背景
团队所开发的持续监测网站/APP的产品，需要有一项监控功能，具体来说就是，对URL/域名进行周期性（小于1分钟）监测，并且能对异常事件进行实时告警。在最近这几个月，我一直将大部分时间和精力花在了设计开发这套系统上面，一共经历了两个大版本。下文就对这套监控系统进行介绍，分享给大家。
自己之前没有这类系统的开发设计经验，于是问了下周围同事。和同事讨论的结果是：既然现在人手不够（就我一个人），我之前也没开发过这类系统，时间又比较紧迫（领导给的排期是“越快越好”……），那么找一个已有的开源监控系统进行二次开发，应该是一个不错的选择。那么，选择哪种开源监控系统呢？根据同事以往的经验，可以考虑zabbix，自己也调研过一段时间zabbix，它的优点有如下几条：
- 架构简单、清晰
- 文档丰富，代码注释十分详细
- agent/server部署方便
- 包含整套监控流程：包括采集、触发、告警
- agent支持用户自定义监控项
- 触发器表达式丰富
- 暴露了一套HTTP + JSON的接口
另外，除了以上这样，还有一个比较重要的一个原因：团队中的同事之前也调研过zabbix。在人手不足、时间又紧的情况下，这一个因素的权重就显得相对较高。所以，最终选择了在zabbix基础上进行二次开发。
至于使用docker，是考虑到监控的对象，会因为用户的增长、以及用户的操作，有动态的变化。作为设计者，自然希望有一种机制，能够可编程地、动态地控制zabbix agent的数量。我们既不让某一个agent（具体应该是agent的端口）有过多的监控项，导致监控项无法在一个周期内完成数据采集；又不想有生成过多的agent，造成系统资源的浪费。目前势头正劲的docker，怎能不进入我的视野？社区活跃、文档完善、相对其他虚拟化技术又很轻，都成为了我选择docker的原因。
需求
这个监控系统的设计目标是：希望能够提供秒级时间粒度的监控服务，实时监控用户网页的可用性指标，做到快速反馈。
具体的需求为：当用户在我们的产品中创建持续监测任务，对于用户输入的URL进行两种类型的监控，即HTTP返回码以及PING返回时间。当某一类监控的采样数据异常时——例如HTTP返回500、PING超时——就会在用户界面上返回告警事件，用以提醒用户；采样数据正常时，再返回告警事件的状态。
第一个版本
架构
第一个版本中，系统的设计特点为：
- 一台物理服务器对应一个zabbix的host
- 监控项使用被动采集方式
- 每个zabbix agent处于一个docker container内，每生成一个container，就在物理机上面开放一个端口，并生成一个对应的zabbix agent interface
- 对于上游的每个监控任务，会在每个IDC节点各生成了一组zabbix采集监控任务，具体对应关系为：
(groupid, hostid, interfaceid, itemid, triggerid) - 告警事件的生成，采用了轮询trigger状态的方式，当上游监控任务对应的处于PROBLEM状态的节点数大于总节点数时，产生告警事件；当所有节点均为OK状态时，产生告警恢复事件
第一个版本的架构，如下图所示：
Monitor Web模块，作为后端的接口供前端来调用，主要提供监测任务添加、修改、删除，告警事件列表返回、告警事件删除等功能。Monitor Syncer模块，用于定期检查每个监测任务对应的zabbix trigger的状态，根据trigger的状态，来生成告警事件以及告警恢复事件。Zabbix Server和Zabbix Agent就构成了监控系统的核心服务。其中，一台物理机器中，包含了多个Docker container，每个container中运行这一个zabbix agent。
流程
以创建监控任务为例，当前端发出创建监测任务时，Monitor Web模块接收到该请求，进行如下操作：
- 在每一个IDC（对于zabbix中的group）中，各创建一个container，在container中启动zabbix agent，记录其对外开放的端口
- 根据得到的端口，在zabbix host中，创建zabbix interface（和agent的端口一一对应）
- 根据得到的interface，创建HTTP和PING两种类型的zabbix item和trigger，分别监控URL的HTTP返回码，以及host的PING返回值。zabbix server开始进行数据采集和监控
- 在业务数据库表中添加该条监测任务记录
Monitor Syncer每隔一个周期（30s），扫描一遍目前所有监测任务，再从zabbix数据库中查找到对应trigger的状态。如果trigger状态为PROBLEM的超过了半数，那么该监控任务就处于了告警状态，最后再根据该任务目前是否处于告警状态，来决定是否需要添加告警事件；那么对应的，如果trigger状态均为OK，并且目前任务处于告警状态，那么则需要为告警事件添加对应的恢复状态。
