[root@nginx1 ~]# cat /proc/sys/fs/file-nr 1120 0 791435
已分配文件句柄的数目
已使用文件句柄的数目
文件句柄的最大数目
[root@nginx1 ~]# cat /proc/meminfo MemTotal: 8010516 kB MemFree: 3741980 kB MemAvailable: 7111824 kB Buffers: 4172 kB Cached: 3585448 kB SwapCached: 0 kB Active: 2631652 kB Inactive: 1201304 kB Active(anon): 340952 kB Inactive(anon): 59664 kB Active(file): 2290700 kB Inactive(file): 1141640 kB Unevictable: 0 kB Mlocked: 0 kB SwapTotal: 8388604 kB SwapFree: 8388604 kB Dirty: 36 kB Writeback: 0 kB AnonPages: 243168 kB Mapped: 38260 kB Shmem: 157280 kB Slab: 322824 kB SReclaimable: 243484 kB SUnreclaim: 79340 kB KernelStack: 2608 kB PageTables: 5576 kB NFS_Unstable: 0 kB Bounce: 0 kB WritebackTmp: 0 kB CommitLimit: 12393860 kB Committed_AS: 672456 kB VmallocTotal: 34359738367 kB VmallocUsed: 291144 kB VmallocChunk: 34358947836 kB HardwareCorrupted: 0 kB AnonHugePages: 184320 kB HugePages_Total: 0 HugePages_Free: 0 HugePages_Rsvd: 0 HugePages_Surp: 0 Hugepagesize: 2048 kB DirectMap4k: 204672 kB DirectMap2M: 5038080 kB DirectMap1G: 5242880 kB
1. Linux运维基础采集项
做运维,不怕出问题,怕的是出了问题,抓不到现场,两眼摸黑。所以,依靠强大的监控系统,收集尽可能多的指标,意义重大。但哪些指标才是有意义的呢,本着从实践中来的思想,各位工程师在长期摸爬滚打中总结出来的经验最有价值。
在各位运维工程师长期的工作实践中,我们总结了在系统运维过程中,经常会参考的一些指标,主要包括以下几个类别:
- CPU
- Load
- 内存
- 磁盘
- IO
- 网络相关
- 内核参数
- ss 统计输出
- 端口采集
- 核心服务的进程存活信息采集
- 关键业务进程资源消耗
- NTP offset采集
- DNS解析采集
每个类别,具体的详细指标如下,这些指标,都是open-falcon的agent组件直接支持的。falcon-agent每隔一定时间间隔(目前是60秒)会采集一次相关的指标,并汇报给server端。
2. CPU相关采集项
计算方法:通过采集/proc/stat来得到,大家可以参考sar命令的统计输出来理解。
- cpu.idle:Percentage of time that the CPU or CPUs were idle and the system did not have an outstanding disk I/O request.
- cpu.busy:与cpu.idle相对,他的值等于100减去cpu.idle。
- cpu.guest:Percentage of time spent by the CPU or CPUs to run a virtual processor.
- cpu.iowait:Percentage of time that the CPU or CPUs were idle during which the system had an outstanding disk I/O request.
- cpu.irq:Percentage of time spent by the CPU or CPUs to service hardware interrupts.
- cpu.softirq:Percentage of time spent by the CPU or CPUs to service software interrupts.
- cpu.nice:Percentage of CPU utilization that occurred while executing at the user level with nice priority.
- cpu.steal:Percentage of time spent in involuntary wait by the virtual CPU or CPUs while the hypervisor was servicing another virtual processor.
- cpu.system:Percentage of CPU utilization that occurred while executing at the system level (kernel).
- cpu.user:Percentage of CPU utilization that occurred while executing at the user level (application).
