[[318387]]

一、 導語

我們知道監(jiān)控系統(tǒng)的目標是：為保障業(yè)務 SLA，幫忙我們更全面、細致的了解業(yè)務系統(tǒng)的運行狀態(tài)，更及時的發(fā)現(xiàn)系統(tǒng)風險，同時給技術運營的同學爭取更多化解風險的時間和解決問題的方向。

為此有使用開源監(jiān)控系統(tǒng)（例如 Nagios、Zabbix、Prometheus、Grafana等），也有為了滿足自己的業(yè)務需求，會使用自己開發(fā)的監(jiān)控系統(tǒng)（例如小米的open falcon，騰訊內(nèi)部的監(jiān)控系統(tǒng) tnm2【基礎監(jiān)控】、cms【日志監(jiān)控】等）。

隨著業(yè)務系統(tǒng)對監(jiān)控系統(tǒng)的依賴，我們對監(jiān)控系統(tǒng)的高可用性、擴展性等能力都會有更高的要求，那我們應該如何來全面的、系統(tǒng)的看待和提高自身監(jiān)控系統(tǒng)的要求呢？

[[318388]]

二、 能力提升方法

如何進行全面、系統(tǒng)的進行看待監(jiān)控系統(tǒng)的要求，有很多辦法，遇到問題的時候?qū)φ找恍╉敿壒镜膬?yōu)秀監(jiān)控系統(tǒng)，找出提升點。

也可以對照由 中國信息通信研究院牽頭 及 BATJ 等各大互聯(lián)網(wǎng)巨頭參與的專家《研發(fā)運營一體化（DevOps）能力成熟度模型》中關于 “監(jiān)控管理” 能力評估內(nèi)容，根據(jù)標準的評估內(nèi)容我們可以看到 BATJ 公司是如何定義一個先進的監(jiān)控系統(tǒng)的能力，下面我們來一起看看：

三、 提升點：能力項

我們發(fā)現(xiàn)整個關于“監(jiān)控管理”的能力項分成三個能力項，分別是“監(jiān)控采集”、“數(shù)據(jù)管理” 和 “數(shù)據(jù)應用” 三個，能力項內(nèi)又包括了相關的子能力項，我摘取一些我自己覺得很有代表性的點來進行分析：

a）【能力項1：監(jiān)控采集】

1.能力點：“支持提供開放式、自定義的數(shù)據(jù)內(nèi)容采集上報方案”

疑問：為什么需要對上報方案有要求呢？

解讀：比如騰訊內(nèi)部的自研日志監(jiān)控系統(tǒng)CMS，對擁有多種采集方案“Agent、SDK、Kafka、ES等”，各種不同的采集方案應對不同的場景

Agent：類似filebeat，指定服務器的具體路徑，對文件的inode節(jié)點進行偵聽，發(fā)現(xiàn)新增立即進行上報數(shù)據(jù)；

SDK：可以嵌入到業(yè)務代碼邏輯里面，應對一些敏感數(shù)據(jù)不落地但是又需要上報的場景，可以在業(yè)務邏輯中對敏感數(shù)據(jù)進行脫敏（染色），然后再進行上報，也可以應對一些日志量太大，不想經(jīng)過日志落盤這個中間消耗性能環(huán)節(jié)的場景；

例如：金融交易場景，要對交易數(shù)據(jù)做監(jiān)控，但是又有一些敏感數(shù)據(jù)不想進入監(jiān)控系統(tǒng)，這個時候就需要使用SDK在產(chǎn)生日志的時候進行脫敏，將用戶信息隱藏掉，再上報到監(jiān)控系統(tǒng)內(nèi)部；

Kafka：可以應對一份日志多份消費者的場景，可以讓業(yè)務將日志放入Kafka后，多個消費者進行自行提取即可；

例如：還是金融交易場景，一份日志可以做安全審計，同時也可以做監(jiān)控系統(tǒng)，這時候就可以安全審計系統(tǒng)和監(jiān)控系統(tǒng)同時拉取一份Kafka的主題數(shù)據(jù)，不用打印多份；

2.能力點：“支持多種傳輸方案 ，如同時具備推與拉數(shù)據(jù)”

疑問：為什么需要具備推與拉數(shù)據(jù)呢？具備一種不可以嗎？

解讀：正常的監(jiān)控系統(tǒng)一般都是采用拉數(shù)據(jù)的方案，因為由服務器端發(fā)起，順序和過程可控，但是為什么需要拉數(shù)據(jù)呢？

原因是在幾種場景下需要這種能力：網(wǎng)絡限制，當出現(xiàn)網(wǎng)絡限制時，如安全等保中規(guī)定，高安全等級區(qū)域可以發(fā)起對低安全等級區(qū)域的鏈接，反之則不可以，所以需要從高安全等級區(qū)域推送數(shù)據(jù)至監(jiān)控服務；性能要求，如同 Zabbix 的 active模式 和 passive模式；服務特性，部分服務并么有對外提供請求接口，則需要內(nèi)部邏輯對外進行主動 Push 監(jiān)控數(shù)據(jù)。為了保證對業(yè)務系統(tǒng)和流程全面的監(jiān)控，我們需要有多種能力的滿足；

