DockOne微信分享（一二四）：轻松筹监控系统实现方案

【编者的话】监控系统是服务管理最重要的组成部分之一，可以帮助开发人员更好的了解服务的运行状况，及时发现异常情况。虽然阿里提供收费的业务监控服务，但是监控有很多开源的解决方案，可以尝试自建监控系统，满足基本的监控需求，以后逐步完善优化。这样既可以更灵活的满足自身业务的监控需求，也可以为以后自建机房提供技术积累。通过以下7个方面来建设监控系统。

【3 天烧脑式 Docker 训练营 | 上海站】随着Docker技术被越来越多的人所认可，其应用的范围也越来越广泛。本次培训我们理论结合实践，从Docker应该场景、持续部署与交付、如何提升测试效率、存储、网络、监控、安全等角度进行。

1 . 日志打印

完善的日志是实现监控的基础，如何打印日志关系到之后的日志过滤、存储以及分析。除了选择合适的日志库，还要满足一些日志打印的要求：

• 日志风格：以key-value的field形式输出结构化的日志。
• 输出时机： error日志一定都需要打印，info日志结合业务需求适当打印，日志只需要在业务层关注，model和util等不需要打印。
• 输出格式：线上以json的格式打印日志，方便解析日志。线下为了方便查看，可以用自定义的format打印日志，线上和线下的日志格式通过etcd来控制。
• 输出内容： 每一条日志都要携带logid、method、host和level，并且根据不同业务场景，需要携带不同业务的标识field，例如projectType、platform、payType等。
• 用context来传递不同goroutine之间的共享信息。

2 . 日志切分

日志切分是运维层面的东西，不应该由日志库来承担日志切分的事情，因为Linux在日志切分上有很成熟的工具，不需要自己写码去重复实现。

目前对日志切分的需求只有2个：按天切分和删除切出来的多余日志。logrotate就能很好的满足这些需求，logrotate是基于cron来运行的，其脚本是/etc/cron.daily/logrotate，默认放在/etc/cron.daily下，每天执行一次。

有的时候程序异常或者请求激增会导致日志量暴增，有可能在短时间内打满整个磁盘。可以在logrotate的配置文件里加上maxsize来限制日志文件的大小，并且将logrotate的执行频率调高至每小时甚至每分钟，及时切分并删除超过rotate数量的日志，来防止异常情况下磁盘被打满的情况发生。

样例配置如下所示：

// logrotate config of sample

// rotate every day, and keep for 3 days

/var/log/sample.log {

daily

rotate 3

maxsize 1G

missingok

sharedscripts

postrotate

    # 在切分时向程序发送SIGHUP信号

    killall -SIGHUP bin_sample

endscript

}   

业务程序只需要负责监听SIGHUP信号，收到该信号时再重新打开日志文件。

3 . 日志采集

从监控系统的角度来说，日志收集有2种方式：主动采集和被动接收，两种方式各有利弊。

主动采集

优点：日志收集和业务程序分开，互不影响。

缺点：日志收集需要依赖额外的采集服务，过滤和存储可能还需要额外配置。

被动接收

优点：业务程序直接将日志发送至存储，灵活性强，存储内容可在业务代码里控制。

缺点：日志存储不稳定的话会影响业务程序的正常运行；反之，日志量大的话也会压垮日志存储。

但是在建设监控系统初期，日志存储还不是很稳定的情况下，还是用主动采集的方式比较稳妥，不影响服务稳定性为主。

Collectd功能确实很强大，它的tail插件也能满足从文件收集日志，但是tail插件配置比较复杂而且说明文档相较于Filebeat来说不是很详细。

Collectd的其他插件可以采集的数据确实很多，而且也有插件支持将数据发送到Logstash和InfluxDB，但是多数插件的功能我们用不到，而且Elastic Stack中的Beats也能够很好的收集系统参数等数据，而且跟ELK能很好的兼容。

所以在分别试用了Filebeat和Collectd这2个采集服务后，综合上述分析决定采用Filebeat来负责从日志文件中采集日志。如下所示，Filebeat的配置简单易懂：

filebeat:

spool_size: 1024                                    # 最大可以攒够 1024 条数据一起发送出去

idle_timeout: "5s"                                  # 否则每 5 秒钟也得发送一次

registry_file: "registry"                           # 文件读取位置记录文件，会放在当前工作目录下。

config_dir: "path/to/configs/contains/many/yaml"    # 如果配置过长，可以通过目录加载方式拆分配置

prospectors:                                        # 有相同配置参数的可以归类为一个 prospector

    -

        fields:

            log_source: "sample"                    # 类似 logstash 的 add_fields，此处的"log_source"用来标识该日志来源于哪个项目

        paths:

