運維架構服務監控Open-Falcon

一、 介紹

監控系統是整個運維環節，乃至整個產品生命週期中最重要的一環，事前及時預警發現故障，事後提供翔實的資料用於追查定位問題。監控系統作為一個成熟的運維產品，業界有很多開源的實現可供選擇。當公司剛剛起步，業務規模較小，運維團隊也剛剛建立的初期，選擇一款開源的監控系統，是一個省時省力，效率最高的方案。之後，隨著業務規模的持續快速增長，監控的物件也越來越多，越來越複雜，監控系統的使用物件也從最初少數的幾個SRE，擴大為更多的DEVS，SRE。這時候，監控系統的容量和使用者的“使用效率”成了最為突出的問題。

監控系統業界有很多傑出的。我們在早期，一直在用，不過隨著業務的快速發展，以及網際網路公司特有的一些需求，現有的開源的監控系統在效能、擴充套件性、和使用者的使用效率方面，已經無法支撐了。

因此，我們在過去的一年裡，從網際網路公司的一些需求出發，從各位SRE、SA、DEVS的使用經驗和反饋出發，結合業界的一些大的網際網路公司做監控，用監控的一些思考出發，設計開發了小米的監控系統：open-falcon。

二、 特點

1、強大靈活的資料採集：自動發現，支援falcon-agent、snmp、支援使用者主動push、使用者自定義外掛支援、opentsdb data model like（timestamp、endpoint、metric、key-value tags）
2、水平擴充套件能力：支援每個週期上億次的資料採集、告警判定、歷史資料儲存和查詢
3、高效率的告警策略管理：高效的portal、支援策略模板、模板繼承和覆蓋、多種告警方式、支援callback呼叫
4、人性化的告警設定：最大告警次數、告警級別、告警恢復通知、告警暫停、不同時段不同閾值、支援維護週期
5、高效率的graph元件：單機支撐200萬metric的上報、歸檔、儲存（週期為1分鐘）
6、高效的歷史資料query元件：採用rrdtool的資料歸檔策略，秒級返回上百個metric一年的歷史資料
7、dashboard：多維度的資料展示，使用者自定義Screen
8、高可用：整個系統無核心單點，易運維，易部署，可水平擴充套件
9、開發語言： 整個系統的後端，全部golang編寫，portal和dashboard使用python編寫。

三、 架構

每臺伺服器，都有安裝falcon-agent，falcon-agent是一個golang開發的daemon程式，用於自發現的採集單機的各種資料和指標，這些指標包括不限於以下幾個方面，共計200多項指標。
CPU相關
磁碟相關
IO
Load
記憶體相關
網路相關
埠存活、程式存活
ntp offset（外掛）
某個程式資源消耗（外掛）
netstat、ss 等相關統計項採集
機器核心配置引數
只要安裝了falcon-agent的機器，就會自動開始採集各項指標，主動上報，不需要使用者在server做任何配置（這和zabbix有很大的不同），這樣做的好處，就是使用者維護方便，覆蓋率高。當然這樣做也會server端造成較大的壓力，不過open-falcon的服務端元件單機效能足夠高，同時都可以水平擴充套件，所以自動多采集足夠多的資料，反而是一件好事情，對於SRE和DEV來講，事後追查問題，不再是難題。

另外，falcon-agent提供了一個proxy-gateway，使用者可以方便的透過http介面，push資料到本機的gateway，gateway會幫忙高效率的轉發到server端。

四、 資料模型

Data Model是否強大，是否靈活，對於監控系統使用者的“使用效率”至關重要。比如以zabbix為例，上報的資料為hostname（或者ip）、metric，那麼使用者新增告警策略、管理告警策略的時候，就只能以這兩個維度進行。舉一個最常見的場景：
hostA的磁碟空間，小於5%，就告警。一般的伺服器上，都會有兩個主要的分割槽，根分割槽和home分割槽，在zabbix裡面，就得加兩條規則；如果是hadoop的機器，一般還會有十幾塊的資料盤，還得再加10多條規則，這樣就會痛苦，不幸福，不利於自動化（當然zabbix可以透過配置一些自動發現策略來搞定這個，不過比較麻煩）。

