概述
url监控功能需求
面向用户提供一个表单，提交要监控的url
支持GET、POST以及Header参数
支持多种匹配规则(状态码、匹配字符串、响应时间)
用户定义监控频率
和其他系统的结合有些不够方便灵活
item名称长度有限制，不能显示完整的url
无法记录请求失败时的网页内容(只告诉你匹配失败了)
多节点监控不好做
目前使用Telegraf+InfluxDB+Kapacitor的方案。influxdb支持push任意tags和fields(指标)，因此可以很方便的记录url，url归属的app，失败时的返回数据，甚至阈值匹配结果。多节点支持也比较方便，直接部署多个Telegraf节点就可以了，需要解决的就是配置文件分发的问题，即让Telegraf知道哪些配置文件是需要监控的。
整体架构图如下
监控核心
核心监控程序是Telegraf的一个url_monitor插件，根据Telegraf官方插件http_response修改而来，配置文件样例：
[global_tags]
monitor_node = "China"
部分省略...
# HTTP/HTTPS request given an address a method and a timeout
[[inputs.url_monitor]]
## App Name
app = "monitor"
## CMDB ID
cmdbid = "1701"
address = "http://www.baidu.com"
response_timeout = "5s"
method = "GET"
## Require String 正则表达式用单引号避免转义,如果需要包含单引号，请使用'''。如果字符串末尾有单引号'，需要换行
require_str = '''
baidu.com
'''
require_code = '20\d'
failed_count = 3
failed_timeout = 0.5
## Whether to follow redirects from the server (defaults to false)
follow_redirects = true
## GET params
params = '''
ak=xxx&sign=xxx
'''
## Optional HTTP Request Body
# body = '''
# {'fake':'data'}
# '''
## HTTP Request Headers (all values must be strings)
## 表格名下，直到下一个表格名或文件尾，均为当前表格的内容 所以Headers应该放在最后
# [inputs.url_monitor.headers]
# Host = "github.com"
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
[global_tags]
monitor_node="China"
部分省略...
# HTTP/HTTPS request given an address a method and a timeout
[[inputs.url_monitor]]
## App Name
app="monitor"
## CMDB ID
cmdbid="1701"
address="http://www.baidu.com"
response_timeout="5s"
method="GET"
## Require String 正则表达式用单引号避免转义,如果需要包含单引号，请使用'''。如果字符串末尾有单引号'，需要换行
require_str='''
baidu.com
'''
require_code='20\d'
failed_count=3
failed_timeout=0.5
## Whether to follow redirects from the server (defaults to false)
follow_redirects=true
## GET params
params='''
ak=xxx&sign=xxx
'''
## Optional HTTP Request Body
# body = '''
# {'fake':'data'}
# '''
## HTTP Request Headers (all values must be strings)
## 表格名下，直到下一个表格名或文件尾，均为当前表格的内容 所以Headers应该放在最后
# [inputs.url_monitor.headers]
# Host = "github.com"
Measurements & Fields:
url_monitor
response_time (float, seconds)
http_code (int) #The code received
data_match
time_match
code_match
require_code
require_str
require_time
注意三个形如 *_match 的fields，此处是直接通过url_monitor插件来检查url是否匹配 require_*定义的内容，匹配则为1，不匹配为0，这样做的目的是报警脚本方便处理。
Tags:
app
cmdbid
url
method
输出样例:
# ./telegraf -config url.conf -test
* Plugin: url_monitor, Collection 1
> url_monitor,app=monitor,cmdbid=1701,host=HADOOP-215,method=GET,url=http://www.baidu.com code_match=1i,data_match=1i,failed_threshold="3",http_code=200i,require_code="20\\d",require_str="baidu.com",require_time="0.0005",response_time=0.023157402,time_match=0i 1473150864000000000
1
2
3
# ./telegraf -config url.conf -test
*Plugin:url_monitor,Collection1
>url_monitor,app=monitor,cmdbid=1701,host=HADOOP-215,method=GET,url=http://www.baidu.com code_match=1i,data_match=1i,failed_threshold="3",http_code=200i,require_code="20\\d",require_str="baidu.com",require_time="0.0005",response_time=0.023157402,time_match=0i 1473150864000000000