            - /var/log/system.log                   # 指明读取文件的位置

            - /var/log/wifi.log

        include_lines: ["^ERR", "^WARN"]            # 只发送包含这些字样的日志

        exclude_lines: ["^OK"]                      # 不发送包含这些字样的日志

    -

        document_type: "apache"                     # 定义写入 ES 时的 _type 值

        ignore_older: "24h"                         # 超过 24 小时没更新内容的文件不再监听。

        scan_frequency: "10s"                       # 每 10 秒钟扫描一次目录，更新通配符匹配上的文件列表

        tail_files: false                           # 是否从文件末尾开始读取

        harvester_buffer_size: 16384                # 实际读取文件时，每次读取 16384 字节

        backoff: "1s"                               # 每 1 秒检测一次文件是否有新的一行内容需要读取

        paths:

            - "/var/log/apache/*"                   # 可以使用通配符

        exclude_files: ["/var/log/apache/error.log"]

    -

        input_type: "stdin"                         # 除了 "log"，还有 "stdin"

        multiline:                                  # 多行合并

            pattern: '^[[:space:]]'

            negate: false

            match: after

output:

logstash:

hosts: ["localhost:5044"]                          # The Logstash hosts   

Filebeat 发送的日志，会包含以下字段：

• beat.hostname beat 运行的主机名
• beat.name shipper 配置段设置的 name，如果没设置，等于 beat.hostname
• @timestamp 读取到该行内容的时间
• type 通过 document_type 设定的内容
• input_type 来自 "log" 还是 "stdin"
• source 具体的文件名全路径
• offset 该行日志的起始偏移量
• message 日志内容
• fields 添加的其他固定字段都存在这个对象里面

4 . 日志过滤

Logstash 自2009年诞生经过多年发展，已经是很成熟并且流行的日志处理框架。Logstash使用管道方式进行日志的搜集处理和输出。有点类似*NIX系统的管道命令 input | filter | output，input 执行完了会执行 filter，然后执行 output。在 Logstash 中，包括了三个阶段：输入input → 处理filter（不是必须的）→ 输出output。每个阶段都由很多的插件配合工作，比如 file、elasticsearch、redis 等等。每个阶段也可以指定多种方式，比如输出既可以输出到elasticsearch中，也可以指定到stdout在控制台打印。

Codec 是 Logstash 从 1.3.0 版开始新引入的概念（Codec 来自 Coder/decoder两个单词的首字母缩写）。在此之前，Logstash 只支持纯文本形式输入，然后以过滤器处理它。但现在，我们可以在输入 期处理不同类型的数据，这全是因为有 Codec 设置。所以，这里需要纠正之前的一个概念。Logstash 不只是一个 input | filter | output 的数据流，而是一个 input | decode | filter | encode | output 的数据流！Codec 就是用来 decode、encode 事件的。Codec 的引入，使得 Logstash 可以更好更方便的与其他有自定义数据格式的运维产品共存，比如 graphite、fluent、netflow、collectd，以及使用msgpack、json、edn 等通用数据格式的其他产品等。

Logstash 提供了非常多的插件（Input plugins、Output plugins、Filter plugins、Codec plugins），可以根据需求自行组合。其中 Filter 插件 Grok 是 Logstash 最重要的插件。Grok 通过正则表达式匹配日志内容，并将日志结构化，所以理论上只要正则掌握的够娴熟，就能解析任何形式的日志，非常适合用来解析第三方服务产生的非结构化日志。但是如果是自己写的服务，就没必要将日志输出成非结构的，增加写正则的负担，所以在上述日志打印一节中才规定线上的日志输出成json形式，方便 Logstash 解析，Logstash 提供 json 的 Filter 插件。

Logstash 的配置文件默认放在 /etc/logstash/conf.d 目录下，如果需要采集多个项目的日志，每个项目的 Logstash 配置可能不一样，那就会在 conf.d 里存放多个配置文件，以每个项目命名方便管理。但是这样会带来一个问题，因为 Logstash 会将所有配置文件合并为一个，即一条日志通过input进入到Logstash后，会经过每个配置文件里的filter和output插件，造成对日志错误的处理和输出。解决方式是在Filebeat的fileds配置项里增加区分不同项目的field，如果日志路径就能区分不同项目的话也可以不用额外加field，用 Filebeat 自带的source字段就可以，然后在每个项目对应的 Logstash 配置文件里通过IF标识项目，项目各自的日志进各自的配置，互不干扰。