- cpu.cnt:cpu核数。
- cpu.switches:cpu上下文切换次数,计数器类型。
3. 磁盘相关采集项
计算方法:先读取/proc/mounts拿到所有挂载点,然后通过syscall.Statfs_t拿到blocks和inode的使用情况。每个metric都会附加一组tag描述,类似mount=$mount,fstype=$fstype,其中$mount是挂载点,比如/home,$fstype是文件系统,比如ext4。
- df.bytes.free:磁盘可用量,int64
- df.bytes.free.percent:磁盘可用量占总量的百分比,float64,比如32.1
- df.bytes.total:磁盘总大小,int64
- df.bytes.used:磁盘已用大小,int64
- df.bytes.used.percent:磁盘已用大小占总量的百分比,float64
- df.inodes.total:inode总数,int64
- df.inodes.free:可用inode数目,int64
- df.inodes.free.percent:可用inode占比,float64
- df.inodes.used:已用的inode数据,int64
- df.inodes.used.percent:已用inode占比,float64
4. megacli工具输出
使用 megacli 工具读取 RAID 相关信息,每个metric都会附件一组tag描述,用来标明所属PD或者 VD,PD格式为PD=Enclosure_ID:SLOT_ID,比如PD=32:0表明第一块磁盘 ,VD=0 表明第一个逻辑磁盘。
- sys.disk.lsiraid.pd.Media_Error_Count:这个及以下三个指标目前仅作为数据收集,不一定意味磁盘损坏(只是表示损坏概率变大)
- sys.disk.lsiraid.pd.Other_Error_Count
- sys.disk.lsiraid.pd.Predictive_Failure_Count
- sys.disk.lsiraid.pd.Drive_Temperature
- sys.disk.lsiraid.pd.Firmware_state:如果值不为0,则此物理磁盘出现问题
- sys.disk.lsiraid.vd.cache_policy:如果值不为0,表示此逻辑磁盘缓存策略和设置不符
- sys.disk.lsiraid.vd.state: 如果值不为0,表示此逻辑磁盘出现问题
5. SMART工具输出
使用 smartctl 工具读取磁盘 SMART 信息,目前所有指标仅作为数据收集,不一定意味磁盘损坏(只是表示概率变大),每个metric都会有一组tag描述,表明盘符,例如device=/dev/sda。
- sys.disk.smart.Reallocated_Sector_Ct
- sys.disk.smart.Spin_Retry_Count
- sys.disk.smart.Reallocated_Event_Count
- sys.disk.smart.Current_Pending_Sector
- sys.disk.smart.Offline_Uncorrectable
- sys.disk.smart.Temperature_Celsius
6. 分区读写监控
测试所有已挂载分区是否可读写,每个metric都会有一组tag描述,表示挂载点,比如mount=/home
- sys.disk.rw: 如果值不为0,表明此分区读写出现问题
7. IO相关采集项
计算方法:每秒采集一次/proc/diskstats,计算差值,都是计数器类型的。每个metric都会有一组tag描述,形如device=$device,用来表示具体的设备,比如sda1、sdb。用户可以参考iostat的帮助文档来理解具体的metric含义。
- disk.io.ios_in_progress:Number of actual I/O requests currently in flight.
- disk.io.msec_read:Total number of ms spent by all reads.
- disk.io.msec_total:Amount of time during which ios_in_progress >= 1.
- disk.io.msec_weighted_total:Measure of recent I/O completion time and backlog.
- disk.io.msec_write:Total number of ms spent by all writes.
- disk.io.read_merged:Adjacent read requests merged in a single req.
- disk.io.read_requests:Total number of reads completed successfully.
- disk.io.read_sectors:Total number of sectors read successfully.
- disk.io.write_merged:Adjacent write requests merged in a single req.
- disk.io.write_requests:total number of writes completed successfully.
- disk.io.write_sectors:total number of sectors written successfully.
