【Falcon】Falcon-Agent基础数据采集

下面列出的采集项都是falcon-agent直接支持的，每隔一段时间（目前是60s）采集汇报一次

CPU相关采集项

计算方法：每秒采集一次/proc/stat，计算差值。都是GAUGE类型的。

• cpu.idle 是个百分比的数字，比如80.3
• cpu.busy 与cpu.idle相对=100-cpu.idle
• cpu.guest guest时间占比
• cpu.iowait iowait时间占比
• cpu.irq irq时间占比
• cpu.softirq softirq时间占比
• cpu.nice nice时间占比
• cpu.steal steal时间占比
• cpu.system system时间占比
• cpu.user user时间占比
• cpu.cnt cpu核数
• cpu.switches cpu上下文切换次数，COUNTER类型

磁盘相关采集项

计算方法：先读取/proc/mounts拿到所有挂载点，然后通过syscall.Statfs_t拿到blocks和inode的使用情况，都是GAUGE类型的。
每个metric都会有个tag：mount=fstype，fstype是文件系统，比如ext4

• df.bytes.free 是个integer，表示free的block数目
• df.bytes.free.percent 是个float，表示free的block数目占总的block数目的百分比，比如32.1
• df.bytes.total 是个integer，表示block总数
• df.bytes.used 不解释
• df.bytes.used.percent 不解释
• df.inodes.total 是个integer，表示inode总数
• df.inodes.free 是个integer，表示free的inode数目
• df.inodes.free.percent 是个float，表示free的inode占比
• df.inodes.used 不解释
• df.inodes.used.percent 不解释

LSI RAID
使用 megacli 工具读取 RAID 相关信息，10分钟采集一次，tag 表明所属 PD 或者 VD：

PD=Enclosure_ID:SLOT_ID，如 PD=32:0 表明第一块磁盘

VD=0 表明第一个逻辑磁盘

• sys.disk.lsiraid.pd.Media_Error_Count 这个及以下三个指标目前仅作为数据收集，不一定意味磁盘损坏（概率变大）
• sys.disk.lsiraid.pd.Other_Error_Count
• sys.disk.lsiraid.pd.Predictive_Failure_Count
• sys.disk.lsiraid.pd.Drive_Temperature
• sys.disk.lsiraid.pd.Firmware_state 如果值不为0，则此物理磁盘出现问题
• sys.disk.lsiraid.vd.cache_policy 如果值不为0，表示此逻辑磁盘缓存策略和设置不符
• sys.disk.lsiraid.vd.state 如果值不为0，表示此逻辑磁盘出现问题

SMART
使用 smartctl 工具读取磁盘 SMART 信息，10分钟采集一次，目前所有指标仅作为数据收集，不一定意味磁盘损坏（概率变大），tag 表明盘符，device=/dev/sda

• sys.disk.smart.Reallocated_Sector_Ct
• sys.disk.smart.Spin_Retry_Count
• sys.disk.smart.Reallocated_Event_Count
• sys.disk.smart.Current_Pending_Sector
• sys.disk.smart.Offline_Uncorrectable
• sys.disk.smart.Temperature_Celsius

分区读写监控
测试所有已挂载分区是否可读写，1分钟采集一次，tag 表明挂载点，mount=/home

• sys.disk.rw 如果值不为0，表明此分区读写出现问题

IO相关采集项

计算方法：每秒采集一次/proc/diskstats，计算差值，都是COUNTER类型的。
每个metric都会有个tag： device=$device，表示设备，比如sda1、sdb

