运维监控背景信息

监控需求来源

刚开始的需求就是出了问题，我们可以精确感知到。
后来的需求扩展为：

通过监控了解数据趋势，知道系统在未来的某个时刻可能出问题，预知问题。
通过监控了解系统的水位情况，为服务扩缩容提供数据支撑。
通过监控来给系统把脉，感知到哪里需要优化，比如一些中间件参数的调优。
通过监控来洞察业务，提供业务决策的数据依据，及时感知业务异常。

可观测性三大支柱

指标监控：只能处理数字，但是因为历史存储数据简单，实时性好，生态好，所以很受欢迎。
日志：有软件的运行情况、业务的运营情况等，通常量比较大，不够结构化，存储成本较高。
链路追踪：以请求串联上下游模块，为每个请求生成一个随机字符串作为请求 ID。服务之间互相调用的时候，把这个 ID 逐层往下传递，每层分别耗费了多长时间，是否正常处理，都可以收集起来附到这个请求 ID 上。后面追查问题时，拿着请求 ID 就可以把串联的所有信息提取出来。

这三者不是完全割裂开的，

业界方案横评

名称	Zabbix	Open-Falcon	Prometheus	Nightingale
描述	企业级的开源解决方案，擅长设备、网络、中间件的监控。Zabbix 核心由两部分构成，Zabbix Server 与可选组件 Zabbix Agent。	组件比较散。 Open-Falcon 基于 RRDtool 做了一个分布式时序存储组件 Graph。这种做法可以把多台机器组成一个集群，大幅提升海量数据的处理能力。前面负责转发的组件是 Transfer，Transfer 对监控数据求取一个唯一 ID，再对 ID 做哈希，就可以生成监控数据和 Graph 实例的对应关系，这就是 Open-Falcon 架构中最核心的分片逻辑。结合我们给出的架构图来看，告警部分是使用 Judge 模块来做的，发送告警事件的是 Alarm 模块，采集数据的是 Agent，负责心跳的模块是 HBS，负责聚合监控数据的模块是 Aggregator，负责处理数据缺失的模块是 Nodata。当然，还有用于和用户交互的 Portal/Dashboard 模块。	针对 Kubernetes 做了直接的支持，提供了多种服务发现机制，大幅简化了 Kubernetes 的监控	和 Prometheus 做良好的整合，打造一个更完备的方案。当下的架构，主要是把 Prometheus 当成一个时序库，作为 Nightingale 的一个数据源。
优点	1.对各种设备的兼容性较好，Agentd 不但可以在 Windows、Linux 上运行，也可以在 Aix 上运行。2.架构简单，使用数据库做时序数据存储，易于维护，备份和转储都比较容易。3.社区庞大，资料多。	1.可以处理大规模监控场景。2.组件拆分得比较散，大都是用 Go 语言开发的，Web 部分是用 Python，易于做二次开发。	1.对 Kubernetes 支持得很好，目前来看，Prometheus 就是 Kubernetes 监控的标配。w生态庞大，有各种各样的 Exporter，支持各种各样的时序库作为后端的 Backend 存储，也有很好的支持多种不同语言的 SDK，供业务代码嵌入埋点。	1.有比较完备的 UI，有权限控制，产品功能比较完备，可以作为公司级统一的监控产品让所有团队共同使用。2.兼容并包，设计上比较开放
缺点	1.使用数据库做存储，无法水平扩展，容量有限。 2.Zabbix 面向资产的管理逻辑，监控指标的数据结构较为固化，没有灵活的标签设计，面对云原生架构下动态多变的环境，显得力不从心。	1.生态不够庞大，是小米公司在主导，很多公司做了二次开发，但是都没有回馈社区，有一些贡献者，但数量相对较少。2开源软件的治理架构不够优秀	1.易用性差。2.Exporter 参差不齐，通常是一个监控目标一个 Exporter，管理起来成本比较高 。3.容量问题，Prometheus 默认只提供单机时序库，集群方案需要依赖其他的时序库。	1.机房网络割裂问题，告警引擎单独拆出一个模块下沉部署到各个机房。2.告警事件发送缺少聚合降噪收敛逻辑

此文章为9月Day 5学习笔记，内容来源于极客时间《运维监控系统实战笔记》。