Elasticsearch运维宝典——监控实战篇
导语
Elasticsearch（文中简称 ES）是分布式全文搜索引擎，产品提供高可用、易扩展以及近实时的搜索能力，广泛应用于数据存储、搜索和实时分析。很多服务的可用性对 ES 重度依赖。因此，保障 ES 自身可用性，是实现服务高可用的重中之重。
基于京东云丰富的运维实战经验，接下来我们将陆续推出 ES 运维干货，欢迎小伙伴们持续关注。今天带来第一篇内容——Elasticsearch监控实战。
↓↓↓
监控，是服务可用性保障的关键之一。本文从运维角度，对 ES 服务监控进行了系统性总结，涵盖监控工具选型、监控采集项筛选介绍，最后列举了几个借助监控发现的ES线上问题。
ES监控概览
针对 ES 进行监控，主要期望解决这几种场景：
- ES 日常服务巡检，帮助运维开发人员及时发现隐患
- ES 服务异常后，帮助运维开发人员及时发现故障
- 采集的 ES 监控指标，帮助运维开发人员迅速定位问题根因
能够及时发现ES服务异常，这是最主要目标。
监控工具选型
借助运维工具，在 ES 实际运维工作中能极大提升运维开发人员的工作效率。目前 ES 可用的监控工具或插件很多，对多种监控工具进行评测分析后，我们最终的监控工具选型为：
- X-Pack+kibana
索引信息、集群整体信息很有帮助，尤其是各索引的索引、搜索速率，索引延迟数据等。其中，X-Pack 是官方给出的插件（Monitoring 为开放特性），需要注意的是，ES 集群上线前就需要安装 X-Pack 插件。图一展现了在 Kibana 中，Monitoring 的部分功能。
图一 Monitoring部分功能
- Jmxtrans-ES+influxdb
主要进行核心数据采集、监控。ES 本身提供的 jmx 信息有限，这里使用了Jmxtrans-ES（自研）工具，通过 http 接口获取信息后，写入到 influxdb。ES 与 influxdb 的结合，官方给出的方案是读取 X-Pack 中的索引信息，考虑到 X-pack 索引是存储在 ES，保留时间有限，以及与京东云内部监控系统的对接，我们自研了 Jmxtrans-ES 工具进行核心信息采集，也自研了 ES-Monitor功能监控工具，仪表盘通过 Grafana 进行展现。图二展现了 ES 集群部分核心数据。
图二 ES集群部分核心数据
- Elasticsearch-HQ
这款工具属于清新风格。之前使用的 head 插件，在集群规模达到一定程度后，head 插件信息展现不理想，因此使用了 HQ 代替 head 部分功能。如果很难记住管理 API，可以借助 ES-command 工具。图三展现了 ElasticHQ 管理界面。
图三 ElasticHQ管理界面
告警对接京东云内部告警平台。
采集项筛选
实战中，ES 集群部署使用 5.x 版本，区分协调（coordinating）、摄取（ingest）、主（master）、数据（data）等节点，独立部署，数据节点机器异构。
按照 SRE 黑盒监控和白盒监控进行分类：
1、黑盒监控
- 集群功能
索引创建、删除、文档写入、查询等基本功能。实际监控中，创建索引时，需要控制好频率以及分片的分配情况。实战中，由于索引创建频率较高，并且分片数量设置不合理，导致集群 pending 任务堆积，导致正常业务创建索引出现大量延迟或失败。
- 集群整体状态
理论上，集群正常状态为 green，出现 red 时，集群肯定存在部分索引主备分片全部丢失情况。集群状态为 yellow 时，也不能完全代表集群没有问题。比如，创建索引时，如果分片没有完全分配完成，也会出现 yellow 状态。因此，集群出现 yellow 时，也需要重点关注或排查集群可能存在的问题。
- 活跃分片数百分比
- Pending任务数
Pending任务数99%时间均为0，如果出现长时间为非0情况，集群肯定出现了异常。
2、白盒监控
1）容量
作为存储组件，对于存储容量的监控至关重要。
- 总存储空间：ES 本身没有提供此方面监控数据，需要自行进行计算。
- 已用存储空间：总存储空间是不能全部使用完，需要预留一部分空间。
- 最大分区使用：在 ES 中，如果某数据节点单块数据目录使用率超过90%（默认值，可以通过 cluster.routing.allocation.disk.watermark 相关配置来调整），则会进行分片数据迁移。因此，在数据盘存在异构的集群中，为避免分片迁移，监控此值，至关重要。
- 机器（或实例）资源（CPU、Load、Disk、JVM）
- 分片数量：最好不超过一万个分片。官方推荐，单个实例 JVM 内存不超过30GB，不超过600个分片。另外，分片是由 Master 来维护其状态的，而 Master 在任何集群规模下，有且仅有一个节点在工作，其余均为候选主节点，因此分片数量越高，Master 常态的压力越大，故障后恢复的耗时也越长。合理的分片数量与集群节点数、写入数据量、磁盘读写性能等存在一定关系，具体可以参考官方说明。
- 线程池队列长度
2）流量
- 索引、搜索速率：需要监控总量，但是需要采集主要 index 的数据，便于问题定位。例如哪个索引突增流量将集群压垮了？如果没有细化的 index 的相关数据采集，就只能通过 index 的体积来进行间接判断，延时也类似。
- 集群网络IO
- 集群数据节点IO：实际部署中，会区分摄取（ingest）、主（master）、数据（data）等节点，这里重点监控数据节点IO。
3）延迟
- 索引、搜索延迟
- 慢查询
4）错误
- 集群异常节点数
- 索引、搜索拒绝数量
- 主节点错误日志
借助监控发现的问题
场景1：
如果 Elasticsearch 集群出现问题，通过 ES 接口获取到的监控数据可能出现响应超时，无法响应情况，造成监控工具不可用。
发现方式：功能监控响应超时告警
优化建议：1）避免该场景出现：需要在日常巡检排查中，发现集群隐患，优化集群配置项，消除隐患；2）如果出现此问题：那么针对各实例的存活性，错误日志监控不可缺失，通过此监控信息快速定位。
场景2：
如果某数据节点任何一个数据目录不可用（比如磁盘故障，其他应用占满数据目录）则新建索引若有分片分配到上面之后，则会出现创建索引失败。
发现方式：功能监控告警、pending 任务堆积告警
优化建议：为避免此问题出现，数据盘可以做 raid5 或 raid10，避免多个服务共用同一数据目录等。当然数据目录的可用性，也需要有方法能够知道。
场景3：
某索引因程序问题，出现大量创建 type，导致集群异常。
发现方式：pending 任务堆积告警，之后排查各索引写入速率，找到异常索引
优化建议：定期排查重点索引的数据写入合理性，以及服务巡检。
附：
涉及的部分开源软件，Git地址
- ElasticHQ：https://github.com/ElasticHQ/elasticsearch-HQ
部分运维脚本，Git地址
- Elasticsearch Monitor：https://github.com/cloud-op/monitor
------------------END------------------