下面各个采集项都是Integer，意思用中文表达不好说，直接给英文doc

• disk.io.ios_in_progress Number of actual I/O requests currently in flight.
• disk.io.msec_read Total number of ms spent by all reads.
• disk.io.msec_total Amount of time during which ios_in_progress >= 1.
• disk.io.msec_weighted_total Measure of recent I/O completion time and backlog.
• disk.io.msec_write Total number of ms spent by all writes.
• disk.io.read_merged Adjacent read requests merged in a single req.
• disk.io.read_requests Total number of reads completed successfully.
• disk.io.read_sectors Total number of sectors read successfully.
• disk.io.write_merged Adjacent write requests merged in a single req.
• disk.io.write_requests total number of writes completed successfully.
• disk.io.write_sectors total number of sectors written successfully.
• disk.io.read_bytes 单位是byte的数字
• disk.io.write_bytes 单位是byte的数字
• disk.io.avgrq_sz 下面几个值就是iostat -x 1看到的值
• disk.io.avgqu-sz
• disk.io.await
• disk.io.svctm
• disk.io.util 是个百分数，比如56.43，表示56.43%

机器负载相关采集项

计算方法：读取/proc/loadavg，都是GAUGE类型的。没啥好解释的，metric名称如下：

• load.1min
• load.5min
• load.15min

网络相关采集项

计算方法：读取/proc/net/dev，每秒采集一次，计算差值，都是Integer类型，都是COUNTER类型的。
每个metric都对应一个tag： iface=$iface，比如eth0

metric中带有in的表示流入情况，out表示流出情况，total是总量in+out，支持的metric如下：

• net.if.in.bytes
• net.if.in.compressed
• net.if.in.dropped
• net.if.in.errors
• net.if.in.fifo.errs
• net.if.in.frame.errs
• net.if.in.multicast
• net.if.in.packets
• net.if.out.bytes
• net.if.out.carrier.errs
• net.if.out.collisions
• net.if.out.compressed
• net.if.out.dropped
• net.if.out.errors
• net.if.out.fifo.errs
• net.if.out.packets
• net.if.total.bytes
• net.if.total.dropped
• net.if.total.errors
• net.if.total.packets

端口采集项

计算方法：ss -ln，获取里边正在处于listen状态的端口。GAUGE类型，值要么是1：代表在监听，要么是0，代表没有在监听

每个metric有tag：port=port就是端口

更新说明 最新版本不会把所有端口都上报，用户在portal上配置监控策略，对某些端口做监控，配置了哪些端口就汇报哪些端口

• net.port.listen

机器内核配置

都是GUAGE类型

• kernel.maxfiles 读取的/proc/sys/fs/file-max
• kernel.files.allocated 读取的/proc/sys/fs/file-nr第一个Field
• kernel.files.left 值=kernel.maxfiles-kernel.files.allocated
• kernel.maxproc 读取的/proc/sys/kernel/pid_max

ntp采集项

使用 ntpq -pn 获取本机时间相对于 ntp 服务器的 offset，10分钟采集一次

• sys.ntp.offset 本机偏移时间，单位为ms，值过大或者为0则表明有异常，需要报警

进程监控

• proc.num 进程数目，可以通过tag指定具体指哪个进程，比如name=sshd，如果是Java的应用进程名可能都是java，没法做区分，此时可以配置cmdline，比如cmdline=./falcon_agent-c./cfg.ini