下列配置示例是对一个sample服务产生的json日志，通过Filebeat采集，用json的Filter插件进行解析，并将结果输出到标准输出。

input {

beats {

    port => "5044"

}

}

// The filter part of this file is commented out to indicate that it is

// optional.

filter {

if [beat] and [source] =~ "sample" {

    json {

        source => "message"

    }

    ruby {

        code => "event.set('time',(Time.parse(event.get('time')).to_f*1000000).to_i)"

    }

}

}

output {

if [beat] and [source] =~ "sample" {

    stdout { codec => rubydebug }

}

}   

5 . 日志存储

InfluxDB vs. Elasticsearch

根据 DB-ENGINES 的排名，InfluxDB和Elasticsearch在各自专攻的领域都是NO.1，InfluxDB统治Time Series DBMS，Elasticsearch制霸Search engine，关于它们的原理和使用，各自都有非常详细的文档和资料，这里就不再赘述。

在时序数据方面，InfluxDB表现强劲，Elasticsearch在主要的指标上均远落于下风：

数据写入：同时起4个进程写入8百64万条数据，Elasticsearch平均为 115,422 条/秒，InfluxDB平均 926,389 条/秒，写入速度是Elasticsearch的8倍。这种写入速度的差距随着数据量的增大保持相对一致。

磁盘存储：存储相同的8百64万条数据，使用默认配置的Elasticsearch需要2.1G，使用针对时序数据配置的Elasticsearch需要517MB，而InfluxDB只需要127MB，压缩率分别是前两者的16倍和4倍。

数据查询：在24h的数据集（8百64万条数据）里随机查询1个小时内的数据，按1分钟的时间间隔聚合，Elasticsearch和InfluxDB分别单进程执行1000次这种查询，算耗时的平均值。Elasticsearch耗时4.98ms（201次查询/秒），InfluxDB耗时1.26ms（794次查询/秒），查询速度是Elasticsearch的4倍。随着数据集的增大，查询速度之间的差距逐渐拉大，最大相差10倍之多。而且随着执行查询的进程数增加，InfluxDB的查询速度增幅显著，而且在不同数据集之间的查询速度基本一致，但是Elasticsearch增幅就不大，而且随着数据集的增大查询速度是递减的。


详细的比较说明参见：InfluxDB Markedly Outperforms Elasticsearch in Time-Series Data & Metrics Benchmark。

Elasticsearch强在全文搜索，InfluxDB擅长时序数据，所以还是具体需求具体分析。如果需要保存日志并经常查询的，Elasticsearch比较合适；如果只依赖日志做状态展示，偶尔查询，InfluxDB比较合适。

轻松筹的业务各有特点，单一选择Elasticsearch或者InfluxDB都不能很好的查询日志和指标展示，所以有必要InfluxDB和Elasticsearch共存。在 Logstash 里配置2个输出，同一条日志输出2份，一份保留全部字段输出至 Elasticsearch；另一份过滤文本性的字段保留指标性的字段，然后输出至 InfluxDB。

InfluxDB如果作为Logstash的输出，有个坑需要注意，就是Logstash的InfluxDB插件支持的时间戳精度太粗，不能精确到纳秒，会导致同一个值的时间戳在插入InfluxDB的时候出现异常。因为InfluxDB用measurement名、tag集和时间戳来唯一标识一条记录。如果插入InfluxDB的一条记录与已经存在的一条记录measurement名、tag集和时间戳都相同，那么filed会是新老两条记录的集合，相同field的值会被新记录覆盖。 解决方式有2种，一种是增加一个tag来标识新记录。另一种是手动提升时间戳的精度，提升至微秒，理论上每天可以支持86,400,000,000条不重复的日志，可以很大程度避免时间戳的重叠，配置如下所示：

// 业务日志输出时时间戳格式化到微秒：2006-01-02T15:04:05.999999Z07:00



// Logstash的filter根据时间戳转换

filter {

ruby {

    code => "event.set('time',(Time.parse(event.get('time')).to_f*1000000).to_i)"

}

}   

6 . 数据展示

Grafana vs. Kibana

比较Kibana和Grafana，Kibana在图表展示上没有Grafana美观，而且Grafana的配置更加简单灵活。既然在日志存储中决定InfluxDB和Elasticsearch共存，展示上就也需要Kibana和Grafana共同协作，Kibana从Elasticsearch中检索日志，Grafana从InfluxDB和Elasticsearch中获取展示数据。下面2张图片展示了Grafana在轻松筹业务监控上的应用：

