全栈监控系统架构

可观测性从数据层面可分为三类：

• 指标度量(Metrics)：记录系统的总体运行状态。
• 事件日志(Logs)：记录系统运行期间发生的离散事件。
• 链路追踪(Tracing)：记录一个请求接入到结束的处理过程，主要用于排查故障。

图片来自：Metrics, Tracing, and Logging

CNCF 的 Observability Whitepaper（可观测性白皮书） 将上述数据统称为 Signal（信号），除了以上三种，又提出来额外两种信号：

• 性能剖析(Profiling)：记录代码级别的的详细视图，比如 CPU、内存的使用，帮助诊断环境中的性能瓶颈。
• 核心转储(Core Dumps)：程序崩溃时的内存快照。

从系统架构层面可分为三层：

• 基础层：对底层主机资源的监控。比如 CPU、内存、磁盘用量、磁盘IO、网络IO 、系统日志等。

• 中间层：对中间件的监控。比如 MySQL、Redis、ElasticSearch、Nginx 等中间件的关键指标。

• 应用层 ：监控应用的指标。比如 JVM 指标、JDBC 指标、HTTP 的吞吐、响应时间和返回码分布等。当然也包括客户端的监控，比如移动客户端的性能监控。

我们知道分布式系统的架构和运维极其复杂，只有实现一个全栈监控系统，将上述各层的指标、日志、追踪数据收集并关联保存好，让它成为分布式系统的眼睛，我们才能更好的了解系统运行状态，及时发现问题，进而解决问题。

一个分布式系统、一个自动化运维系统、或是一个Cloud Native的云化系统，最重要的事就是把监控系统做好，在把数据收集好的同时更重要的是把数据关联好。开发和运维才可能很快地定位故障，进而根据故障原因做出相应的（自动化）处置，将故障恢复或把故障控制在影响范围之内。 《左耳听风》

监控系统功能要求

一个好的监控系统，主要为两个场景服务：

1. 体检

   • 容量管理。提供一个全局的系统运行时数据监控大盘，可以让工程师团队知道是否需要增加机器或是其它资源。

   • 性能管理。可以通过查看大盘，找到系统瓶颈，并有针对性的优化系统和相应代码。

2. 急诊

   • 定位问题。可以快速的暴露并找到问题的发生点，帮助技术人员诊断问题。

   • 性能分析。当出现不预期的流量提升，可以快速的找到系统的瓶颈，并可以帮助开发人员深入代码。

具体需要有如下功能：

全栈监控

做到对基础、中间件和应用层的指标、日志、链路追踪的整体监控。

整体 SLA 分析

需要根据用户的 API 访问计算整体的 SLA。比如下面的一系列指标：

• 吞吐量：M1，M5，M15 的吞吐量，即最近 1、5、15 分钟的 QPS。
• 响应时间：P99 、P95 、P90、P75、P50 等延时时长，
• 错误率：2XX、3XX、4XX、5XX 的各自占比；最近 1、5、15 分钟的 400、500 错误请求数。
• Apdex（Application Performance Index) 指标

这是工业界用来衡量系统运行是否健康的指标。Apdex 有三种状态来描述用户的使用体验：

• 满意（Satisfied）：请求服务响应时间小于某个阈值 T。
• 可容忍（Tolerating）：请求服务响应时间高于 T，但低于一个可容忍值 F，通常 F = 4T。
• 失望（Frustrated）：请求服务响应时间大于可容忍值 F。

基于以上值，Apdex 的计算公式如下：

// 满意的请求数加上可容忍的请求数的一半，除以总的请求数。
Apdex = (Satisfied count + Tolerating count / 2) / Total count

假设我们系统有 100 个请求，满意响应时间为 200ms。这 100 个请求中：

• 80 个请求响应时间小于 200ms，即满意的请求数为 80。
• 15 个请求响应时间在 200ms 到 800ms(4 * 200) 之间，即可容忍的请求数为 15。
• 5 个请求响应时间大于 800ms，即失望的请求数为 5。

那么 Apdex 的值为：

Apdex = (80 + 15 / 2) / 100 = 0.875

一般来说，Apdex 的值大于 0.9 时系统可以认为运行正常，用户体验良好；低于 0.8 时需要告警，并进行优化；在 0.5 以下时可以认为系统运行不正常，需要将服务实例下线。