这样，就完成了添加任务 -> 告警 -> 恢复的整个监控系统的典型流程。
性能
对第一个版本进行了性能测试，得到了以下性能指标：
（3台服务器，1台部署Zabbix Server，2台部署Docker + Zabbix Agent。服务器配置：Intel(R) Xeon(R) CPU E5-2620 v2 @ 2.10GHz X 24，128G 内存，千兆网卡）
- 样本采集项：1111 item
- 样本采集频率：60s
- 最大入口流量: 68 kbps
- 最大出口流量: 270 kbps
- 每秒下发采集请求： ~19 qps
存在的不足
因为开发时间所限，以及对于新技术的调研不够深入，第一个版本有不少不足，主要体现如下：
- zabbix agent采用的是被动模式，每次采集数据zabbix server都需要向zabbix agent查询监控项，网络出口数据量较大
- 由于数据采集都是进行需要发起网络操作，而每个采集数据的频率又较高，因此会出现数据采集不完整、无法连续采集的现象
- 采用轮询方式探测故障事件，效率较低，实时性不高，同时也有单点问题
- 任务请求没有进行持久化，如果因为模块问题而丢失或操作失败，无法回滚
第二个版本
升级点
针对第一版本发现的问题，在设计上做了一些升级，具体升级点和设计上面的特点如下：
- 不再采用物理机器和Zabbix Host一一对应的关系，而是采用Docker container和Zabbix Host一一对应（这里的Zabbix Host就是一个虚拟Host的概念）
- 采用etcd进行分布式状态管理，动态自主注册Zabbix Host
- 采集项使用Agent自主上传方式
- Zabbix Host和监控项之间的比例可配置，即配置每个Zabbix Host上最多进行的监控项数量
- 监控项自动转移，如果一个Zabbix Host出现异常，系统可以将上面的监控项迁移至其他健康的Zabbix Host
- 借助Zabbix Action，将异常状态的改变实时传递给系统，而不是由系统进行轮询
- 任何请求将进行持久化，方便查看以及请求的回滚
第二版的架构变成了这样：
上图中，Monitor Web一方面接收前端的请求，它收到请求做的唯一的事情就是将请求数据写入数据库进行持久化；另一方面，它还会接收来自Zabbix Server的事件请求，这里的事件表示trigger状态的改变。
Monitor Admin有两个职责：1）定期检测未完成的请求（添加/删除监控任务），拿到请求之后通过Zabbix API在对应的Zabbix Agent中添加/删除监控项（item + trigger）；2）侦听ETCD中的key状态变化，进行相应地Zabbix Host创建/删除，以及监控项的迁移。
每当启动一个Docker container，就会将物理机的IDC、ETCD Server地址、Zabbix Server地址等参数传递至container，然后在内部启动zabbix_agentd，并且定期检查zabbix_agentd是否存活，如果存活的话，则生成一个唯一的key，向ETCD发起key创建/更新请求；如果不存活，则key会自然的过期。这样，Monitor Admin就通过ETCD得知了各个zabbix_agentd的健康状况，并且在内存中存储一份agent的拓扑结构。
启动了多个container，在Zabbix Server中就对应了多个Zabbix Host，如下图所示：
其他方面调优
除了整体架构的升级，还在了许多方面（主要是Zabbix）进行了调优，比如：
尽量增加agent的超时时间
因为我们的监控采集项，都是需要对URL或者域名进行网络操作，这些操作往往都会比较耗时，而且这是正常的现象。因此，我们需要增加在Zabbix agent的采集超时，避免正常的网络操作还没完成，就被判断为超时，影响Server的数据获取。
### Option: Timeout
# Spend no more than Timeout seconds on processing
#
# Mandatory: no
# Range: 1-30
# Default:
# Timeout=3
Timeout=30
不要在采集脚本中加上超时
既然Zabbix agent中已经配置了采集超时时间，就不需要在采集脚本中添加超时了。一方面增加了维护成本，另一方面如果配置不当，还会造成Zabbix agent中的超时配置失效。（之前在脚本中使用了timeout命令，由于设置不正确，导致采集项总是不连续，调试了好久才查明原因。）
增加Zabbix Server的Poller实例
默认情况，用于接收Zabbix agent采集数据的Poller实例只有5个。对于周期在1分钟内、数量会达到千级别的采集项来说，Poller实例显然是不够的，需要增大实例数，充分利用好服务器资源。例如：