其他采集项

• agent.alive 只有一个值，就是1，可以配合nodata(600)来做机器是否宕机的辅助判断依据

/proc/net/netstat中的部分采集项，TcpExt.拼接上下面各个字段就是metric，比如TcpExt.PruneCalled

• PruneCalled 慢速路径中，如果不能将数据直接复制到user space，需要加入到sk_receive_queue前，会检- 查receiver side memory是否允许，如果rcv_buf不足就可能prune ofo queue。此时计数器加１
• LockDroppedIcmps tcp_v4_err(): 接收到ICMP错误报文，但tcp socket被user锁住
• ArpFilter 在三手握手时的SYN_RECV状态中接收到RST或者SYN的次数
• TW inet_twdr_do_twkill_work(): TIME_WAIT超时的socket数量（timeout >= 4s）
• DelayedACKLocked ACK定时器因为user已经锁住而无法发送ACK的次数
• ListenOverflows 三路握手最后一步完全之后，Accept queue队列超过上限时加１
• ListenDrops 任何原因，包括Accept queue超限，创建新连接，继承端口失败等，加１
• TCPPrequeueDropped 如果因为内存不足（ucopy.memory < sk->rcv_buf）而加入到prequeue失败，重新由backlog处理，计数器加１
• TCPTSReorder Recovery状态时，接收到到部分确认(snd_una < high_seq)时但已经undo完成（undo_retrans == 0）的次数。 数量上与TCPPartialUndo相等。
• TCPDSACKUndo Disorder状态下，undo完成（undo_retrans == 0）的次数
• TCPLoss 丢包
• TCPLostRetransmit 根据SACK数据推测出的重段包丢失计数器：在tcp_sacktag_write_queue()->tcp_mark_lost_retrans()， 如果发现tcp_highest_sack_seq(tp)超过某skb在重传时的snd_nxt(TCB->ack_seq)，就认为这个重传包 已经丢失了，加１（加的不是段数）。tcp_highest_sack_seq(tp)是被SACK过的具有最高SEQ号的skb的seq
• TCPLossFailures tcp_retransmit_timer(): icsk_retransmit==0（第一次进入重传状态）并且处于Loss状态下，计数器加１
• TCPFastRetrans （非RTO timer）快速重传次数，即tcp_fastretrans_alert()/tcp_simple_retransmit()->tcp_xmit_retransmit_queue()中，如果不是LOSS状态，就加１
• TCPTimeouts 在RTO timer中，从CWR/Open状态下第一次超时的次数，其余状态不计入这个计数器;SYN-ACK的超时次数
• TCPSchedulerFailed tcp_delack_timer(): 在delay ACK处理功能内，如果prequeue中仍有数据，计数器就加１;加入到prequeue，本来是期待着userspace（使用tcp_recvmsg()之类的系统调用）尽快处理之。其中仍有数据，可能隐含着userspace行为不佳。
• TCPAbortOnMemory 在执行tcp_close()/probe timer/keepalive timer时，orphan sockets数量和tcp_memory_allocated是否超过最大值的次数
• TCPAbortOnTimeout RTO/probe/keepalive timer到达最大重试次数或者最长重试时间的次数
• TCPAbortFailed tcp_send_active_reset(): alloc_skb()或者tcp_transmit_skb()失败。
• TCPMemoryPressures tcp_enter_memory_pressure()在从“非压力状态”切换到“有压力状态”时计数器加１
• TCPSpuriousRTOs tcp_process_frto()，如果frto_counter !=0 && frto_counter != 1加１
• TCPBacklogDrop 如果socket被user锁住，后退一步内核会把包加到sk_backlog_queue，但如果因为sk_rcv_buf不足的原因入队失败，计数器加１
• TCPMinTTLDrop 在接收到TCP报文或者TCP相关的ICMP报文时，检查IP TTL，如果小于socket option设置的一个阀值，就丢包

进程资源监控

威波写了一个插件，监控god启动进程占用的资源情况，大家可以用来监控服务进程的状态，并且继承god部署时使用tag，具体Metric如下：
1、process.cpu.all #进程和它的子进程使用的sys+user的cpu，单位是jiffies
2、process.cpu.sys #进程和它的子进程使用的sys cpu，单位是jiffies
3、process.cpu.user #进程和它的子进程使用的user cpu，单位是jiffies
4、process.swap #进程和它的子进程使用的swap，单位是page
5、process.fd #进程使用的文件描述符个数
6、process.mem #进程占用内存，单位byte

服务器 门神 管理口 状态监控

Metric 如下：
1、 xm.menshen # 服务器门神是否可用。值为整数类型，1 可用，其他不可用
2、xm.ipmi # 服务器管理接口是否可用。值为整数类型，1 可用，其他不可用

其他命令采集

ss -s

• ss.orphaned
• ss.closed
• ss.timewait
• ss.slabinfo.timewait
• ss.synrecv
• ss.estab

转载：http://git.n.xiaomi.com/falcon/doc/wikis/agent_metric_intro