括，如何确定实时监控下的度量粒度问题，以及如何对HTTP响应代码和请求趋势等度量进行近距离观察。前者可支持团队快速地响应并定位问题，后者可作为一种早期预警系统，对客户或服务器端错误和应用性能突发问题做出预警。对请求数量变化趋势的深入研究，也有助于团队进一步规划容量。