[[360999]]

本文轉(zhuǎn)載自微信公眾號(hào)「JAVA日知錄」，作者單一色調(diào) 。轉(zhuǎn)載本文請(qǐng)聯(lián)系JAVA日知錄公眾號(hào)。  

通過(guò)前面的文章我們搭建好了監(jiān)控環(huán)境并且監(jiān)控了服務(wù)器、數(shù)據(jù)庫(kù)、應(yīng)用，運(yùn)維人員可以實(shí)時(shí)了解當(dāng)前被監(jiān)控對(duì)象的運(yùn)行情況，但是他們不可能通過(guò)坐在電腦邊上盯著DashBoard來(lái)發(fā)現(xiàn)服務(wù)器或應(yīng)用異常。

這就要求我們需要一個(gè)告警功能，當(dāng)服務(wù)器或應(yīng)用指標(biāo)異常時(shí)發(fā)送告警，通過(guò)郵件或者短信的形式告訴運(yùn)維人員及時(shí)處理。

今天我們就來(lái)聊聊 基于Prometheus和Grafana的監(jiān)控平臺(tái)的異常告警功能。

告警方式Grafana

新版本的Grafana已經(jīng)提供了告警配置，直接在dashboard監(jiān)控panel中設(shè)置告警即可，但是我用過(guò)后發(fā)現(xiàn)其實(shí)并不靈活，不支持變量，而且好多下載的圖表無(wú)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(shí)現(xiàn)，配置稍顯繁瑣，但是勝在功能強(qiáng)大靈活。接下來(lái)我們就一步一步實(shí)現(xiàn)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(huì)用post形式向配置的url地址發(fā)送如下格式的參數(shù)。

{ 
"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(jìn)行告警。」

實(shí)現(xiàn)步驟

• 下載

從GitHub上下載最新版本的Alertmanager,將其上傳解壓到服務(wù)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(fā)送端口 
  smtp_from: 'xxx@163.com' 
  smtp_auth_username: 'xxx@163.com' #郵箱賬號(hào) 
  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(shí)間發(fā)送一組警報(bào)的通知 
  group_interval: 10s # 在發(fā)送新警報(bào)前的等待時(shí)間 
  repeat_interval: 1h # 發(fā)送重復(fù)警報(bào)的周期 對(duì)于email配置中，此項(xiàng)不可以設(shè)置過(guò)低，否則將會(huì)由于郵件發(fā)送太多頻繁，被smtp服務(wù)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(yàn)文件是否正確。

校驗(yàn)正確后啟動(dòng)alertmanager。nohup ./alertmanager &。(第一次啟動(dòng)可以不使用nohup靜默啟動(dòng)，方便后面查看日志)

我們只定義了一個(gè)路由，那就意味著所有由Prometheus產(chǎn)生的告警在發(fā)送到Alertmanager之后都會(huì)通過(guò)名為 email的receiver接收。實(shí)際上，對(duì)于不同級(jí)別的告警，會(huì)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(guī)則大家可以去百度進(jìn)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(guī)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(guī)則文件 service_down.yml,當(dāng)服務(wù)器下線時(shí)發(fā)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(guī)則的名稱。

expr：基于PromQL表達(dá)式告警觸發(fā)條件，用于計(jì)算是否有時(shí)間序列滿足該條件。

for：評(píng)估等待時(shí)間，可選參數(shù)。用于表示只有當(dāng)觸發(fā)條件持續(xù)一段時(shí)間后才發(fā)送告警。在等待期間新產(chǎn)生告警的狀態(tài)為PENDING，等待期后為FIRING。

labels：自定義標(biāo)簽，允許用戶指定要附加到告警上的一組附加標(biāo)簽。

annotations：用于指定一組附加信息，比如用于描述告警詳細(xì)信息的文字等，annotations的內(nèi)容在告警產(chǎn)生時(shí)會(huì)一同作為參數(shù)發(fā)送到Alertmanager。

配置完成后重啟Prometheus，訪問(wèn)Prometheus查看告警配置。

• 測(cè)試

關(guān)閉node_exporter,過(guò)2分鐘就可以收到告警郵件啦，截圖如下：Alertmanager的告警內(nèi)容支持使用模板配置，可以使用好看的模板進(jìn)行渲染，感興趣的可以試試!

The More

node exporter的一些計(jì)算語(yǔ)句

• CPU使用率(單位為percent)

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

• 內(nèi)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(nèi)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(nèi)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(nèi)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(pán)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(shí)間(單位為seconds)

time() - node_boot_time 

• server1的uptime時(shí)間(單位為seconds)

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

• 網(wǎng)絡(luò)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(wǎng)絡(luò)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(wǎng)絡(luò)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(wǎng)絡(luò)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(pán)讀取速度(單位為bytes/sec)

irate(node_disk_read_bytes_total{device=~"sd.*"}[5m])