从 IT 中断中学到的最佳监控实践

每个运维监控工具，一般要追踪数十万个内部性能指标。学会对哪些事件进行告警以及监控确实需要花费想当长的一段时间。因为，并非所有的指标等级都是一致。因此我们需要摸索出一套简单的方法，便于管理所有指标，而且简单易学。以下为我们总结的 Datadog 的一些实践经验。

监控目标

首先我们应该了解我们为什么你要花费心力实现更好的监控? 以下三点为总结的监控目标：

1. 在客户及老板觉察之前发现问题

2. 了解系统以及应用的运行状况

3. 尽可能降低你的压力水平

指标分类

在了解目标后，应该清楚各个指标的种类。如你的监控工具追踪了哪些指标 ? 常见的指标有：CPU 使用量，内存使用量，数据库或 Web 请求。指标的种类多种多样，但是所有指标都可归入基本的两大类：工作指标以及资源指标。

工作指标

一般来说工作指标有两大类：

1. 工作指标测量系统或应用生产的有价值的事物的量。例如，数据库每秒返回的查询数量，Web 服务器每秒发送的网页数量。因为，数据库的主要功能在于返回查询结果，Web 服务器则在于为网页提供服务。

2. 应用带来的经济效益，比如收入。这种指标可以直观地追踪应用以及基础架构的可用性，便于了解其运行效率，因此更加有用。

资源指标

资源是用于生产价值所消耗的事物。因此，资源指标用于测量完成某项工作、生产某些内容所消耗的事物的量。

你若是问“数据库使用了多少 CPU ?”，这种问题往往无益于判定应用的效用。因为一般的回答是：“ 我有足够的 CPU ”，或者 “ 我的 CPU 使用量已经到达极限了 ”。

对于内存，磁盘，网页带宽等资源的提问也是如此。通常，资源指标会用于容量规划，而非可用性管理。

优化监控方案

了解了工作指标与资源指标之后，我们可以进一步讨论最佳实践方案。

1.将关键指标分为工作或资源指标

审视关键指标，尤其是那些是你真正在意的指标。再将它们归类为工作指标或资源指标。

2.仅为工作指标设置告警

分类完成之后（请务必花时间进行分类，这很重要），你需要确定为哪些指标设置告警。事实上，你应该仅为工作指标设置告警。换言之，你应该为测量系统可用程度的指标设置告警。

不过，给指示应用宕机的首要资源指标设置告警也很有益。比如，磁盘空间是一种资源指标。然而，如果磁盘空间耗尽了，整个应用就无法运转，因此，为这类指标设置告警也很重要。但是，总体而言，为资源指标设置告警的情况非常罕见。

3.仅为可操作的工作指标设置告警

针对上一条最佳实践的一点修正是：仅为可操作的工作指标设置告警。换言之，你应该为可以采取行动的工作指标设置告警。

例如，对于 Web 服务器而已，可操作的工作指标可以是每秒内无错误服务的网页数量。这之所以是可操作的工作指标，是因为如果 Web 服务器服务的网页数量为零，网站肯定不再运行，而是宕机了。这时候，你必须采取行动了。

无法操作的工作指标可以是 Web 服务器每秒服务的 404 页面数量。该指标之所以无法操作，是因为其完全取决于访客的行为。如果他们访问许多不存在的 URL，那么肯定会生成许多 404 页面。这并不是说网站性能不好，而是访客的行为超出了预期。因此，你不应该为不可操作的工作指标设置告警。

4.定期回顾检查指标与告警

第四点，也可能是最难坚持的一点，是定期地回顾并检查指标与告警。你可以一周一次，两周一次，或者一个月一次，但请一定要在繁忙的任务表中划出一些时间，与团队一起进行回顾。

回到目标

现在，让我们将这些最佳实践与前文提到的监控目标结合起来。请注意：将关键指标分类为工作指标或资源指标是一切的前提。

1. 在客户及老板觉察之前发现问题

仅为工作指标设置告警，可以避免一些无用的告警，从而达到更好的监控结果。

2. 尽可能降低你的压力水平

仅为可操作的工作指标设置告警，因为你不打算获得无法控制的告警信息。

3. 了解系统以及应用的运行状况

定期回顾并检查指标与告警，可以对系统的运行状况与性能趋势有更深刻的感知，从而方便性能调优。

通过这些最佳实践，可以增强你的监控策略。国内外有很多优秀的监控工具，如 Zabbix 、Nagios 、Datadog 、阿里云 、监控宝、腾讯云等。此外 OneAlert 是国内首个 SaaS 模式的云告警平台，集成国内外主流监控/支撑系统，实现一个平台上集中处理所有 IT 事件，提升 IT 可靠性。
本文转自 OneAPM 官方博客