232
運維架構服務監控Open-Falcon
一、 介紹
監控係統是整個運維環節，乃至整個產品生命周期中最重要的一環，事前及時預警發現故障，事後提供翔實的數據用於追查定位問題。監控係統作為一個成熟的運維產品，業界有很多開源的實現可供選擇。當公司剛剛起步，業務規模較小，運維團隊也剛剛建立的初期，選擇一款開源的監控係統，是一個省時省力，效率最高的方案。之後，隨著業務規模的持續快速增長，監控的對象也越來越多，越來越複雜，監控係統的使用對象也從最初少數的幾個SRE，擴大為更多的DEVS，SRE。這時候，監控係統的容量和用戶的“使用效率”成了最為突出的問題。
監控係統業界有很多傑出的開源監控係統。我們在早期，一直在用zabbix，不過隨著業務的快速發展，以及互聯網公司特有的一些需求，現有的開源的監控係統在性能、擴展性、和用戶的使用效率方麵，已經無法支撐了。
因此，我們在過去的一年裏，從互聯網公司的一些需求出發，從各位SRE、SA、DEVS的使用經驗和反饋出發，結合業界的一些大的互聯網公司做監控，用監控的一些思考出發，設計開發了小米的監控係統：open-falcon。
二、 特點
1、強大靈活的數據采集：自動發現，支持falcon-agent、snmp、支持用戶主動push、用戶自定義插件支持、opentsdb data model like（timestamp、endpoint、metric、key-value tags）
2、水平擴展能力：支持每個周期上億次的數據采集、告警判定、曆史數據存儲和查詢
3、高效率的告警策略管理：高效的portal、支持策略模板、模板繼承和覆蓋、多種告警方式、支持callback調用
4、人性化的告警設置：最大告警次數、告警級別、告警恢複通知、告警暫停、不同時段不同閾值、支持維護周期
5、高效率的graph組件：單機支撐200萬metric的上報、歸檔、存儲（周期為1分鍾）
6、高效的曆史數據query組件：采用rrdtool的數據歸檔策略，秒級返回上百個metric一年的曆史數據
7、dashboard：多維度的數據展示，用戶自定義Screen
8、高可用：整個係統無核心單點，易運維，易部署，可水平擴展
9、開發語言： 整個係統的後端，全部golang編寫，portal和dashboard使用python編寫。
三、 架構
每台服務器，都有安裝falcon-agent，falcon-agent是一個golang開發的daemon程序，用於自發現的采集單機的各種數據和指標，這些指標包括不限於以下幾個方麵，共計200多項指標。
CPU相關
磁盤相關
IO
Load
內存相關
網絡相關
端口存活、進程存活
ntp offset（插件）
某個進程資源消耗（插件）
netstat、ss 等相關統計項采集
機器內核配置參數
隻要安裝了falcon-agent的機器，就會自動開始采集各項指標，主動上報，不需要用戶在server做任何配置（這和zabbix有很大的不同），這樣做的好處，就是用戶維護方便，覆蓋率高。當然這樣做也會server端造成較大的壓力，不過open-falcon的服務端組件單機性能足夠高，同時都可以水平擴展，所以自動多采集足夠多的數據，反而是一件好事情，對於SRE和DEV來講，事後追查問題，不再是難題。
另外，falcon-agent提供了一個proxy-gateway，用戶可以方便的通過http接口，push數據到本機的gateway，gateway會幫忙高效率的轉發到server端。
四、 數據模型
Data Model是否強大，是否靈活，對於監控係統用戶的“使用效率”至關重要。比如以zabbix為例，上報的數據為hostname（或者ip）、metric，那麼用戶添加告警策略、管理告警策略的時候，就隻能以這兩個維度進行。舉一個最常見的場景：
hostA的磁盤空間，小於5%，就告警。一般的服務器上，都會有兩個主要的分區，根分區和home分區，在zabbix裏麵，就得加兩條規則；如果是hadoop的機器，一般還會有十幾塊的數據盤，還得再加10多條規則，這樣就會痛苦，不幸福，不利於自動化（當然zabbix可以通過配置一些自動發現策略來搞定這個，不過比較麻煩）。
五、 數據收集
transfer，接收客戶端發送的數據，做一些數據規整，檢查之後，轉發到多個後端係統去處理。在轉發到每個後端業務係統的時候，transfer會根據一致性hash算法，進行數據分片，來達到後端業務係統的水平擴展。
transfer 提供jsonRpc接口和telnet接口兩種方式，transfer自身是無狀態的，掛掉一台或者多台不會有任何影響，同時transfer性能很高，每分鍾可以轉發超過500萬條數據。
