最近一直在思考如何对线上服务做深度监控。基础的服务可用性监控很简单，定期Ping即可。但是怎样才能监控服务器的一些更加关键的数据呢？比如，每一个API Point的请求次数（QPS），最大响应时间，平均响应时间等。最终我希望实现的效果是有一个Dashboard，我可以清楚地看到各种参数曲线，对服务器的运行情况了然于胸。
绘制Dashboard不难，目前提供数据可视化的工具很多，随便选一个都能满足需要。关键问题是，怎样将整个流程打通？
- 服务器该以怎样的形式暴露出数据？
- 数据怎样被收集和存储起来？
- 存储起来的数据怎样提供给数据可视化工具？
- 怎样做到足够灵活，可以可视化自己感兴趣的任意数据？
Prometheus
像QPS和响应时间这些数据，外部工具是没办法直接拿到的，必须要服务器以某种方式将数据暴露出来。最常见的做法是写日志。比如Nginx，每一条请求对应一个日志，日志中有响应时间这个字段。通过对日志分析，我们就可以得到QPS，最大响应时间，平均响应时间等，再通过可视化工具即可绘制我们想要的Dashboard。
日志这个方法固然是可行的，但是还有更好的方法。这个方法就是时序数据库（Time Series Database）。时序数据库简单来说就是存储随时间变化的数据的数据库。什么是随时间变化的数据呢？举个简单的例子，比如，CPU使用率，典型的随时间变化的量，这一秒是50%，下一秒也许就是80%了。或者是温度，今天是20度，明天可能就是18度了。
Prometheus就是一个用Go编写的时序数据库，官网对其的优点介绍的很清楚，这里就不再赘述了。总之，使用简单，功能强大。
安装
安装直接去官网下载对应的安装包即可。当然，如果你是Mac用户的话，brew永远不会让你失望，brew install prometheus。
格式
Prometheus获取数据的策略是Pull而不是Push，也就是说，它会自己去抓取，而不用你来推送。抓取使用的是HTTP协议，在配置文件中指定目标程序的端口，路径及间隔时间即可。这也就意味着任何程序想要使用Prometheus存储数据都很简单，定义一个HTTP接口即可。
Prometheus的数据格式是简单的文本格式，可以直接阅读。其中，#号开头的是注释，除此之外，每一行一个数据项，数据名在前，值在后。{}中是标签，一条数据可以有多个标签。
# HELP go_gc_duration_seconds A summary of the GC invocation durations.
# TYPE go_gc_duration_seconds summary
http_request_count{endpoint="/a"} 10
http_request_count{endpoint="/b"} 200
http_request_count(endpoint="/c") 3
配置
Prometheus使用YAML进行配置。global配置一些全局信息，scrape_configs配置具体想要抓取的目标。这段配置的含义是：启动一个叫做go-test的任务，每隔五秒钟，访问localhost:8888/metrics获取数据。
global:
scrape_interval: 15s # By default, scrape targets every 15 seconds.
# Attach these labels to any time series or alerts when communicating with
# external systems (federation, remote storage, Alertmanager).
external_labels:
monitor: 'codelab-monitor'
# A scrape configuration containing exactly one endpoint to scrape:
# Here it's Prometheus itself.
scrape_configs:
# The job name is added as a label `job=<job_name>` to any timeseries scraped from this config.
- job_name: 'go-test'
metrics_path: "/metrics"
# Override the global default and scrape targets from this job every 5 seconds.
scrape_interval: 5s
static_configs:
- targets: ['localhost:8888']
测试程序
我们来写一个程序测试一下Prometheus的功能。虽然可以手动返回Prometheus需要的数据，但是使用开发好的客户端会更加方便。
这里我们使用Go语言，编写一个简单的服务器和客户端。客户端会以一个稳定的速度请求服务器的/test路径，但是每两分钟会加大流量，持续30秒再回到之前的水平。服务器95%的情况下会花费50ms进行响应，还有5%的情况下会花费100ms。
这里我们定义了两个指标，httpRequestCount记录HTTP的请求数，httpRequestDuration记录响应时间，他们都有一个endpoint标签用于记录请求路径。这两个指标分别是Counter类型和Summary类型，Prometheus定义了四种指标类型，基本涵盖了各种用例场景，具体可以去看相关文档。简单来说，Counter类型的数据表示一个只会向上增加的数据，比如请求数。而Summary类型的数据表示一个按区间分布的数据，比如响应时间或者请求体大小。
/*
* @Author: CJ Ting
* @Date: 2017-03-12 17:27:23
* @Last Modified by: CJ Ting
* @Last Modified time: 2017-03-12 23:49:55
*/
package main
import (
"log"
"math/rand"
"net/http"
"time"
"github.com/prometheus/client_golang/prometheus"
"github.com/prometheus/client_golang/prometheus/promhttp"
)
var httpRequestCount = prometheus.NewCounterVec(
prometheus.CounterOpts{
Name: "http_request_count",
Help: "http request count",
},
[]string{"endpoint"},
)
var httpRequestDuration = prometheus.NewSummaryVec(
prometheus.SummaryOpts{
Name: "http_request_duration",
Help: "http request duration",
},
[]string{"endpoint"},
)
func init() {
prometheus.MustRegister(httpRequestCount)
prometheus.MustRegister(httpRequestDuration)
}
func main() {