例如：某個業(yè)務中有個定時任務將離線數(shù)據(jù)統(tǒng)計并更新至數(shù)據(jù)庫，該定時任務并無任何請求訪問接口，我們?nèi)绾文鼙O(jiān)控它的運行狀態(tài)呢？可以在定時任務邏輯內(nèi)部加入一個心跳機制，定期向監(jiān)控系統(tǒng)push自身的監(jiān)控狀況，所以推的傳輸能力也是監(jiān)控必不可少的；

b）【能力項2：數(shù)據(jù)管理】

1.能力點：“具備對原始數(shù)據(jù)進行規(guī)則化處理的能力”

疑問：為什么在接收數(shù)據(jù)的時候需要有規(guī)則化的處理呢，落地之后進行規(guī)則化處理不行嗎？

解讀：基于性能高效及數(shù)據(jù)完整性的考慮，需要在接收過程具備這個能力，我們還是以騰訊自研日志監(jiān)控系統(tǒng)為例，當我們接收大量的日志Agent上報的時候，可能日志不一定是按照我們的規(guī)則進行上報，如果一旦有日志格式錯誤，會導致大量的入庫數(shù)據(jù)異常，還會導致數(shù)據(jù)污染，這個時候需要一個規(guī)則化處理的能力，將不滿足規(guī)則的數(shù)據(jù)進行清洗。同時如果大量的日志異常，落地之后進行清洗和處理將會消耗大量的算力，對于后來也是很大的壓力，所以具備這個能力是非常有必要的。

2.能力點：“對異構數(shù)據(jù)源的關聯(lián)分析處理能力”

疑問：異構數(shù)據(jù)源關聯(lián)分析處理能力具體是指什么？

解讀：異構數(shù)據(jù)源廣義上是指“數(shù)據(jù)結構、存取方式、形式不一樣的多個數(shù)據(jù)源”，我們還是以騰訊內(nèi)部的 自研日志監(jiān)控系統(tǒng)CMS 為例，當 某個服務上報日志里面有 源IP地址 和 業(yè)務關鍵數(shù)據(jù)，我們簡單排重和排序就可以知道哪個源IP地址訪問最多，但是如果我們想知道某個城市、省份、甚至是運營商（電信、移動、聯(lián)通），那就需要這個關聯(lián)分析能力，我們知道有一種數(shù)據(jù)是IP地址對應城市、省份 和 運營商（由于不斷在更新，所以需要獨立維護），通過這個數(shù)據(jù)和日志數(shù)據(jù)一關聯(lián)就可以清楚地看到我們要的結果；

3.能力點：“具備數(shù)據(jù)一致性、完整性和可用性等管理特性”

疑問：數(shù)據(jù)一致性、完整性和可用性好理解，但是管理特性是什么？

解讀：我們還是以騰訊內(nèi)部的 自研日志監(jiān)控系統(tǒng)CMS 為例，日志監(jiān)控系統(tǒng)是由用戶數(shù)據(jù)上報、數(shù)據(jù)格式化、處理、聚合（統(tǒng)計、維度分析）、入庫/投遞、寫入時序數(shù)據(jù)庫等多個環(huán)節(jié)組成，當用戶看到最終結果異常如何能快速知道哪里出了問題呢？這個就需要有相關的管理特性來實現(xiàn)了，在每個環(huán)節(jié)都增加自監(jiān)控的能力，清晰看到數(shù)據(jù)流和曲線圖，可以快速發(fā)現(xiàn)異常點；

c）【能力項3：數(shù)據(jù)應用】

1.能力點：“具備告警風暴管控的能力， 如抑制、收斂等”

疑問：告警收斂能力常用的方式都有哪些呢？

解讀：一般在告警收斂中常用的規(guī)則有“基于時間收斂”、“基于事件收斂” 和 “基于級別收斂”等，根據(jù)不同的業(yè)務需求可以有不同的收斂方式?；跁r間是最常用的，Nagios 和 Zabbix 的基礎配置?；谑录?，一般是需要有主動和被動調(diào)用關系的告警，比如Zabbix 的 trigger-Dependencies 的功能?；诩墑e的收斂更是在開源和自研的系統(tǒng)中被使用。

四、結尾

如何看待和提高監(jiān)控系統(tǒng)的能力，不管是參照開源監(jiān)控系統(tǒng)對比學習，還是從《研發(fā)運營一體化（DevOps）能力成熟度模型》中對比學習，都是一個不錯的方向，當然里面的知識點是集合了多數(shù)大牛的智慧結晶，本文只是摘取了少量的點進行解讀。