生产环境使用InfluxDB存储Telegraf监控数据
多节点监控
初始化一个节点，名称为China
./init.sh China
1
2
初始化一个节点，名称为China
./init.shChina
启动Telegraf
$node为节点变量，根据不同节点，-config-directory为不同的目录
telegraf -config $rootdir/url.conf -config-directory $rootdir/$urls_dir/$node -pidfile $rootdir/telegraf.pid
1
2
$node为节点变量，根据不同节点，-config-directory为不同的目录
telegraf-config$rootdir/url.conf-config-directory$rootdir/$urls_dir/$node-pidfile$rootdir/telegraf.pid
telegraf-url-client中包含一个脚本telegraf-cron.sh，init.sh脚本会自动配置cron，该脚本会定期从Gitlab pull最新配置，并检查自己节点的配置是否有更新，如有，则reload Telegraf。
Gitlab存储监控配置
根据上一节，gitlab存储配置的时候结构：
├── telegraf-url
│ ├── China
│ ├── HongKong
│ └── UnitedStates
1
2
3
4
├──telegraf-url
│├──China
│├──HongKong
│└──UnitedStates
即以节点名称作为目录名称。
以此基础编写urlmon.py脚本，设置定时任务，监控iTop中Url类的更新，转换成Telegraf配置文件，然后提交到Gitlab。
报警
tickscript样例
var win = 3m
var origin = stream
|from()
.database('telegraf')
.retentionPolicy('default')
.measurement('url_monitor')
.groupBy('monitor_node','app','url', 'cmdbid')
|window()
.period(win)
.every(10s)
var code_match = origin
|mean('code_match')
var http_code = origin
|last('http_code')
var require_code = origin
|last('require_code')
code_match
|join(http_code, require_code)
.as('code_match', 'http_code', 'require_code')
.tolerance(5s)
|alert()
.id('HTTP_CODE:{{ index .Tags "cmdbid" }}.{{ index .Tags "url" }}')
.message('')
.crit(lambda: "code_match.mean" < 0.4)
.critReset(lambda: "code_match.mean" == 1)
.stateChangesOnly(30m)
.log('/tmp/alerts.log')
.exec('/opt/kapacitor/tools/k2zabbix.py', 'product')
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
varwin=3m
varorigin=stream
|from()
.database('telegraf')
.retentionPolicy('default')
.measurement('url_monitor')
.groupBy('monitor_node','app','url','cmdbid')
|window()
.period(win)
.every(10s)
varcode_match=origin
|mean('code_match')
varhttp_code=origin
|last('http_code')
varrequire_code=origin
|last('require_code')
code_match
|join(http_code,require_code)
.as('code_match','http_code','require_code')
.tolerance(5s)
|alert()
.id('HTTP_CODE:{{ index .Tags "cmdbid" }}.{{ index .Tags "url" }}')
.message('')
.crit(lambda:"code_match.mean"<0.4)
.critReset(lambda:"code_match.mean"==1)
.stateChangesOnly(30m)
.log('/tmp/alerts.log')
.exec('/opt/kapacitor/tools/k2zabbix.py','product')
由第一小节(监控核心)可知，每个url都有一个叫app的tag，app的联系人存储在CMDB中，zabbix-alert是针对zabbix写的一个报警脚本，支持通过特定字段从CMDB取联系人，以及简单的报警合并。k2zabbix.py将Kapacitor产生的报警转换成zabbix-alert能够处理的格式，zabbix-alert通过app标签来确定报警该发给谁，并且会合并某段时间(比如1分钟内)某app所有报警的url，防止报警风暴。
Alerta展示报警
|alert()
部分省略...
.alerta()
.resource('{{ index .Tags "cmdbid" }}.{{ index .Tags "monitor_node" }}:{{ index .Tags "app" }}')
.event('状态码异常: {{ index .Tags "url" }}')
.environment('Production')
.group('{{ index .Tags "cmdbid" }}.{{ index .Tags "monitor_node" }}:{{ index .Tags "app" }}')
.value('{{ index .Fields "http_code.last" }}')
1
2
3
4
5
6
7
8
|alert()
部分省略...
