中小企业监控体系构建_知识分享【面试总结】

　　大名鼎鼎的中国开源社区的狼首赵瞬东相信大家都略有耳闻他的一篇博文对我很有启发，想要成功就是向有经验的人学习所以我也在按照他的脚步再爬。

【内容有借鉴非原创！面试案例真实！】　　

　　在我之前的公司，招聘面试中，我的老大必问的一个问题就是“你们之前公司的监控体系是怎么做的？你认为怎么做效果比较好？”

　　经常得到这样类似的答案：“我们公司用的Nagios、Cacti做监控，或者说我们公司用Zabbix做监控”，再继续追问往往得到的也是如何使用这些工具的细节的回答。

　　这样的回答固然没错，但却反映出来运维人员经常会被工具迷惑双眼，从而忘记了最初的出发点。然而今天我被问到了。我答的并不好，特此总结：

1. 确定目标、统一思想

　　我们直接跳过什么是监控和监控的重要性等大段描述，先仔细的想一想，监控的目标是什么？

　　每个人的答案都不同，我的回答是：终极目标就是为了保证业务的持续和稳定运行。如此偏激的回答就是让读者从现在开始要站在业务的角度的开始规划监控体系，而不是某个技术范畴。

　　注意：本文不涉及性能测试、性能优化中的监控，所有文字的出发点都是日常运维监控。

　　在开始之前，我们还是先统一下认识：要监控一个对象，需要掌握哪些东西呢？

　　监控对象的理解：要监控的对象你是否了解呢？比如CPU到底是如何工作的？

　　监控对象的指标：我们要监控这个东西的什么属性？比如CPU的CPU使用率、负载、上下文切换。

　　确定报警基准线：怎么样才算是故障，要报警呢？比如CPU的负载到底多少算高？

　　如果上述的条件不满足，那就先不要开始实施监控了，因为等做完了，你会发现，然并卵？

2、监控实时过程

 

系统监控是监控体系的基础，系统监控主要的对象有：

• CPU

• Memory

• IO

 

CPU：关于CPU，有3个重要的概念：上下文切换（context switchs），运行队列（Run queue）和使用率（utilization）。

这也是我们CPU监控的三个重点。通常情况下，每个处理器的运行队列要小于等于3，CPU 利用率中user/system比例维持在70/30，上下文切换要根据系统繁忙程度来综合考量。

常用的监控工具有：top vmstat mpstat

 

内存：Linux虚拟内存是一个庞大的东东，通常我们需要监控内存的使用率、SWAP使用率、同时可以通过内存的使用率曲线来发现某些服务的内存溢出等。但是，很巧的是阿里云并没有SWAP。此处我们也做一下记录

监控工具有：free vmstat

 

IO：IO分为磁盘IO和网络IO。除了在做性能调优我们要监控更详细的数据外，那么日常监控，只关注磁盘使用率、io wait即可，网络也是监控网卡流量即可。工具有iostat iotop iftop。

 

TCP监控：在很多情况下有必要监控TCP的状态，可以使用netstat或者ss来获取所有的TCP连接，来展现11种不同的TCP连接状态的数量，可以在大并发中及时发现TCP的相关故障。

 

其它的系统监控还有运行的进程数、登陆用户、Open File等。

 

应用服务监控也是监控体系中比较重要的内容，例如：

• Apache：Apache提供了mod_status和mod_info模块用来输出Apache的状态，各种grep和awk搞定。

• Nginx：同样有状态模块，编译的时候加上—with-http_stub_status_module，然后就可以使用stub_status on来开启了。

• Memcached：使用nc给memcached发送了一个stats命令就获取到了所有想要的信息。

• Redis：使用nc给redis发送了一个info命令就获取到了redis的相关状态。

• JVM：使用jmconsole，或者jmx就可以进行远程监控。

3、引入Zabbix

当然，以上想要监控的内容，zabbix都可以实现

• 硬件监控：Zabbix IPMI Interface

• 系统监控：Zabbix Agent Interface

• Java监控：Zabbix JMX Interface

• 网络设备监控：Zabbix SNMP Interface

• 应用服务监控：Zabbix Agent UserParameter

• MySQL数据库监控：percona-monitoring-plulgins

• URL监控：Zabbix Web 监控

　　使用Zabbix Proxy可以实现多机房的分布式监控，对于告警通知：邮件、微信、短信、钉钉等，都可以与Zabbix快速的集成，网上有很多此类文档。

　　同时，针对某些可以进行直接处理的报警，Zabbix可以触发Action来轻松帮你实现，故障的自动处理。比如阿里的自我修复机制，一台服务器宕机根据自身毁坏度进行自我修复自主上线。这个需要强大的开发能力，也可以通过shell脚本进行判断，此处不做过多解释。

4、流量分析

　　万事俱备只欠东风，基本监控都已经搭建完成，此时如果你的领导问，咱们的PV是多少啊？此时你该如何应答？

　　netstat -ant | awk '/^tcp/{b[$NF]++}END{for(i in b)print i,b[i]}'