关联分析

监控系统需要对三层数据进行统一全面的关联、分析，并能够通过调用关系帮助我们定位故障的根因。

以一个报 500 的请求为例，我们能够通过链路追踪日志获取该请求的整个请求链路，链路中的所有服务、中间件以及对应的服务器信息都能关联查询出来。查询到链路中的每个 Span 时，对应的日志、指标都能关联展示出来。

下图是使用 MegaEase Cloud 云平台监控的一个微服务系统的调用链追踪展示以及点击某个 Span 时所能关联查询的所有数据。整个调用链的拓扑图、日志、请求、JDBC 等信息全部能关联查询出来。

• 调用链拓扑图

• Span 信息

• Span 详情，包括日志、指标、请求、JDBC 等

图片来自 MegaEase 官网

实时告警与自动处理

通过设置告警规则，当系统异常时能够及时的发出告警。在此基础上要有一定的自动故障处理能力，比如自动扩缩容、弹力处理等。

对于常见的指标，比如服务器的 CPU、内存、磁盘的用量，JVM 的 Memory、GC 等最好有默认的告警规则模版，每当有新的机器、服务上线时，能够自动生成告警规则。

系统容量与性能分析

通过对过去一段时段的监控数据分析，获取系统的 SLA、负载、容量使用等情况，为系统的容量规划提供参考依据。

监控系统技术架构

数据采集

数据采集通常会有一个客户端，与被采集的目标实例运行在一起，采集目标实例的运行指标、日志、追踪等信息，并将采集到的数据通过 API 进行暴露或者直接上报。

指标全局字段

为了后续的关联分析，采集的数据需要标明来源等信息，通常需要以下全局字段:

字段	说明
category	指标分类，通常可以分为 infrastructure、platform、application 三类，即对应基础设施层、中间件层、应用层
host_name	采集客户端所在的主机名称
host_ipv4	采集客户端所在的主机 IP
system	被监控服务的系统名称（一般是所属的业务系统）
service	被监控服务的服务名，最重要的一个字段，大盘需要根据该字段确定要查询的目标数据以及关联分析
instance	被监控服务的实例名称，一个服务通常会有多个实例，该字段用来标识具体的实例信息， 方便关联分析和故障定位
type	指标类型分类，更加细化的指标分类，比如 mysql、jvm、cpu、memory 等，可以基于该 type 将数据存储在不同的索引库中
timestamp	指标和日志产生的时间戳

通过这些字段，我们能精确定位某个系统下的任意服务实例位于哪台机器上，从而去目标主机查看实例的状态；也可以在监控系统中通过这些字段关联查询到具体实例的日志、指标、追踪等信息。

基础层与中间件层采集

Linux 系统内核以及几乎所有的的中间件都有运行时的统计信息。比如 Linux 的 /proc 目录，MySQL 的 performance schema 等。

对于基础层和中间件层，有非常多的优秀成熟开源的监控组件可以使用：

• Telegraf：一款开源的基于 Go 语言开发的指标采集软件，有众多的采集、处理和输出插件，基本能覆盖日常开发的指标采集需求。

• Elastic Beats：ElasticSearch 公司开发的一系列采集客户端。比如用于采集日志的 Filebeat；用于采集指标的Metricbect；用于采集网络的：Packetbeat。

• Prometheus Exporter：围绕 Prometheus 开发的一系列 Exporter，会暴露指标采集 API，供 Prometheus 定时拉取。

• OpenTelemetry：由 CNCF 的 OpenTracing 和 Google/微软支持的 OpenCensus 合并而来，最初是为了实现链路追踪的标准化，后来逐渐演化为一套完整的可观测性解决方案。自 2019 年发布以来，逐渐成为了云原生领域可观测性数据收集的事实标准。

应用层指标采集

应用层的指标采集要相对更麻烦一些，因为不同的语言实现通常需要不同的方式采集。但总体来看有三种如下方式：

• 应用 API 暴露：比如 SpringBoot 应用就通过 /_actuator API 对外暴露了一系列应用相关信息。我们也可以自行编写相应的 API 对外暴露指标。这里需要注意指标标记的合理性，避免表示不准确和数据量爆炸，对服务本身和监控系统造成影响。一般来说除了指标名、时间戳和指标值外，其他 lable 都是固定的，这样 Prometheus 等时序数据库在存储时会进行压缩，节省存储空间。可以参考这篇文章 程序的 Metrics 优化——Prometheus 文档缺失的一章。