.alerta()
.resource('{{ index .Tags "cmdbid" }}.{{ index .Tags "monitor_node" }}:{{ index .Tags "app" }}')
.event('状态码异常: {{ index .Tags "url" }}')
.environment('Production')
.group('{{ index .Tags "cmdbid" }}.{{ index .Tags "monitor_node" }}:{{ index .Tags "app" }}')
.value('{{ index .Fields "http_code.last" }}')
用户界面
在iTop中定义了一个Url类作为用户操作url监控界面，并做了权限限定，用户能对自己名下app的url做增、删(下线)、改、上线、暂停监控操作。
展示
使用Grafana，并且在iTop的Url类中新增一个tab，将Grafana页面嵌入iTop。
#可用率统计
SELECT sum("code_match")/count("http_code") FROM "url_monitor" WHERE "app" =~ /^$app$/ AND "monitor_node" =~ /^$monit_node$/ AND "url" =~ /^$url$/ AND $timeFilter GROUP BY "app", "monitor_node"
SELECT sum("data_match")/count("http_code") FROM "url_monitor" WHERE "app" =~ /^$app$/ AND "monitor_node" =~ /^$monit_node$/ AND "url" =~ /^$url$/ AND $timeFilter GROUP BY "app", "monitor_node"
SELECT sum("time_match")/count("http_code") FROM "url_monitor" WHERE "app" =~ /^$app$/ AND "monitor_node" =~ /^$monit_node$/ AND "url" =~ /^$url$/ AND $timeFilter GROUP BY "app", "monitor_node"
# cq计算小时可用率，天可用率，周可用率
name: telegraf
--------------
name query
url_avail_h CREATE CONTINUOUS QUERY url_avail_h ON telegraf BEGIN SELECT sum(code_match) / count(http_code) AS avail_code, sum(data_match) / count(http_code) AS avail_data, sum(time_match) / count(http_code) AS avail_time INTO telegraf.trend365.url_avail_h FROM telegraf."default".url_monitor GROUP BY time(1h), monitor_node, app, url END
url_avail_d CREATE CONTINUOUS QUERY url_avail_d ON telegraf BEGIN SELECT sum(code_match) / count(http_code) AS avail_code, sum(data_match) / count(http_code) AS avail_data, sum(time_match) / count(http_code) AS avail_time INTO telegraf.trend365.url_avail_d FROM telegraf."default".url_monitor GROUP BY time(1d), monitor_node, app, url END
url_avail_w CREATE CONTINUOUS QUERY url_avail_w ON telegraf BEGIN SELECT sum(code_match) / count(http_code) AS avail_code, sum(data_match) / count(http_code) AS avail_data, sum(time_match) / count(http_code) AS avail_time INTO telegraf.trend365.url_avail_w FROM telegraf."default".url_monitor GROUP BY time(1w), monitor_node, app, url END
1
2
3
4
5
6
7
8
9
10
11
12
#可用率统计
SELECTsum("code_match")/count("http_code")FROM"url_monitor"WHERE"app"=~/^$app$/AND"monitor_node"=~/^$monit_node$/AND"url"=~/^$url$/AND$timeFilterGROUPBY"app","monitor_node"
SELECTsum("data_match")/count("http_code")FROM"url_monitor"WHERE"app"=~/^$app$/AND"monitor_node"=~/^$monit_node$/AND"url"=~/^$url$/AND$timeFilterGROUPBY"app","monitor_node"
SELECTsum("time_match")/count("http_code")FROM"url_monitor"WHERE"app"=~/^$app$/AND"monitor_node"=~/^$monit_node$/AND"url"=~/^$url$/AND$timeFilterGROUPBY"app","monitor_node"
# cq计算小时可用率，天可用率，周可用率
name:telegraf
--------------
namequery
url_avail_hCREATECONTINUOUSQUERYurl_avail_hONtelegrafBEGINSELECTsum(code_match)/count(http_code)ASavail_code,sum(data_match)/count(http_code)ASavail_data,sum(time_match)/count(http_code)ASavail_timeINTOtelegraf.trend365.url_avail_hFROMtelegraf."default".url_monitorGROUPBYtime(1h),monitor_node,app,urlEND
url_avail_dCREATECONTINUOUSQUERYurl_avail_dONtelegrafBEGINSELECTsum(code_match)/count(http_code)ASavail_code,sum(data_match)/count(http_code)ASavail_data,sum(time_match)/count(http_code)ASavail_timeINTOtelegraf.trend365.url_avail_dFROMtelegraf."default".url_monitorGROUPBYtime(1d),monitor_node,app,urlEND
url_avail_wCREATECONTINUOUSQUERYurl_avail_wONtelegrafBEGINSELECTsum(code_match)/count(http_code)ASavail_code,sum(data_match)/count(http_code)ASavail_data,sum(time_match)/count(http_code)ASavail_timeINTOtelegraf.trend365.url_avail_wFROMtelegraf."default".url_monitorGROUPBYtime(1w),monitor_node,app,urlEND
存在的问题
目前存在的问题有
Kapacitor不方便做类似 zabbix count(#3,1)这样的触发器，即连续3个点等于某个值。以滑动窗口中异常值的比例来触发报警，会因为监控频率的不同，导致失败次数的阈值也不同，比如窗口是3分钟，某些url监控频率是2分钟，那么一个窗口中只能落入一个点，这个点故障了，那窗口异常值比例就是100%，就触发报警了
节点区分还比较粗放，一个url只对应一个监控点，只能简单的区分地区，减少了异国(地区)监控因网络问题导致的误报。理想情况是一个url能选择多个监控点，这样就能分运营商做监控
节点扩容尚未考虑。目前的运行情况来看，普通4核8G虚拟机跑个几千url还是不成问题的。后续在考虑扩容问题
附录
由于此方案很杂乱，各种脚本拼凑。这里列出用到的程序及链接
博客能带货吗
186
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
