n9e=nightingale
n9e监控告警框架，提供了监控绘图、监控告警以及通知等一体的监控运维体系，在云原生时代，可以认为是Open-falcon的升级版。
一. 告警的数据流
指标存储：使用push模式
- categraf采集后push给n9e-server；
- n9e-server将指标值push给时序库prometheus；
指标告警：使用pull模式
- 由n9e-server使用PromQL向prometheus进行查询；
- 若查询到结果，表示告警被触发；
二. 告警实例的高可用
告警配置被存储在MySQL中，n9e-server从MySQL中读出，然后查询其中的PromQL，判定告警是否被触发。
1. 问题
类似于prometheus，当部署多个n9e-server实例后，若每个n9e-server都进行上面的告警判定过程，会导致每个n9e-server上都有告警产生。
prometheus是通过alertmanager进行告警去重的，那n9e-server是如何实现的呢？
2. 解决
n9e-server通过heartbeat+一致性hash，对告警规则进行分片，每个n9e-server只负责自己实例的告警规定的判定。
- 当n9e-server有实例加入时，已有的n9e-server实例会进行rehash，让新节点负责一部分告警规则；
- 当n9e-server有实例退出时，所有的n9e-server实例会进行rehash，退出节点的告警规则被分给存活的节点；
Heartbeat:
- n9e-server实例启动一个heartbeat线程，定期的上报自己的状态并存储在MySQL中；
- 若发现进程内保存的实例列表与MySQL的实例列表不同，说明发生了节点变化，则进行rehash；
一致性hash:
- 对某个datasource，比如prometheus-a1，有N个n9e-server注册进来，则将N个n9e-server组成一致性hash环；
- 对某个告警规则，使用rule.id进行一致性hash，命中到哪个n9e-server实例，就由其进行告警判定；
三. 源码分析
实现代码主要在alert/naming/*.go。
在做告警判定时，对每个告警规则：
- 若rule不归本节点负责，则跳过；
// alert/eval/alert_rule.go
func (s *Scheduler) syncAlertRules() {
ids := s.alertRuleCache.GetRuleIds()
alertRuleWorkers := make(map[string]*AlertRuleWorker)
externalRuleWorkers := make(map[string]*process.Processor)
for _, id := range ids {
rule := s.alertRuleCache.Get(id)
if rule == nil {
continue
}
if rule.IsPrometheusRule() {
datasourceIds := s.promClients.Hit(rule.DatasourceIdsJson)
for _, dsId := range datasourceIds {
// 判定rule是否归本节点负责
if !naming.DatasourceHashRing.IsHit(dsId, fmt.Sprintf("%d", rule.Id), s.aconf.Heartbeat.Endpoint) {
continue
}
...
}
}
...
}
...
}1. 一致性hash
一致性hash的key=rule.id，根据key判断该rule是否归本节点负责：
// alert/naming/hashring.go
func (chr *DatasourceHashRingType) IsHit(datasourceId int64, pk string, currentNode string) bool {
node, err := chr.GetNode(datasourceId, pk)
...
return node == currentNode
}根据key确定节点的过程：
- 对每个datasource，都有一个hash环：
- 先找到datasource对应的hash环；
- 再在hash环中找负责的节点；
// alert/naming/hashring.go
func (chr *DatasourceHashRingType) GetNode(datasourceId int64, pk string) (string, error) {
chr.Lock()
defer chr.Unlock()
_, exists := chr.Rings[datasourceId]
if !exists {
...
}
return chr.Rings[datasourceId].Get(pk)
}hash环的构造在heartbeat中。
2. heartbeat
n9e-server中开启一个goroutine，专门进行heartbeat：
- 默认1s执行1次；
// alert/naming/heartbeat.go
func (n *Naming) loopHeartbeat() {
interval := time.Duration(n.heartbeatConfig.Interval) * time.Millisecond
for {
time.Sleep(interval)
if err := n.heartbeat(); err != nil {
logger.Warning(err)
}
}
}heartbeat的过程：
- 对每个datasource，查找其关联的最新的n9e-server列表=newss；
- 跟缓存的oldss对比，若有变化，则对server进行rehash，重新构造hash环；
// alert/naming/heartbeat.go
func (n *Naming) heartbeat() error {
// 在页面上维护实例和集群的对应关系
datasourceIds, err = models.GetDatasourceIdsByEngineName(n.ctx, n.heartbeatConfig.EngineName)
for i := 0; i < len(datasourceIds); i++ {
servers, err := n.ActiveServers(datasourceIds[i])
...
sort.Strings(servers)
newss := strings.Join(servers, " ")
oldss, exists := localss[datasourceIds[i]]
if exists && oldss == newss {
continue // 没有变化
}
RebuildConsistentHashRing(datasourceIds[i], servers) // rehash
localss[datasourceIds[i]] = newss
}
return nil
}查询datasource关联的最新n9e-server的过程：
- 实际上就查询alerting_engines表，找目标datasource对应的记录，要求30s内有心跳；
// alert/naming/heartbeat.go
func (n *Naming) ActiveServers(datasourceId int64) ([]string, error) {
...
// 30秒内有心跳，就认为是活的
return models.AlertingEngineGetsInstances(n.ctx, "datasource_id = ? and clock > ?", datasourceId, time.Now().Unix()-30)
}
func AlertingEngineGetsInstances(ctx *ctx.Context, where string, args ...interface{}) ([]string, error) {
var arr []string
var err error
session := DB(ctx).Model(new(AlertingEngines)).Order("instance")
if where == "" {
err = session.Pluck("instance", &arr).Error
} else {
err = session.Where(where, args...).Pluck("instance", &arr).Error
}
return arr, err
}mysql> select * from alerting_engines;
+----+----------------------+---------------+----------------+------------+
| id | instance | datasource_id | engine_cluster | clock |
+----+----------------------+---------------+----------------+------------+
| 2 | 192.168.100.20:17000 | 99999999 | default | 1690537360 |
| 3 | 192.168.100.20:17000 | 1 | default | 1690537360 |
| 4 | 192.168.100.20:17000 | 2 | default | 1690537360 |
+----+----------------------+---------------+----------------+------------+
3 rows in set (0.00 sec)n9e-server实例，在heartbeat的过程中，会将自己注册进去：
// alert/naming/heartbeat.go
func (n *Naming) heartbeat() error {
...
for i := 0; i < len(datasourceIds); i++ {
err := models.AlertingEngineHeartbeatWithCluster(n.ctx, n.heartbeatConfig.Endpoint, n.heartbeatConfig.EngineName, datasourceIds[i])
if err != nil {
logger.Warningf("heartbeat with cluster %d err:%v", datasourceIds[i], err)
}
}
...
}
func AlertingEngineHeartbeatWithCluster(ctx *ctx.Context, instance, cluster string, datasourceId int64) error {
...
var total int64
err := DB(ctx).Model(new(AlertingEngines)).Where("instance=? and engine_cluster = ? and datasource_id=?", instance, cluster, datasourceId).Count(&total).Error
...
// 没有记录，则insert
if total == 0 {
// insert
err = DB(ctx).Create(&AlertingEngines{
Instance: instance,
DatasourceId: datasourceId,
EngineCluster: cluster,
Clock: time.Now().Unix(),
}).Error
} else { // 否则，update最新时间
// updates
fields := map[string]interface{}{"clock": time.Now().Unix()}
err = DB(ctx).Model(new(AlertingEngines)).Where("instance=? and engine_cluster = ? and datasource_id=?", instance, cluster, datasourceId).Updates(fields).Error
}
return err
}