http.Handle("/metrics", promhttp.Handler())
http.HandleFunc("/test", handler)
go func() {
http.ListenAndServe(":8888", nil)
}()
startClient()
doneChan := make(chan struct{})
<-doneChan
}
func handler(w http.ResponseWriter, r *http.Request) {
start := time.Now()
path := r.URL.Path
httpRequestCount.WithLabelValues(path).Inc()
n := rand.Intn(100)
if n >= 95 {
time.Sleep(100 * time.Millisecond)
} else {
time.Sleep(50 * time.Millisecond)
}
elapsed := (float64)(time.Since(start) / time.Millisecond)
httpRequestDuration.WithLabelValues(path).Observe(elapsed)
}
func startClient() {
sleepTime := 1000
go func() {
ticker := time.NewTicker(2 * time.Minute)
for {
<-ticker.C
sleepTime = 200
<-time.After(30 * time.Second)
sleepTime = 1000
}
}()
for i := 0; i < 100; i++ {
go func() {
for {
sendRequest()
time.Sleep((time.Duration)(sleepTime) * time.Millisecond)
}
}()
}
}
func sendRequest() {
resp, err := http.Get("http://localhost:8888/test")
if err != nil {
log.Println(err)
return
}
resp.Body.Close()
}
启动Prometheusprometheus -config.file config.yml以后，再启动我们的测试程序go run test.go。打开Prometheus控制台localhost:9090/targets就可以看到Prometheus正在抓取数据，一切正常。
控制台
Prometheus的一个强大之处在于可以使用各种函数和操作符来查询数据。在上面的测试程序中，每个数据都带有endpoint这个标签，表示请求的路径。打开Prometheus的控制台http://localhost:9090/graph，点击console标签页，输入http_request_count{endpoint="/a"}就可以查询路径为/a的API Point到目前为止的总请求数。如果想看QPS的话，可以使用自带的函数rate，rate(http_request_count[10s])表示以10s作为时间单元来统计QPS。
Prometheus的控制台自带一个简单的绘图系统，点击graph标签页，输入表达式就可以看到图表。例如，输入rate(http_request_count{endpoint="/test"}[10s])就可以看到我们测试程序中/test路径的QPS，从图中可以明显发现，每隔一段时间就会有一个波峰流量。
httpRequestDuration是一个Summary类型的指标，比简单的Counter要复杂，会生成三个数据项。分别是http_request_duration_sum，表示响应时间加在一起的总和，http_request_duration_count，表示响应时间的总个数，以及http_request_duration，表示响应时间的分布情况，这个数据项会使用quantile标签对响应时间进行分组。
如下图所示，quantile=0.5值为50，表示50%的请求响应时间都在50ms以下。quantile=0.9的值为54，表示90%的请求响应时间都在54ms以下。但是，quantile=0.99的值为103，表示99%的请求响应时间在103ms以下。这就说明了一个问题，那就是极个别的请求耗费了大量时间。
通过使用表达式http_request_duration_sum / http_request_duration_count我们可以得到平均响应时间，如下图。当然，这个图的作用不大（平均数往往反映不了什么问题），不像上图那样，我们无法看出有部分请求花费了大量时间。
以上只是对数据项的最简单利用，Prometheus自带了很多函数和操作符，可以方便地对数据进行处理，具体可以参考官方文档。
Grafana
Prometheus自带的图表是非常基础的，只能用来临时查看一下数据。如果要构建强大的Dashboard，还是需要更加专业的工具才行。这个工具就是Grafana。
安装
同样是去官网下载相应的安装包。Mac用户可以再次感受到brew的优越性。brew install grafana。
启动
直接用默认配置就挺好的。在Mac上，启动指令如下。
$ grafana-server --config=/usr/local/etc/grafana/grafana.ini --homepath /usr/local/share/grafana cfg:default.paths.logs=/usr/local/var/log/grafana cfg:default.paths.data=/usr/local/var/lib/grafana cfg:default.paths.plugins=/usr/local/var/lib/grafana/plugins
Grafana默认监听在3000端口上，默认用户名和密码都是admin。
设置
输入用户名和密码以后，进入Grafana页面。第一件事是要设置数据源（Data Source），即Grafana从什么地方获取数据，选择Prometheus即可。
数据源设置好以后，接下来就是创建Dashboard了。Dashboard里面可以放置很多“组件”。比如，图表，状态值，表格，文字等等。这里我们选择Graph图表，Grafana会创建一个默认的空图表。
点击图表标题，选择Edit来编辑图表参数。最重要的参数就是Metrics标签里的Query字段，这个字段定义了我们的图表到底要展示什么数据。输入rate(http_request_count{endpoint="/test"}[10s])，就可以看到/test路径的QPS曲线了。
同理，在Query中输入http_request_duration就可以得到响应时间曲线。通过使用Prometheus提供的操作符和函数，我们可以对数据进行我们想要的任意可视化，十分灵活。
在这两个工具的配合使用下，对服务器信息的监控变得非常简单。首先，服务器定义一个HTTP接口，暴露出想要监控的数据，然后使用Prometheus收集并存储这些数据，最后在Grafana中绘制这些数据。一个完整的监控方案就诞生了。
当然，在实际系统中，还缺少了一个环节，那就是报警。监控发现问题以后，需要马上报警通知相关的维护人员。这是另外一个话题了，以后再介绍。