### Option: StartPollers
# Number of pre-forked instances of pollers.
#
# Mandatory: no
# Range: 0-1000
# Default:
# StartPollers=5
StartPollers=100
利用好Zabbix trigger expression
如果只把trigger expression理解为“判断某个item value大于/小于某个阈值”，那就太低估Zabbix的trigger expression了，它其实可以支持很多复杂的逻辑。比如，为了防止网络抖动，需要当最近的连续两个采集项异常时，才改变trigger的状态，表达式可以写成：（假设item_key<0为异常）
{host:item_key.last(#1)}<0&{host:item_key.last(#2)}<0
再举个例子，同样是为了防止采集的服务不稳定，我们可以规定，当目前trigger的状态为PROBLEM，并且最近5分钟的采集数据均正常的时候，才可以将trigger状态改为OK，表达式可以这样写：
({TRIGGER.VALUE}=0&{host:item_key.last(#1)}<0&{host:item_key.last(#2)}<0) | ({TRIGGER.VALUE}=1&{host:item_key.min(5m)}<0)
具体可以参考Trigger expression
性能
测试环境：
3台服务器，硬件参数与之前保持一致
- Zabbix Server * 1
- 监控服务器 * 1
- ETCD Server * 1
- Docker container * 500 （在1台物理机中）
性能指标：
- 样本采集项：7100
- 样本采集频率：60s
- Zabbix Server每秒处理监控项: 130 个监控项 / 秒 （第一版为~19 qps）
- 平均入口流量：454.25 kbps
- 最大入口流量：916.12 kbps （第一版为68 kbps）
- 平均出口流量：366.65 kbps
-
最大出口流量：1.68 Mbps （第一版为270 kbps）
部分性能指标的监测图如下：
Zabbix Server每秒处理监控项数目
Zabbix Server网卡入口流量
Zabbix Server网卡出口流量
可以看出，跟第一版相比，最大可采集的数据量是原来的近7倍，Zabbix Server的进出口流量有明显的提升，监控项的处理吞吐率也和采集项数量有了一致的提高，是原来的6.8倍，并且没有出现监控项在一个周期内无法采集到的情况（如果再增加监控项，则会不定期出现采样不连续的情况），性能提升还是比较明显的。
系统截屏
故障事件列表
短信报警
总结
本文从架构上介绍了如果基于Zabbix以及Docker，构建一个监控系统。
（广告时间，感兴趣的朋友可以登录我们的官网进行注册，使用我们的评测/监测/加速等服务，并且通过添加PC持续监测任务来对网站进行实时监控。）
当然，目前的版本仍然不够完美，目前“抗住”了，然后需要考虑“优化”，年后预计会有较大改动，架构上以及技术上，自己已经在考量中。
（又是广告时间，团队急需后端小伙伴，可以通过我们的官网了解到我们的产品，也过年了，年终奖也发了，感兴趣的、有想法的朋友，欢迎将简历发送至[email protected]，谢谢！）
-- EOF --