• SDK 采集上报：将采集上报功能以 SDK 的形式集成到服务中。好处是灵活性高，可以自行编写 SDK，最大程度满足自身的需求，但坏处是会对业务服务造成侵入。主流语言通常会有很多优秀开源库，即使是自己造轮子通常也是在其基础之上做进一步的封装。以笔者比较熟悉的 Java 生态为例，一些优秀的开源工具库：

  • OSHI: Operating System and Hardware Information 用来收集操作系统和硬件信息的 Java 开源库。
  • Dropwizard Metrics 用来测量 Java 应用的相关指标的开源库。
  • opentelemetry-java：opentelemetry 提供的 Java SDK。

• 无侵入式采集：SDK 的方式一般需要应用添加依赖，修改配置等操作，通常会影响到线上的服务运行。更好的方式是使用无侵入技术，将采集功能无缝集成到应用中。一些常见的技术有：

  • Java Agent: Java 提供了字节码编程，可以动态的修改服务配置。MegaEase 就使用了该技术实现了 EaseAgent 无侵入式观测系统

  • ServiceMesh SideCar: 在 Service Mesh 架构下，可以将服务发现、流量调度、指标日志和分布式追踪收集等非业务性功能放到 SideCar 中，从而避免对应用造成影响。

  在 MegaEase，我们结合 JavaAgent 和 SideCar 实现了 EaseMesh 服务网格， 可以在不改变一行源代码的情况下将 Spring Cloud 应用迁移到服务网格架构，整个架构已经被赋予了全功能的服务治理、弹性设计和完整的可观察性，而用户不需要修改一行代码。具体参考 与 Spring Cloud 完全兼容的服务网格可以干什么样的事。

采集端注意事项

• 监控系统属于控制面的功能，和业务逻辑没有直接关系。因此业务系统不应该感知到监控系统的存在，更重要的，监控系统的资源占用要尽可能小，不应该影响到业务系统的正常运行。

• 尽可能对应用开发透明，比如优先使用上述提到的无侵入的方式采集应用的监控数据。

• 如果做不到无侵入，比如要使用 SDK 的方式，也要做到技术收口，采用切面编程的范式来实现，避免对业务逻辑造成影响。

• 采集数据的传输应该采用标准的协议，比如 HTTP 协议。

• 采集数据的格式应该采用标准的格式，比如 JSON、ProtoBuf 等，尤其是数据量过大时，尽量使用高效率的二进制协议。

• 如果条件允许，应该使用物理上的专用网络来隔离业务网络，避免对业务服务的访问造成影响。

数据传输与清洗

当数据收集上来后，我们需要对数据进行清洗梳理，从而实现

• 日志数据的结构化
• 监控数据的标准化

这里需要两个组件的支持：

• 数据总线：通过数据总线来对接所有的收集组件，成为数据集散地；另外也作为数据缓存和扩展的中间 Broker。Kafka 可以很好的担任这样一个角色。

• 数据 ETL：ETL 工具用来对数据进行清洗，将客户端采集发送到数据总线的数据解析处理，最终生成结构化的数据写入到存储组件中。常用的开源组件有 LogStash，Fluentd 等，当然也可以自研，选择更合适的高性能语言并满足内部更加复杂的清洗需求。

数据清洗注意事项

• 清洗组件要做到高性能、高可用。一般来说，指标数据是周期性产生的,其数据量并不会跟随当前请求并发量的多少变化而变化。另外一些数据(比如日志)则是和系统接受的请求并发量有着直接的关系。因此数据处理管线需要能够支撑高并发、大数据量的写入，同时也起到削峰填谷的作用。Kafka 可以非常完美的符合这些要求。

• 清洗逻辑要尽量的简单，不应该在清洗组件做过多复杂的设计。

• 清洗组件必须是无状态的，能够支持水平扩展。

• 尽量提升数据处理的效率，比如使用 Golang 开发清洗组件；对 JVM 的语言做优化，如使用无锁队列、固定大小的 buffer 等提升效率。

数据存储

在存储方面，以 ElasticSearch 为代表的全文搜索引擎和以 Prometheus 为代表的时序数据库已经成为事实上的标准。一般来说可以将以日志为主的、需要全文检索的数据写入到 ES；将告警相关的数据写入到 Prometheus 中。