五、 資料收集

transfer，接收客戶端傳送的資料，做一些資料規整，檢查之後，轉發到多個後端系統去處理。在轉發到每個後端業務系統的時候，transfer會根據一致性hash演算法，進行資料分片，來達到後端業務系統的水平擴充套件。

transfer 提供jsonRpc介面和telnet介面兩種方式，transfer自身是無狀態的，掛掉一臺或者多臺不會有任何影響，同時transfer效能很高，每分鐘可以轉發超過500萬條資料。

transfer目前支援的業務後端，有三種，judge、graph、opentsdb。judge是我們開發的高效能告警判定元件，graph是我們開發的高效能資料儲存、歸檔、查詢元件，opentsdb是開源的時間序列資料儲存服務。可以透過transfer的配置檔案來開啟。

transfer的資料來源，一般有三種：
1、falcon-agent採集的基礎監控資料
2、falcon-agent執行使用者自定義的外掛返回的資料
3、client library：線上的業務系統，都嵌入使用了統一的perfcounter.jar，對於業務系統中每個RPC介面的qps、latency都會主動採集並上報
說明：上面這三種資料，都會先傳送給本機的proxy-gateway，再由gateway轉發給transfer。

基礎監控是指只要是個機器(或容器)就能加的監控，比如cpu mem net io disk等，這些監控採集的方式固定，不需要配置，也不需要使用者提供額外引數指定，只要agent跑起來就可以直接採集上報上去； 非基礎監控則相反，比如埠監控，你不給我埠號就不行，不然我上報所有65535個埠的監聽狀態你也用不了，這類監控需要使用者配置後才會開始採集上報的監控（包括類似於埠監控的配置觸發類監控，以及類似於mysql的外掛指令碼類監控），一般就不算基礎監控的範疇了。

六、 報警

報警判定，是由judge元件來完成。使用者在web portal來配置相關的報警策略，儲存在MySQL中。heartbeat server 會定期載入MySQL中的內容。judge也會定期和heartbeat server保持溝通，來獲取相關的報警策略。

heartbeat sever不僅僅是單純的載入MySQL中的內容，根據模板繼承、模板項覆蓋、報警動作覆蓋、模板和hostGroup繫結，計算出最終關聯到每個endpoint的告警策略，提供給judge元件來使用。

transfer轉發到judge的每條資料，都會觸發相關策略的判定，來決定是否滿足報警條件，如果滿足條件，則會傳送給alarm，alarm再以郵件、簡訊、米聊等形式通知相關使用者，也可以執行使用者預先配置好的callback地址。

使用者可以很靈活的來配置告警判定策略，比如連續n次都滿足條件、連續n次的最大值滿足條件、不同的時間段不同的閾值、如果處於維護週期內則忽略 等等。
另外也支援突升突降類的判定和告警。

七、 API

到這裡，資料已經成功的儲存在了graph裡。如何快速的讀出來呢，讀過去1小時的，過去1天的，過去一月的，過去一年的，都需要在1秒之內返回。

這些都是靠graph和API元件來實現的，transfer會將資料往graph元件轉發一份，graph收到資料以後，會以rrdtool的資料歸檔方式來儲存，同時提供查詢RPC介面。

API面向終端使用者，收到查詢請求後，會去多個graph裡面，查詢不同metric的資料，彙總後統一返回給使用者。

八、 皮膚

九、 儲存

對於監控系統來講，歷史資料的儲存和高效率查詢，永遠是個很難的問題！
資料量大：目前我們的監控系統，每個週期，大概有2000萬次資料上報（上報週期為1分鐘和5分鐘兩種，各佔50%），一天24小時裡，從來不會有業務低峰，不管是白天和黑夜，每個週期，總會有那麼多的資料要更新。

寫操作多：一般的業務系統，通常都是讀多寫少，可以方便的使用各種快取技術，再者各類資料庫，對於查詢操作的處理效率遠遠高於寫操作。而監控系統恰恰相反，寫操作遠遠高於讀。每個週期幾千萬次的更新操作，對於常用資料庫（MySQL、postgresql、mongodb）都是無法完成的。

高效率的查：我們說監控系統讀操作少，是說相對寫入來講。監控系統本身對於讀的要求很高，使用者經常會有查詢上百個meitric，在過去一天、一週、一月、一年的資料。如何在1秒內返回給使用者並繪圖，這是一個不小的挑戰。

open-falcon在這塊，投入了較大的精力。我們把資料按照用途分成兩類，一類是用來繪圖的，一類是使用者做資料探勘的。

對於繪圖的資料來講，查詢要快是關鍵，同時不能丟失資訊量。對於使用者要查詢100個metric，在過去一年裡的資料時，資料量本身就在那裡了，很難1秒之類能返回，另外就算返回了，前端也無法渲染這麼多的資料，還得采樣，造成很多無謂的消耗和浪費。我們參考rrdtool的理念，在資料每次存入的時候，會自動進行取樣、歸檔。我們的歸檔策略如下，歷史資料儲存5年。同時為了不丟失資訊量，資料歸檔的時候，會按照平均值取樣、最大值取樣、最小值取樣存三份。

作者：小紅牛
連結：