怎样的监控，才真正说明系统有问题？

原创 58沈剑架构师之路

监控不告警，系统就一定没有问题么？怎样的监控，才真正说明系统有问题？今天和大伙聊聊多维度立体化监控。

什么是多维度立体化监控？

不同公司或多或少有一些自动化监控手段，例如：

（1）http接口监控；

（2）log关键字监控；

（3）操作系统，进程，端口；

（4）http状态码；

（5）服务存活性；

（6）接口处理时间；

（7）RPC接口监控；

（8）用户层面监控；

如果只监控一个或少数几个维度：

（1）监控到异常时，基本确信系统出现了问题；

（2）反过来，没有监控到异常，不能确信系统没有问题；

例如：

（1）监控到操作系统CPU100%，系统大概率出现了问题，但CPU正常，并不能说明系统正常，例如tomcat挂了，CPU肯定是正常的，但操作系统监控却探测不到，于是需要进程，端口，存活性等其他监控予以辅助；

（2）进程，端口监控到异常，系统大概率出现了问题，但进程在运行，端口在监听，并不能说明系统正常，例如程序死锁，进程和端口是正常的，于是需要接口处理时间等其他监控予以辅助；

（3）接口处理时间监控到超时，系统大概率出现了问题，但接口处理时间不超时，并不能说明系统正常，例如数据库挂了，数据库连接拿不到，服务层每个接口都很快返回，并不超时；

这里的观点是：单维度监控易漏报，多维度立体化监控才是监控平台的根本之道。

前文介绍的两篇：

《如何在12个小时，搞定http监控？》

《如何在12个小时，搞定日志监控？》

在设计上都讲究通用+可扩展。

接下来介绍的四个维度的监控，在设计上也是看重“通用”“非侵入性”，即被监控的站点和服务无需任何埋点，无需任何修改，被监控模块的负责人无需配合做任何事情，就能全方位cover住。

维度一，如何进行操作系统，进程，端口监控？

监控需求：

（1）系统的网络是否被打满，磁盘是否有空间，CPU是否繁忙，内存是否用完，负载值是否过高，JVM是否正常；

（2）服务进程是否运行；

（3）监听端口是否正常；

（4）机器间是否联通；

常见方案一：zabbix

搞运维的都懂，不展开细聊了，聊多了怕被骂。

常见方案二：shell

写一些非常简单的脚本，就能够获取到网络、磁盘、CPU、内存、load、JVM的信息，在配合一些阈值的配置，就能实现超出阈值告警的功能。

如果配合集群信息管理服务，通过ps, netstat, telnet等命令，也能快速实现进程，端口，连通性的简易监控。

实现要点：

（1）重点考虑扩展性，可配置性，非侵入性；

（2）集群信息管理服务（或者，集群信息配置文件）；

维度二，如何进行404状态码监控？

监控需求：监控http异常状态码。

监控方案：nginx日志统一监控

如果实现了http接口统一监控，404监控的必要性并不是这么强，但毕竟实现简单，整一个通用的花不了多少时间。

在聊存活性监控，接口处理时间监控之前，多说几句系统架构，如果实现了框架与组件的统一，统一监控会省非常多的力气。

上图是一个典型的互联网分层架构图：

（1）最上游是APP和browser；

（2）反向代理层是nginx，统一http404状态码监控就实现在这一层；

（3）web层，假设自研了web-framework；

（4）service层，假设自研了service-framework，web层会通过RPC-client调用service；

（5）数据层db，假设自研了Daojia-DAO组件调用db；

（6）缓存层cache，假设自研了Daojia-KV组件调用cache；

D-DAO和D-KV两个组件并没有大伙想的复杂，初期只是简单的封装了一层而已。

维度三，如何进行服务存活性监控？

监控需求：进程和端口的监控，只能保证进程在，端口在，但并不能确定服务是否能响应请求，需要确定服务“活着”。

监控方案：ping-pong式监控，在站点框架，服务框架层面统一实现，提供keepalive接口：

（1）在框架层面就可以实现ping-pong接口；

（2）监控中心通过集群信息管理服务（或者是配置文件）获取集群类型（web/service），集群IP列表；

（3）监控中心统一往集群发送内置的ping-pong请求；

强调两点：

（1）如果开源框架不提供ping-pong接口，可以二次开发（要慎重，任何开源框架的二次开发，都是大坑的开始）；

（2）统一集群信息管理服务，或者，统一集群信息管理配置文件，真的很重要，是技术体系统一的基石；

维度四，如何进行接口执行时间监控？

监控需求：

（1）http站点接口有没有超时；

（2）RPC服务接口有没有超时；

（3）db访问有没有超时；

（4）cache访问有没有超时；

（5）除了超时，还要监控同一个接口的执行时间有没有同比、环比的大幅度波动，例如：一个接口平均响应时间是100ms，突然有一天增加到300ms，即使没有超时，也有理由怀疑接口出现了问题；

监控方案：框架组件统一上报（如上图1,2,3,4）。

（1）在web-framework里，对所有http接口进行数据上报，可以上报url，参数，执行时间等核心数据；

（2）在service-framework里，对所有RPC接口进行数据上报，可以上报接口，参数，执行时间等核心数据；

（3）在DAO里，对所有数据库SQL访问进行数据上报，可以上报sql，参数，执行时间等核心数据；

（4）在KV-client里，对所有cache访问进行数据上报，可以上报key，执行时间等核心数据；

统一上报是思路，具体上报细节，是通过flume刷日志，还是storm/spark实时流处理，都可以。

总结

监控是一个技术活：

（1）监控平台的思路是多维度立体化监控；

（2）“统一操作系统、http404，服务存活性，接口处理时间”等四大类统一监控的设计核心是“非侵入性”，不需要任何人配合修改，就能实现诸多功能的技术平台，才是好技术平台；

（3）统一集群信息管理服务，统一人员信息管理服务，统一告警策略服务（或者配置文件），是统一技术体系的基石；

架构师之路-分享技术思路

思路比结论更重要，希望大家有收获。

调研

贵司的监控，涵盖了哪些方面？

阅读原文

继续滑动看下一个