存储注意事项

• 根据需要对数据按天、小时或分钟等级别建立索引，避免单个索引数据量过大。

• 全局字段指标通常需要单独建立索引，以方便后续的关联分析。

• 尽量提升磁盘的 IO 性能，比如使用 SSD，使用文件系统 cache 机制。避免使用 NFS 等远程文件系统。

• 监控数据的特点一般是：数据量大，有效期短。因此可以考虑数据冷热分离。热数据存入 ES 和 Prometheus 中做检索和告警；冷数据以时间区间命名做归档存入其他的分布式文件系统做备份。

• 按照业务级别，需要对日志必须分级,高级别日志需要满足异地容灾、冗余。

• 根据业务敏感度，要考虑到数据的脱敏和归档安全

数据展示

以图表的形式展示相关的度量指标，方便我们查看系统的当前状态。可以使用 Grafana 实现该功能，作为一款非常流行的 dashboard 组件，已经有了众多现成的图表模版，对于大多数系统和中间件可以直接使用。当然对于应用层的监控，可能需要自行设计开发进行展示了。

总体而言，需要有以下功能的展示：

• 总体系统健康和容量情况，包括

  • 关键服务的健康状态
  • 系统的 SLA 指标，包括吞吐量、响应时间（P99、P95、P90、P75、P50）、错误率（2XX、3XX、4XX、5XX）。
  • 各种中间件的关键指标，比如 MySQL 的连接数、Redis 的内存碎片等。
  • 服务器基础资源的健康状态，比如 CPU、内存、磁盘、网络等。

• TopN 视图：包括最慢请求、最热请求、错误最多请求等

数据告警

当系统容量、性能达到瓶颈，或者某个组件出现问题，需要告警组件及时的通知相关人员介入处理。对于告警，需要定义告警规则，一般需要处理如下一些情况：

• 基础探活：采用心跳机制，定期检查某个服务的连通性，让心跳检查失败时，触发告警。MegaEase 开源了 EaseProbe 可以作为众多服务的探活工具。
  ，

• 指标 - 持续时间 - 阈值： 当某个指标再一段时间内持续超过某个阈值时，触发告警。比如 两分钟内 CPU 使用率持续超过 90%。

• 指标 - 持续时间 - 百分比 - 阈值： 当某个指标再一段时间内持续超过某个百分比时，触发告警。比如两分钟内 P99 超过 300ms。

• 指标 - 持续时间 - 函数 - 阈值： 此时需要一些聚合计算，某些函数的计算在一段时间内超过阈值。比如两分钟内的 JVM GC 次数（sum 函数计算）超过阈值。

• 指标 - 持续时间 - 关键词 - 匹配次数： 日志中的某个关键词在一段时间内出现的次数超过阈值，关键词需要支持精确匹配和正则匹配。

设置告警规则时，首先需要梳理关键业务路径和非关键业务路径，并以此制定故障分级原则。对于关键业务异常要有事件告警，其次需要对如下关键指标设置告警：

• 各业务接口的失败率指标
• P99/P90/P50 指标
• 主机/服务实例的 CPU、内存、JVM 等基础资源指标
• 主机/服务实例的饱和度指标（磁盘容量、网络IO、磁盘IO）
• 各中间件关键指标

上述提到的组件都提供了告警工具，通常可以满足需求。比如：

• Prometheus Alert Manager
• Elastic Alerting
• Grafana Alerting

当然也可以自研，梳理出关键指标后形成告警规则模版，每当有新服务引入时自动创建告警规则，然后定时监测指标信息，及时告警

---

至此，如果全部采用开源组件实现一个全栈监控系统，技术栈如下：

• 数据采集端
  • 基础层和中间件指标采集 - Telegraf
  • 日志采集 - Filebeat 和 Fluentd
  • Java Agent - EaseAgent
  • OpenTelemetry - OpenTelemetry
• 数据处理管线
  • 数据总线 - Apache Kafka
  • 数据 ETL - Logstash，Fluentd
• 数据存储
  • 日志数据存储 - ElasticSearch
  • 指标数据存储 - Prometheus，InfluxDB
• 数据图表
  • 数据展示：Grafana
  • 异常告警：Prometheus Alert Manager，Elastic Alerting，Grafana Alerting

最终形成如下架构

图片来自MegaEase 官网