基于 Prometheus 监控服务多维能力告警优化实践

实践背景

通常来说，监控系统的四个黄金指标（Four Golden Signals,参考Goole运维解密）是错误类指标、延迟类指标、流量指标、和饱和度指标，可以在服务级别衡量终端用户体验、服务质量、业务影响等层面的问题。以一个典型的电商服务关键路径（登录->产品浏览详情页->下单）举例。

针对图中三个服务，需要设定成功率等监控指标。传统的以实例(比如 IP )为监控对象的场景下，通常会对每个服务的实例都配置告警策略，用于满足最细粒度的告警对象质量监测，但也会带来一系列痛点：

• 需要针对每个实例都配置一条告警策略，告警策略太多，维护成本高。

• 缺乏整个业务层面的监控(监控对象是3个业务，而不是每个实例)。

• 业务异常时，多个实例同时触发告警，容易引起告警风暴。

• 对于其他维度的业务质量监控能力不足，比如业务分区部署，需要看某个区的质量情况等。

针对上述痛点，Prometheus 监控服务可以提供“优雅”的解决方案。通过将监控对象从实例扩展为不同标签（label），利用Prometheus 监控服务的多维能力，可以聚合出服务层面的宏观监控指标。详见下文。

监控场景

01

服务指标的宏观维度监控&告警场景

以上述电商服务关键路径举例。服务上报指标为成功率，上报标签为：服务名、IP 和区域。

相比传统只上报实例（IP）的单一标签，这里还扩展了服务名等其他标签。

在设置告警策略时，通过不同标签聚合，来解决上述提到的传统实例监控中碰到的痛点。具体步骤如下：

1. 按服务维度的成功率看整体情况。

2. 按服务&地区维度聚合，查看某个更细维度的质量 情况。

3. 利用 PromQL 可以大幅降低告警策略数量(对比传统实例监控)。

02

服务指标的宏观维度监控&告警场景

一、指标定义&服务部署

1. 指标定义

定义服务需要上报的指标和标签。举例，这里上报指标为：成功率(svcSuccessRate)。标签为：服务名(svc)，IP(ip)，区域(region)。

2. 服务部署

服务可以通过虚拟机(CVM)的形式部署在云上(本文采用 CVM 的部署形式)，也可以通过容器(TKE)的形式部署。

部署到 CVM 上，并检查是否正常暴露指标(示例中通过8581端口暴露指标)。

注：

1.Prometheus go client 提供了完善的指标接入库：https://github.com/prometheus/client_golang

2.更多语言 SDK 可参考：

https://cloud.tencent.com/document/product/1416/56027

二、配置抓取任务

1. 新建 Prometheus 实例后，可以通过标签来抓取部署在 CVM 上服务暴露的指标。

详见 cvm_sd_config 配置：https://cloud.ten

cent.com/document/product/1416/55995

2. 验证数据是否抓取成功。通过 Grafana 查询对应的指标和标签。

三、配置告警策略

1. 配置服务宏观层面的告警

当服务的成功率低于两个9(0.99)时告警。

效果如下图所示，当上报的三个服务(登录，查看产品详情页，下单)成功率低于0.99时，就会触发告警。

2. 配置服务更细维度的告警

当服务某个区域的成功率低于0.99时，触发告警。

效果如下图所示，当上报的三个服务(登录，查看产品详情页，下单)在某个地区的成功率低于0.99时，就会触发告警。

结 语

本文讨论了基于腾讯云 Prometheus 监控服务多维能力的告警优化，以及在托管 Prometheus中的实现。欢迎您关注云原生，关注云监控，提升业务质量。

了解 腾讯云 Prometheus 监控服务：https://cloud.tencent.com/product/tmp