transfer目前支持的業務後端，有三種，judge、graph、opentsdb。judge是我們開發的高性能告警判定組件，graph是我們開發的高性能數據存儲、歸檔、查詢組件，opentsdb是開源的時間序列數據存儲服務。可以通過transfer的配置文件來開啟。
transfer的數據來源，一般有三種：
1、falcon-agent采集的基礎監控數據
2、falcon-agent執行用戶自定義的插件返回的數據
3、client library：線上的業務係統，都嵌入使用了統一的perfcounter.jar，對於業務係統中每個RPC接口的qps、latency都會主動采集並上報
說明：上麵這三種數據，都會先發送給本機的proxy-gateway，再由gateway轉發給transfer。
基礎監控是指隻要是個機器(或容器)就能加的監控，比如cpu mem net io disk等，這些監控采集的方式固定，不需要配置，也不需要用戶提供額外參數指定，隻要agent跑起來就可以直接采集上報上去； 非基礎監控則相反，比如端口監控，你不給我端口號就不行，不然我上報所有65535個端口的監聽狀態你也用不了，這類監控需要用戶配置後才會開始采集上報的監控（包括類似於端口監控的配置觸發類監控，以及類似於mysql的插件腳本類監控），一般就不算基礎監控的範疇了。
六、 報警
報警判定，是由judge組件來完成。用戶在web portal來配置相關的報警策略，存儲在MySQL中。heartbeat server 會定期加載MySQL中的內容。judge也會定期和heartbeat server保持溝通，來獲取相關的報警策略。
heartbeat sever不僅僅是單純的加載MySQL中的內容，根據模板繼承、模板項覆蓋、報警動作覆蓋、模板和hostGroup綁定，計算出最終關聯到每個endpoint的告警策略，提供給judge組件來使用。
transfer轉發到judge的每條數據，都會觸發相關策略的判定，來決定是否滿足報警條件，如果滿足條件，則會發送給alarm，alarm再以郵件、短信、米聊等形式通知相關用戶，也可以執行用戶預先配置好的callback地址。
用戶可以很靈活的來配置告警判定策略，比如連續n次都滿足條件、連續n次的最大值滿足條件、不同的時間段不同的閾值、如果處於維護周期內則忽略 等等。
另外也支持突升突降類的判定和告警。
七、 API
到這裏，數據已經成功的存儲在了graph裏。如何快速的讀出來呢，讀過去1小時的，過去1天的，過去一月的，過去一年的，都需要在1秒之內返回。
這些都是靠graph和API組件來實現的，transfer會將數據往graph組件轉發一份，graph收到數據以後，會以rrdtool的數據歸檔方式來存儲，同時提供查詢RPC接口。
API麵向終端用戶，收到查詢請求後，會去多個graph裏麵，查詢不同metric的數據，匯總後統一返回給用戶。
八、 麵板
九、 存儲
對於監控係統來講，曆史數據的存儲和高效率查詢，永遠是個很難的問題！
數據量大：目前我們的監控係統，每個周期，大概有2000萬次數據上報（上報周期為1分鍾和5分鍾兩種，各占50%），一天24小時裏，從來不會有業務低峰，不管是白天和黑夜，每個周期，總會有那麼多的數據要更新。
寫操作多：一般的業務係統，通常都是讀多寫少，可以方便的使用各種緩存技術，再者各類數據庫，對於查詢操作的處理效率遠遠高於寫操作。而監控係統恰恰相反，寫操作遠遠高於讀。每個周期幾千萬次的更新操作，對於常用數據庫（MySQL、postgresql、mongodb）都是無法完成的。
高效率的查：我們說監控係統讀操作少，是說相對寫入來講。監控係統本身對於讀的要求很高，用戶經常會有查詢上百個meitric，在過去一天、一周、一月、一年的數據。如何在1秒內返回給用戶並繪圖，這是一個不小的挑戰。
open-falcon在這塊，投入了較大的精力。我們把數據按照用途分成兩類，一類是用來繪圖的，一類是用戶做數據挖掘的。
對於繪圖的數據來講，查詢要快是關鍵，同時不能丟失信息量。對於用戶要查詢100個metric，在過去一年裏的數據時，數據量本身就在那裏了，很難1秒之類能返回，另外就算返回了，前端也無法渲染這麼多的數據，還得采樣，造成很多無謂的消耗和浪費。我們參考rrdtool的理念，在數據每次存入的時候，會自動進行采樣、歸檔。我們的歸檔策略如下，曆史數據保存5年。同時為了不丟失信息量，數據歸檔的時候，會按照平均值采樣、最大值采樣、最小值采樣存三份。
參考內容：從無到有搭建中小型互聯網公司後台服務架構與運維架構
最後更新：2017-10-11 11:03:50