基于Prometheus和Grafana的监控平台

640?wx_fmt=png

是时候

关注

我们一波了

通过前面几篇文章我们搭建好了监控环境并且监控了服务器、数据库、应用,运维人员可以实时了解当前被监控对象的运行情况,但是他们不可能时时坐在电脑边上盯着DashBoard,这就需要一个告警功能,当服务器或应用指标异常时发送告警,通过邮件或者短信的形式告诉运维人员及时处理。

今天我们就来聊聊 基于Prometheus和Grafana的监控平台的异常告警功能,这也是Prometheus系列的最后一篇。

告警方式

Grafana

新版本的Grafana已经提供了告警配置,直接在dashboard监控panel中设置告警即可,但是我用过后发现其实并不灵活,不支持变量,而且好多下载的图表无法使用告警,所以我们不选择使用Grafana告警,而使用Alertmanager。640?wx_fmt=jpeg

Alertmanager

相比于Grafana的图形化界面,Alertmanager需要依靠配置文件实现,配置稍显繁琐,但是胜在功能强大灵活。接下来我们就一步一步实现告警通知。

告警类型

Alertmanager告警主要使用以下两种:

  • 邮件接收器 email_config

  • Webhook接收器 webhook_config,会用post形式向配置的url地址发送如下格式的参数。

    {
     "version": "2",
     "status": "<resolved|firing>",
     "alerts": [{
             "labels":  < object > ,
             "annotations":  < object > ,
             "startsAt": "<rfc3339>",
             "endsAt": "<rfc3339>"
             }]
     }	
    
    

这次主要使用邮件的方式进行告警。

实现步骤

  • 下载

    GitHub上下载最新版本的Alertmanager,将其上传解压到服务器上。

    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' #邮箱发送端口
     smtp_from: 'xxx@163.com'
     smtp_auth_username: 'xxx@163.com' #邮箱账号
     smtp_auth_password: 'xxxxxx' #邮箱密码
     smtp_require_tls: false
    route:
     group_by: ['alertname']
     group_wait: 10s  # 最初即第一次等待多久时间发送一组警报的通知
     group_interval: 10s # 在发送新警报前的等待时间
     repeat_interval: 1h # 发送重复警报的周期 对于email配置中,此项不可以设置过低,否则将会由于邮件发送太多频繁,被smtp服务器拒绝
     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校验文件是否正确。640?wx_fmt=png

    校验正确后使用命令启动alertmanager。nohup ./alertmanager &(第一次启动可以不使用nohup静默启动,方便后面查看日志)

    上面的配置中我们只定义了一个路由,那就意味着所有由Prometheus产生的告警在发送到Alertmanager之后都会通过名为email的receiver接收。实际上,对于不同级别的告警,会有不同的处理方式,因此在route中,我们还可以定义更多的子Route。具体配置规则大家可以去百度进一步了解。

  • 配置Prometheus在Prometheus安装目录下建立rules文件夹,放置所有的告警规则文件。

    alerting:
      alertmanagers:
      - static_configs:
        - targets: ['192.168.249.131:9093']
    
     rule_files:
       - rules/*.yml	
    
    

    在rules文件夹下建立告警规则文件service_down.yml,当服务器下线时发送邮件。

    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 }}"	
    
    

    配置详解alert:告警规则的名称。expr:基于PromQL表达式告警触发条件,用于计算是否有时间序列满足该条件。for:评估等待时间,可选参数。用于表示只有当触发条件持续一段时间后才发送告警。在等待期间新产生告警的状态为PENDING,等待期后为FIRING。labels:自定义标签,允许用户指定要附加到告警上的一组附加标签。annotations:用于指定一组附加信息,比如用于描述告警详细信息的文字等,annotations的内容在告警产生时会一同作为参数发送到Alertmanager。

    配置完成后重启Prometheus,访问Prometheus查看告警配置。640?wx_fmt=jpeg

  • 测试

    关闭node_exporter,过2分钟就可以收到告警邮件啦,截图如下:640?wx_fmt=jpeg

    Alertmanager的告警内容支持使用模板配置,可以使用好看的模板进行渲染,感兴趣的可以试试!

The More

node exporter的一些指标计算语句

  • CPU使用率(单位为percent) 

    (avg by (instance) (irate(node_cpu_seconds_total{mode="idle"}[5m])) * 100)

  • 内存已使用(单位为bytes) 

    node_memory_MemTotal_bytes - node_memory_MemFree_bytes - node_memory_Cached_bytes - node_memory_Buffers_bytes - node_memory_Slab_bytes

  • 内存使用量(单位为bytes/sec) 

    node_memory_MemTotal_bytes - node_memory_MemFree_bytes - node_memory_Cached_bytes - node_memory_Buffers_bytes - node_memory_Slab_bytes

  • 内存使用率(单位为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的内存使用率(单位为percent) 

    ((node_memory_MemTotal_bytes{instance="server1"} - node_memory_MemAvailable_bytes{instance="server1"})/node_memory_MemTotal_bytes{instance="server1"}) * 100

  • server2的磁盘使用率(单位为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时间(单位为seconds) 

    time() - node_boot_time

  • server1的uptime时间(单位为seconds) 

    time() - node_boot_time_seconds{instance="server1"}

  • 网络流出量(单位为bytes/sec) 

    irate(node_network_transmit_bytes_total{device!~"lo|bond[0-9]|cbr[0-9]|veth.*"}[5m]) > 0

  • server1的网络流出量(单位为bytes/sec) 

    irate(node_network_transmit_bytes_total{instance="server1", device!~"lo|bond[0-9]|cbr[0-9]|veth.*"}[5m]) > 0

  • 网络流入量(单位为bytes/sec) 

    irate(node_network_receive_bytes_total{device!~"lo|bond[0-9]|cbr[0-9]|veth.*"}[5m]) > 0

  • server1的网络流入量(单位为bytes/sec) 

    irate(node_network_receive_bytes_total{instance="server1", device!~"lo|bond[0-9]|cbr[0-9]|veth.*"}[5m]) > 0

  • 磁盘读取速度(单位为bytes/sec) 
    irate(node_disk_read_bytes_total{device=~"sd.*"}[5m])
 
640?wx_fmt=jpeg

640?wx_fmt=jpeg

戳我留言

原文地址:https://www.cnblogs.com/hzcya1995/p/13295940.html