7 . 异常报警

即使上述6个环节都建立了，如果没有报警一切都是没有意义的，因为不可能每时每刻都盯着曲线看，所以需要设置异常阈值，让监控系统定时检查，发现异常立即发送报警通知。

报警的服务有很多，但是数据展示的Grafana自带报警功能，功能也能满足我们的报警需求，而且配置简单，所以规则简单的报警可以采用Grafana的报警服务。不过Grafana的报警只支持部分数据库，分别是Graphite, Prometheus, InfluxDB 和 OpenTSDB，所以在Elasticsearch中的日志报警还需要Elastic Stack的X-Pack。

Condition

如上图所示，可以设置报警检查的频率，报警条件是最近的5分钟内指定指标的平均值是否大于70，如果这个条件为True则触发报警。这种报警条件还比较单一，像错误数在十分钟内超过几次才报警，当前订单数与昨天同一时间的订单数比较跌了超过百分之几就报警，控制报警通知发送的频率，等等，Grafana就不能满足了，针对这种报警规则我们自己实现了一个报警引擎，用来满足这些比较复杂的报警规则。

Notification

Grafana的报警通知只有在状态转换时才会触发，即报警状态的时候会发送告警通知，如果到恢复之前的一段时间里条件一直是满足报警条件的，Grafana不会一直发送通知，直到恢复的时候再发送一次恢复的通知。如果触发报警，Grafana支持4中通知方式：Email、Slack、Webhook 和 PagerDuty。其中Slack是国外的一种协作工具，类似钉钉，PagerDuty是一个收费的告警平台，所以可选的只剩下Email和Webhook了。下面简单的介绍如何配置Email和Webhook

Email

Grafana的邮件配置很简单，可以利用QQ企业邮箱的smtp服务来发送报警邮件，邮件内容是配置的报警，配置比较简单：

[smtp]

enabled = true

host = smtp.exmail.qq.com:465

user = alert@qingsongchou.com

password = ********

from_address = alert@qingsongchou.com

from_user = Grafana

Webhook

Webhook 就是在触发报警时，Grafana主动调用配置的http服务，以POST或者PUT方式传递json数据。这样就可以在我们自己开发的http服务里增加额外的通知方式，例如短信、微信甚至电话。

Reception

配置了报警通知，不接收不去看也是白搭。一方面我们尽量实现多种通知途径，比如邮件、微信和短信。另一方面需要项目负责人接到报警及时响应，查看问题。

Q&A

Q：针对Grafana不支持的报警，你们自己实现的报警引擎是直接在grafana的基础上修改的么，还是独立于Grafana呢？

A：我们用Go自己实现的一个报警引擎，独立于Grafana。

Q：Logstash 你们遇到过收集慢和丢日志的情况吗？现在你们Logstash收集日志到什么规模了？

A：我们目前的日质量大概每天2亿条，高峰时候每小时2000万条左右。Logstash运行的还可以，如果后期遇到手机慢，做简单的方式是扩机器，先解决问题，再想更好的优化策略。

Q：如果类似于Nginx、MySQL这种日志，类型增加需要解析每增加一个就要去改Logstash的grok吗？

A：针对常用的服务，grok已经提供了一些正则的pattern，例如你提到的Nginx、MySQL。目前是每增加一个就需要修改grok，后期可以实现一个UI来提高修改效率。

Q：这个lostash日志格式转换怎么学习？

A：Logstash有很完善的文档，感兴趣的话可以参考https://www.elastic.co/guide/e ... .html

Q：据说Logstash比较吃内存，fluentd作为EFK组合也经常出现，请问你们有没有做过选型呢？

A：当时选择了ELK，就没有做太多的选型了，Logstash吃内存的问题现在还不是太突出。

Q：日志的完整性怎么保证的？怎么知道没丢日志，或丢失了多少日志？

A：Filebeat和Logstash的输出插件都有一些重试的策略，但是也免不了日志丢失。日志的完整性确实和保证日志不丢也是我们目前在尝试解决的问题。

Q：请问监控系统需要考虑高可用吗？

A：肯定是要考虑高可用，当后期更多的业务依赖监控系统后，就要保证监控系统不挂，查询要快，实时监控，报警准确等。

轻松筹，一亿用户信赖的全民众筹平台！

以上内容根据2017年6月8日晚微信群分享内容整理。分享人施佳达，轻松筹GoLang高级工程师，北邮研究生，在分布式计算与舆情分析领域有深入研究，2015年滴滴出行公共平台负责滴滴出行Web APP后端研发，目前在轻松筹主要从事Feed系统架构设计以及重明鸟监控系统的建设。DockOne每周都会组织定向的技术分享，欢迎感兴趣的同学加微信：liyingjiesz，进群参与，您有想听的话题或者想分享的话题都可以给我们留言。

---