監(jiān)控系統(tǒng)自監(jiān)控怎么做？
問題
監(jiān)控系統(tǒng)用于監(jiān)控其他的系統(tǒng)、基礎(chǔ)設(shè)施，絕對是 P0 級的服務(wù)，那監(jiān)控系統(tǒng)的自監(jiān)控應(yīng)該怎么做呢？如果自己監(jiān)控自己，有些組件掛掉了難免循環(huán)依賴，如果單獨搞一套新的監(jiān)控系統(tǒng)來監(jiān)控當(dāng)前服役的監(jiān)控系統(tǒng)，又搞得有些過于復(fù)雜。本文我們來探討一下監(jiān)控系統(tǒng)的自監(jiān)控應(yīng)該怎么做。
解決方案：自身指標(biāo)
首先，監(jiān)控系統(tǒng)自身是會暴露監(jiān)控指標(biāo)的，比如 Prometheus、VictoriaMetrics、Nightingale，都通過 /metrics 接口暴露了自身的監(jiān)控指標(biāo)，這些指標(biāo)通過監(jiān)控系統(tǒng)自身的采集機(jī)制去采集就好，相關(guān)數(shù)據(jù)的歷史趨勢圖、告警規(guī)則，也在監(jiān)控系統(tǒng)自身配置好，只要自身模塊沒有掛掉，或者沒有全部掛掉，相關(guān)數(shù)據(jù)基本都可以正常使用。
比如 Nightingale 的自身監(jiān)控指標(biāo)，可以通過 categraf 的 input.prometheus 插件來采集，即 conf/input.prometheus/prometheus.toml 的內(nèi)容如下：
[[instances]]
urls = [
"http://localhost:17000/metrics"
]localhost:17000 換成你的 Nightingale 的地址即可。然后導(dǎo)入內(nèi)置儀表盤：https://github.com/ccfos/nightingale/tree/main/integrations/n9e/dashboards，即可看到 Nightingale 自身的監(jiān)控指標(biāo)了。
解決方案：存活監(jiān)控
如果監(jiān)控系統(tǒng)同時有多個模塊故障，此時自身指標(biāo)可能都采集不到了，告警引擎可能也有故障，此時就沒法通過自身指標(biāo)來監(jiān)控了，此時就需要一個外掛的小監(jiān)控系統(tǒng)來監(jiān)控這類嚴(yán)重情況了。而且，告警通道盡量也不要復(fù)用之前的通道，因為通道可能也會故障。
我的建議是采用 catpaw + FlashDuty 來搞這個需求。FlashDuty 是外網(wǎng)的 SaaS 服務(wù)，只要公網(wǎng)出口是好的，就能提供監(jiān)控服務(wù)，而且無需我們維護(hù)，使用免費(fèi)套餐都夠用，畢竟監(jiān)控系統(tǒng)也不會經(jīng)常掛。。。
catpaw 最新版本是 v0.7.0，已經(jīng)提供了 exec（執(zhí)行腳本的插件）、filechange（文件變化監(jiān)控的插件）、http（HTTP探測的插件）、journaltail（系統(tǒng)日志異常檢測插件）、mtime（遞歸判斷文件變化的插件）、net（TCP、UDP探測的插件）、ping（PING插件）、procnum（進(jìn)程數(shù)量監(jiān)控插件）、sfilter（自定義腳本插件，相比exec插件更簡單，匹配腳本輸出） 等多個監(jiān)控插件，我們可以使用 net 插件來探測監(jiān)控系統(tǒng)的各個組件的存活情況，比如下面是 net 插件的配置樣例：
[[instances]]
targets = [
# "127.0.0.1:22",
# "localhost:6379",
# ":9090"
]
## Set timeout (default 5 seconds)
# timeout = "5s"
## Set read timeout (only used if expecting a response)
# read_timeout = "5s"
# # Concurrent requests to make per instance
# concurrency = 10
# # gather interval
# interval = "30s"
# # Optional append labels
# labels = { env="production", team="devops" }
## Protocol, must be "tcp" or "udp"
## NOTE: because the "udp" protocol does not respond to requests, it requires
## a send/expect string pair (see below).
# protocol = "tcp"
## The following options are required for UDP checks. For TCP, they are
## optional. The plugin will send the given string to the server and then
## expect to receive the given 'expect' string back.
## string sent to the server
# send = "ssh"
## expected string in answer
# expect = "ssh"
[instances.alerting]
## Enable alerting or not
enabled = true
## Same functionality as Prometheus keyword 'for'
for_duration = 0
## Minimum interval duration between notifications
repeat_interval = "5m"
## Maximum number of notifications
repeat_number = 3
## Whether notify recovery event
recovery_notification = true
## Choice: Critical, Warning, Info
default_severity = "Warning"如果目標(biāo) IP:Port 連不上了，就會報警，報警事件的具體推送策略在 [instances.alerting] 配置段配置。
如果監(jiān)控系統(tǒng)的某個模塊，不監(jiān)聽端口，沒法監(jiān)控端口存活，可以使用進(jìn)程數(shù)量監(jiān)控，即 procnum 插件，相關(guān)配置樣例如下：
[[instances]]
# # executable name (ie, pgrep <search_exec_substring>)
# search_exec_substring = ""
# # pattern as argument for pgrep (ie, pgrep -f <search_cmdline_substring>)
search_cmdline_substring = ""
# # windows service name
# search_win_service = ""
alert_if_num_lt = 1
check = "進(jìn)程存活檢測(進(jìn)程數(shù)量檢測)"
interval = "30s"
[instances.alerting]
## Enable alerting or not
enabled = true
## Same functionality as Prometheus keyword 'for'
for_duration = 0
## Minimum interval duration between notifications
repeat_interval = "5m"
## Maximum number of notifications
repeat_number = 3
## Whether notify recovery event
recovery_notification = true
## Choice: Critical, Warning, Info
default_severity = "Warning"net 和 procnum 這兩個插件配合，理論上一定可以發(fā)現(xiàn)進(jìn)程掛掉的情況，如此一來，嚴(yán)重的情況 catpaw 就可以發(fā)現(xiàn)了，不嚴(yán)重的情況，監(jiān)控系統(tǒng)自身的指標(biāo)就可以發(fā)現(xiàn)了，齊活。
