基于Prometheus和Grafana的監控平臺之運維告警
本文轉載自微信公眾號「JAVA日知錄」，作者單一色調 。轉載本文請聯系JAVA日知錄公眾號。
通過前面的文章我們搭建好了監控環境并且監控了服務器、數據庫、應用，運維人員可以實時了解當前被監控對象的運行情況，但是他們不可能通過坐在電腦邊上盯著DashBoard來發現服務器或應用異常。
這就要求我們需要一個告警功能，當服務器或應用指標異常時發送告警，通過郵件或者短信的形式告訴運維人員及時處理。
今天我們就來聊聊 基于Prometheus和Grafana的監控平臺的異常告警功能。
告警方式Grafana
新版本的Grafana已經提供了告警配置，直接在dashboard監控panel中設置告警即可，但是我用過后發現其實并不靈活，不支持變量，而且好多下載的圖表無法使用告警，所以我們不選擇使用Grafana告警，而使用Alertmanager。
Alertmanager
相比于Grafana的圖形化界面，Alertmanager需要依靠配置文件實現，配置稍顯繁瑣，但是勝在功能強大靈活。接下來我們就一步一步實現告警通知。
告警類型
Alertmanager告警主要使用以下兩種：
- 郵件接收器 email_config
- Webhook接收器 webhook_config，會用post形式向配置的url地址發送如下格式的參數。
- {
- "version": "2",
- "status": "<resolved|firing>",
- "alerts": [{
- "labels": < object > ,
- "annotations": < object > ,
- "startsAt": "<rfc3339>",
- "endsAt": "<rfc3339>"
- }]
- }
「這次主要使用郵件的方式進行告警。」
實現步驟
- 下載
從GitHub上下載最新版本的Alertmanager,將其上傳解壓到服務器上。tar -zxvf alertmanager-0.19.0.linux-amd64.tar.gz
- 配置Alertmanager
- vi alertmanager.yml
- global:
- resolve_timeout: 5m
- smtp_smarthost: 'mail.163.com:25' #郵箱發送端口
- smtp_from: 'xxx@163.com'
- smtp_auth_username: 'xxx@163.com' #郵箱賬號
- smtp_auth_password: 'xxxxxx' #郵箱密碼
- smtp_require_tls: false
- route:
- group_by: ['alertname']
- group_wait: 10s # 最初即第一次等待多久時間發送一組警報的通知
- group_interval: 10s # 在發送新警報前的等待時間
- repeat_interval: 1h # 發送重復警報的周期 對于email配置中，此項不可以設置過低，否則將會由于郵件發送太多頻繁，被smtp服務器拒絕
- receiver: 'email'
- receivers:
- - name: 'email'
- email_configs:
- - to: 'xxx@xxx.com'
修改完成后可以使用 ./amtool check-config alertmanager.yml校驗文件是否正確。
校驗正確后啟動alertmanager。nohup ./alertmanager &。(第一次啟動可以不使用nohup靜默啟動，方便后面查看日志)
我們只定義了一個路由，那就意味著所有由Prometheus產生的告警在發送到Alertmanager之后都會通過名為 email的receiver接收。實際上，對于不同級別的告警，會有不同的處理方式，因此在route中，我們還可以定義更多的子Route。具體配置規則大家可以去百度進一步了解。
配置Prometheus
- 在Prometheus安裝目錄下建立rules文件夾，放置所有的告警規則文件。
- alerting:
- alertmanagers:
- - static_configs:
- - targets: ['192.168.249.131:9093']
- rule_files:
- - rules/*.yml
在rules文件夾下建立告警規則文件 service_down.yml,當服務器下線時發送郵件。
- groups:
- - name: ServiceStatus
- rules:
- - alert: ServiceStatusAlert
- expr: up == 0
- for: 2m
- labels:
- team: node
- annotations:
- summary: "Instance {{ $labels.instance }} has bean down"
- description: "{{ $labels.instance }} of job {{ $labels.job }} has been down for more than 2 minutes."
- value: "{{ $value }}"
「配置詳解」
alert：告警規則的名稱。
expr：基于PromQL表達式告警觸發條件，用于計算是否有時間序列滿足該條件。
for：評估等待時間，可選參數。用于表示只有當觸發條件持續一段時間后才發送告警。在等待期間新產生告警的狀態為PENDING，等待期后為FIRING。
labels：自定義標簽，允許用戶指定要附加到告警上的一組附加標簽。
annotations：用于指定一組附加信息，比如用于描述告警詳細信息的文字等，annotations的內容在告警產生時會一同作為參數發送到Alertmanager。
配置完成后重啟Prometheus，訪問Prometheus查看告警配置。
- 測試
關閉node_exporter,過2分鐘就可以收到告警郵件啦，截圖如下：Alertmanager的告警內容支持使用模板配置，可以使用好看的模板進行渲染，感興趣的可以試試!
The More
node exporter的一些計算語句
- CPU使用率(單位為percent)
- (avg by (instance) (irate(node_cpu_seconds_total{mode="idle"}[5m])) * 100)
- 內存已使用(單位為bytes)
- node_memory_MemTotal_bytes - node_memory_MemFree_bytes - node_memory_Cached_bytes - node_memory_Buffers_bytes - node_memory_Slab_bytes
- 內存使用量(單位為bytes/sec)
- node_memory_MemTotal_bytes - node_memory_MemFree_bytes - node_memory_Cached_bytes - node_memory_Buffers_bytes - node_memory_Slab_bytes
- 內存使用率(單位為percent)
- ((node_memory_MemTotal_bytes - node_memory_MemFree_bytes - node_memory_Cached_bytes - node_memory_Buffers_bytes - node_memory_Slab_bytes)/node_memory_MemTotal_bytes) * 100
- server1的內存使用率(單位為percent)
- ((node_memory_MemTotal_bytes{instance="server1"} - node_memory_MemAvailable_bytes{instance="server1"})/node_memory_MemTotal_bytes{instance="server1"}) * 100
- server2的磁盤使用率(單位為percent)
- ((node_filesystem_size_bytes{fstype=~"xfs|ext4",instance="server2"} - node_filesystem_free_bytes{fstype=~"xfs|ext4",instance="server2"}) / node_filesystem_size_bytes{fstype=~"xfs|ext4",instance="server2"}) * 100
- uptime時間(單位為seconds)
- time() - node_boot_time
- server1的uptime時間(單位為seconds)
- time() - node_boot_time_seconds{instance="server1"}
- 網絡流出量(單位為bytes/sec)
- irate(node_network_transmit_bytes_total{device!~"lo|bond[0-9]|cbr[0-9]|veth.*"}[5m]) > 0
- server1的網絡流出量(單位為bytes/sec)
- irate(node_network_transmit_bytes_total{instance="server1", device!~"lo|bond[0-9]|cbr[0-9]|veth.*"}[5m]) > 0
- 網絡流入量(單位為bytes/sec)
- irate(node_network_receive_bytes_total{device!~"lo|bond[0-9]|cbr[0-9]|veth.*"}[5m]) > 0
- server1的網絡流入量(單位為bytes/sec)
- irate(node_network_receive_bytes_total{instance="server1", device!~"lo|bond[0-9]|cbr[0-9]|veth.*"}[5m]) > 0
- 磁盤讀取速度(單位為bytes/sec)
- irate(node_disk_read_bytes_total{device=~"sd.*"}[5m])
