最近一直在思考如何对线上服务做深度监控。基础的服务可用性监控很简单，定期Ping即可。但是怎样才能监控服务器的一些更加关键的数据呢?比如，每一个API Point的请求次数(QPS)，最大响应时间，平均响应时间等。最终我希望实现的效果是有一个Dashboard，我可以清楚地看到各种参数曲线，对服务器的运行情况了然于胸。
绘制Dashboard不难，目前提供数据可视化的工具很多，随便选一个都能满足需要。关键问题是，怎样将整个流程打通?
服务器该以怎样的形式暴露出数据?
数据怎样被收集和存储起来?
存储起来的数据怎样提供给数据可视化工具?
怎样做到足够灵活，可以可视化自己感兴趣的任意数据?
Prometheus
像QPS和响应时间这些数据，外部工具是没办法直接拿到的，必须要服务器以某种方式将数据暴露出来。最常见的做法是写日志。比如Nginx，每一条请求对应一个日志，日志中有响应时间这个字段。通过对日志分析，我们就可以得到QPS，最大响应时间，平均响应时间等，再通过可视化工具即可绘制我们想要的Dashboard。
日志这个方法固然是可行的，但是还有更好的方法。这个方法就是时序数据库(Time Series Database)。时序数据库简单来说就是存储随时间变化的数据的数据库。什么是随时间变化的数据呢?举个简单的例子，比如，CPU使用率，典型的随时间变化的量，这一秒是50%，下一秒也许就是80%了。或者是温度，今天是20度，明天可能就是18度了。
Prometheus就是一个用Go编写的时序数据库，官网对其的优点介绍的很清楚，这里就不再赘述了。总之，使用简单，功能强大。
安装
安装直接去官网下载对应的安装包即可。当然，如果你是Mac用户的话，brew永远不会让你失望brew install prometheus。
格式
Prometheus获取数据的策略是Pull而不是Push，也就是说，它会自己去抓取，而不用你来推送。抓取使用的是HTTP协议，在配置文件中指定目标程序的端口，路径及间隔时间即可。这也就意味着任何程序想要使用Prometheus存储数据都很简单，定义一个HTTP接口即可。
Prometheus的数据格式是简单的文本格式，可以直接阅读。其中，#号开头的是注释，除此之外，每一行一个数据项，数据名在前，值在后。{}中是标签，一条数据可以有多个标签。
配置
Prometheus使用YAML进行配置。global配置一些全局信息，scrape_configs配置具体想要抓取的目标。这段配置的含义是：启动一个叫做go-test的任务，每隔五秒钟，访问localhost:8888/metrics获取数据。
测试程序
我们来写一个程序测试一下Prometheus的功能。虽然可以手动返回Prometheus需要的数据，但是使用开发好的客户端会更加方便。
这里我们使用Go语言，编写一个简单的服务器和客户端。客户端会以一个稳定的速度请求服务器的/test路径，但是每两分钟会加大流量，持续30秒再回到之前的水平。服务器95%的情况下会花费50ms进行响应，还有5%的情况下会花费100ms。
这里我们定义了两个指标，httpRequestCount记录HTTP的请求数，httpRequestDuration记录响应时间，他们都有一个endpoint标签用于记录请求路径。这两个指标分别是Counter类型和Summary类型，Prometheus定义了四种指标类型，基本涵盖了各种用例场景，具体可以去看相关文档。简单来说，Counter类型的数据表示一个只会向上增加的数据，比如请求数。而Summary类型的数据表示一个按区间分布的数据，比如响应时间或者请求体大小。
- /** @Author: CJ Ting* @Date: 2017-03-12 17:27:23* @Last Modified by: CJ Ting* @Last Modified time: 2017-03-12 23:49:55 */packagemainimport("log""math/rand""net/http""time""github.com/prometheus/client_golang/prometheus""github.com/prometheus/client_golang/prometheus/promhttp")varhttpRequestCount=prometheus.NewCounterVec(prometheus.CounterOpts{Name:"http_request_count",Help:"http request count",},[]string{"endpoint"},)varhttpRequestDuration=prometheus.NewSummaryVec(prometheus.SummaryOpts{Name:"http_request_duration",Help:"http request duration",},[]string{"endpoint"},)funcinit(){prometheus.MustRegister(httpRequestCount)prometheus.MustRegister(httpRequestDuration)}funcmain(){http.Handle("/metrics",promhttp.Handler())http.HandleFunc("/test",handler)gofunc(){http.ListenAndServe(":8888",nil)}()startClient()doneChan:=make(chanstruct{})<-doneChan}funchandler(whttp.ResponseWriter,r*http.Request){start:=time.Now()path:=r.URL.PathhttpRequestCount.WithLabelValues(path).Inc()n:=rand.Intn(100)ifn>