　　首先想到的是把访问日志拿出来各种awk然后sort一下，但是，难道就没有做这些统计和分析的工具吗？答案是有的。

　　google分析、百度统计、站长工具等等一堆统计的东西，只需要在页面嵌入一个js即可。

　　但是呢？这个数据始终是在对方那里，而且功能定制起来也不方便，于是google帮助了他，一个叫做piwik的开源项目映入眼帘。

　　网站流量分析对于运维人员来说，更是一门必须掌握的知识了。比如对于一家电商公司来说，通过对订单来源的统计和分析，可以了解我们在某个网站上的广告投入有没有收到预期的效果。可以区分不同地区的访问人数、甚至商品交易额等。

　　而且，流量分析是运维向运营拓展的必经之路，作为一名运维工程师很有必要掌握公司站点的各种访问详情。

5、网络监控

　　网络监控是我们构建监控平台是必须要考虑的，尤其是针对有多个机房的场景，各个机房之间的网络状态，机房和全国各地的网络状态都是我们需要重点关注的对象，那么如何掌握这些状态信息呢？我们需要借助于网络监控工具Smokeping。

　　Smokeping 是rrdtool的作者Tobi Oetiker的作品，是用Perl写的，主要是监视网络性能，www 服务器性能，dns查询性能等，使用rrdtool绘图，而且支持分布式，直接从多个agent进行数据的汇总。

　　同时，由于自己监控点比较少，还可以借助很多商业的监控工具，比如监控宝、基调、博瑞等。同时这些服务提供商还可以帮助你监控CDN的状态。

6、安全监控

虽然iptables能帮助完成四层的安全防护，但是针对七层的Web层面怎么办呢？

那你说可以用Nginx + Lua编写了一个WAF，然后把相关的日志记录到了Elasticsearch中，通过kibana可以图形化的展示不同的攻击类型的统计。

8、业务监控

那你的领导又问你，咱们10点的时候总订单是多少，每分钟平均订单有多少？这时候你又蒙了。（根据不同的公司不同的需求）

没有业务指标监控的监控平台是一个不完善的监控平台，通常在我们做监控系统中，必须将我们重要的业务指标进行监控，并设置阈值进行告警通知。

比如每分钟的订单、每分钟注册、日活用户、短信使用量等重要的业务指标都可以加入到Zabbix上。

注：由于业务监控图表，涉及到隐私的数据太多，就不截图了。

9、日志监控

通常情况下，系统会产生系统日志、应用程序会有应用的访问日志、错误日志，服务有运行日志等，可以使用ELK来进行日志监控。

对于日志来说，最常见的需求就是收集、存储、查询、展示，开源社区正好有相对应的开源项目：

• logstash（收集）

• elasticsearch（存储+搜索）

• kibana（展示）

我们将这三个组合起来的技术称之为ELK Stack，所以说ELK Stack指的是Elasticsearch、Logstash、Kibana技术栈的结合。

如果收集了错误日志，那么如果部署更新有异常出现，可以立即在kibana上看到。当然也可以使用Zabbix来进行错误日志的过滤来进行告警。

10、自动化

　　经过努力，终于从监控菜鸟到头脑中有一个相对完整的监控体系的逆袭，但是在大规模的环境中，如果无法做到自动化监控，那么手动添加监控不仅仅是一个恐怖的工作，而且也无法保证完整性。

　　自动化的方案有很多，通常有主动和被动不同的形式，这里相对Zabbix来说。

主动形式：

　　比如使用Zabbix的自动发现，主动的对全网进行扫描，然后自动添加相关的监控服务器和引用监控模板。

被动形式：

　　也可以使用Zabbix API进行被动的监控的添加。比如以CMDB为核心，如果检测到某服务器增加了Nginx服务，那么自动调用Zabbix API添加上Nginx的监控模板。

　　真正想做到更完整的监控体系，目前的开源软件，确实无法很好的满足，有条件的公司都开始自己开发自己的监控系统，比如小米开源的Open-Falcon。

　　也有比较好的开源的监控框架如Sensu等，再加上influxdb grafana可以用来定制符合自己企业的监控平台。

 

 

到面试结束

　　该结束了，因为我无论怎么努力增加，还是觉得总有漏下的，打死我也说不出来那么多。

　　监控的话题还有很多很多，比如还有和运维相关的页面性能监控（页面资源数量、DNS解析时间、首屏时间、加载最慢的资源、产生阻塞的JS等）、代码监控、与运维无关的舆论监控等，先这么多吧！

　　好的，我们是从面试开始引入的监控的话题，那么就从面试结束吧！下次再遇到类似的面试题，我相信读者心里一定有了自己的答案，这里就不在详述，一个相对完善的运维监控体系是否已经在你脑海中形成了呢？

 

FAQ：

故障自动处理有没有相关的思路？

　　不同业务形态、不同架构、不同服务可能采用的方式都不同，这个没有一个固定的东西分享。可以参考之前腾讯蓝鲸的分享，他们实现了故障自愈的功能。

运维需要懂业务吗？

　　我个人的观点是懂业务能让运维走的更远，运维服务的对象不一定是其它部门，为什么不能是终端用户呢？

　　可以站在终端用户的视角来做运维，比如有用户反映访问慢，为什么慢，是架构的原因，Nginx配置的原因，还是数据库的原因。

　　不要等着领导来安排，运维能带来的价值是需要运维自己做出来的，思想有多远，运维就能走多远！

　　那么监控在这里发挥的作用就是：让数据说话！

 

如果你是一名运维工程师，动手干吧，监控会是一个不断完善的工程，这就是运维（运营）和项目的本质区别。