=95{time.Sleep(100*time.Millisecond)}else{time.Sleep(50*time.Millisecond)}elapsed:=(float64)(time.Since(start)/time.Millisecond)httpRequestDuration.WithLabelValues(path).Observe(elapsed)}funcstartClient(){sleepTime:=1000gofunc(){ticker:=time.NewTicker(2*time.Minute)for{<-ticker.CsleepTime-ticker.CsleepTime=200<-time.After(30*time.Second)sleepTime=1000}}()fori:=0;i<100;i++{gofunc(){for{sendRequest()time.Sleep((time.Duration)(sleepTime)*time.Millisecond)}}()}}funcsendRequest(){resp,err:=http.Get("http://localhost:8888/test")iferr!=nil{log.Println(err)return}resp.Body.Close()}copy code
启动Prometheusprometheus -config.file config.yml以后，再启动我们的测试程序go run test.go。打开Prometheus控制台localhost:9090/targets就可以看到Prometheus正在抓取数据，一切正常。
控制台
Prometheus的一个强大之处在于可以使用各种函数和操作符来查询数据。在上面的测试程序中，每个数据都带有endpoint这个标签，表示请求的路径。
打开Prometheus的控制台http://localhost:9090/graph，点击console标签页，输入http_request_count{endpoint="/a"}就可以查询路径为/a的API Point到目前为止的总请求数。
如果想看QPS的话，可以使用自带的函数rate，rate(http_request_count[10s])表示以10s作为时间单元来统计QPS。
Prometheus的控制台自带一个简单的绘图系统，点击graph标签页，输入表达式就可以看到图表。
例如输入rate(http_request_count{endpoint="/test"}[10s])就可以看到我们测试程序中/test路径的QPS，从图中可以明显发现，每隔一段时间就会有一个波峰流量。
httpRequestDuration是一个Summary类型的指标，比简单的Counter要复杂，会生成三个数据项。分别是http_request_duration_sum，表示响应时间加在一起的总和。
http_request_duration_count，表示响应时间的总个数以及http_request_duration，表示响应时间的分布情况，这个数据项会使用quantile标签对响应时间进行分组。
如下图所示，quantile=0.5值为50，表示50%的请求响应时间都在50ms以下。quantile=0.9的值为54，表示90%的请求响应时间都在54ms以下。但是，quantile=0.99的值为103，表示99%的请求响应时间在103ms以下。这就说明了一个问题，那就是极个别的请求耗费了大量时间。
通过使用表达式http_request_duration_sum / http_request_duration_count，我们可以得到平均响应时间，如下图。
当然，这个图的作用不大(平均数往往反映不了什么问题)，不像上图那样，我们无法看出有部分请求花费了大量时间。
以上只是对数据项的最简单利用，Prometheus自带了很多函数和操作符，可以方便地对数据进行处理，具体可以参考官方文档。
Grafana
Prometheus自带的图表是非常基础的，只能用来临时查看一下数据。如果要构建强大的Dashboard，还是需要更加专业的工具才行。这个工具就是Grafana。
安装
同样是去官网下载相应的安装包。Mac用户可以再次感受到brew的优越性。brew install grafana。
启动
直接用默认配置就挺好的。在Mac上，启动指令如下。
Grafana默认监听在3000端口上，默认用户名和密码都是admin。
设置
输入用户名和密码以后，进入Grafana页面。第一件事是要设置数据源(Data Source)，即Grafana从什么地方获取数据，选择Prometheus即可。
数据源设置好以后，接下来就是创建Dashboard了。Dashboard里面可以放置很多“组件”。比如图表，状态值，表格，文字等。
这里我们选择Graph图表，Grafana会创建一个默认的空图表。
点击图表标题，选择Edit来编辑图表参数。最重要的参数就是Metrics标签里的Query字段，这个字段定义了我们的图表到底要展示什么数据。
输入rate(http_request_count{endpoint="/test"}[10s])，就可以看到/test路径的QPS曲线了。
同理，在Query中输入http_request_duration就可以得到响应时间曲线。通过使用Prometheus提供的操作符和函数，我们可以对数据进行我们想要的任意可视化，十分灵活。
在这两个工具的配合使用下，对服务器信息的监控变得非常简单。首先，服务器定义一个HTTP接口，暴露出想要监控的数据，然后使用Prometheus收集并存储这些数据，最后在Grafana中绘制这些数据。一个完整的监控方案就诞生了。
当然，在实际系统中，还缺少了一个环节，那就是报警。监控发现问题以后，需要马上报警通知相关的维护人员。这是另外一个话题了，以后再介绍。
本文作者：佚名
来源：51CTO