- disk.io.read_bytes:单位是byte的数字
- disk.io.write_bytes:单位是byte的数字
- disk.io.avgrq_sz:下面几个值就是iostat -x 1看到的值
- disk.io.avgqu-sz
- disk.io.await
- disk.io.svctm
- disk.io.util:是个百分数,比如56.43,表示56.43%
8. 机器负载相关采集项
计算方法:读取/proc/loadavg,都是原始值类型的:
- load.1min
- load.5min
- load.15min
9. 内存相关采集项
计算方法:读取/proc/meminfo 中的内容,其中的mem.memfree是free+buffers+cached,mem.memused=mem.memtotal-mem.memfree。用户具体可以参考free命令的输出和帮助文档来理解每个metric的含义。
- mem.memtotal:内存总大小
- mem.memused:使用了多少内存
- mem.memused.percent:使用的内存占比
- mem.memfree
- mem.memfree.percent
- mem.swaptotal:swap总大小
- mem.swapused:使用了多少swap
- mem.swapused.percent:使用的swap的占比
- mem.swapfree
- mem.swapfree.percent
10. 网络相关采集项
计算方法:读取/proc/net/dev的内容,每个metric都附加有一组tag,形如iface=$iface,标明具体那个interface,比如eth0。metric中带有in的表示流入情况,out表示流出情况,total是总量in+out,支持的metric如下:
- net.if.in.bytes
- net.if.in.compressed
- net.if.in.dropped
- net.if.in.errors
- net.if.in.fifo.errs
- net.if.in.frame.errs
- net.if.in.multicast
- net.if.in.packets
- net.if.out.bytes
- net.if.out.carrier.errs
- net.if.out.collisions
- net.if.out.compressed
- net.if.out.dropped
- net.if.out.errors
- net.if.out.fifo.errs
- net.if.out.packets
- net.if.total.bytes
- net.if.total.dropped
- net.if.total.errors
- net.if.total.packets
11. 端口采集项
计算方法,通过ss -ln,来判断指定的端口是否处于listen状态。原始值类型,值要么是1:代表在监听,要么是0,代表没有在监听。每个metric都附件一组tag,形如port=$port,$port就是具体的端口。
- net.port.listen
12. 机器内核配置
- kernel.maxfiles: 读取的/proc/sys/fs/file-max
- kernel.files.allocated:读取的/proc/sys/fs/file-nr第一个Field
- kernel.files.left:值=kernel.maxfiles-kernel.files.allocated
- kernel.maxproc:读取的/proc/sys/kernel/pid_max
13. ntp采集项
使用 ntpq -pn 获取本机时间相对于 ntp 服务器的 offset。
- sys.ntp.offset: 本机偏移时间,单位为ms,值过大或者为0则表明有异常,需要报警
14. 进程监控
- proc.num:判断某个进程的数目,这里需要分两个场景,一种是根据进程的名字来判定,比如name=sshd;另外一种是根据cmdline来判定,比如Java的应用进程名可能都是java,根据第一种情况没法做区分,此时可以配置cmdline,如cmdline=./falcon_agent-c./cfg.ini
15. 进程资源监控
- process.cpu.all:进程和它的子进程使用的sys+user的cpu,单位是jiffies
- process.cpu.sys:进程和它的子进程使用的sys cpu,单位是jiffies
- process.cpu.user:进程和它的子进程使用的user cpu,单位是jiffies
- process.swap:进程和它的子进程使用的swap,单位是page
- process.fd:进程使用的文件描述符个数
- process.mem:进程占用内存,单位byte
16. ss命令输出
-
- ss.orphaned
- ss.closed
- ss.timewait
- ss.slabinfo.timewait
- ss.synrecv
- ss.estab
ss -l 显示本地打开的所有端口 ss -pl 显示每个进程具体打开的socket ss -t -a 显示所有tcp socket ss -u -a 显示所有的UDP Socekt ss -o state established '( dport = :smtp or sport = :smtp )' 显示所有已建立的SMTP连接 ss -o state established '( dport = :http or sport = :http )' 显示所有已建立的HTTP连接 ss -x src /tmp/.X11-unix/* 找出所有连接X服务器的进程 ss -s 列出当前socket详细信息: 显示sockets简要信息 列出当前已经连接,关闭,等待的tcp连接 # ss -s Total: 3519 (kernel 3691) TCP: 26557 (estab 3163, closed 23182, orphaned 194, synrecv 0, timewait 23182/0), ports 1452 Transport Total IP IPv6 * 3691 - - RAW 2 2 0 UDP 10 7 3 TCP 3375 3368 7 INET 3387 3377 10 FRAG 0 0 0 列出当前监听端口 # ss -l Recv-Q Send-Q Local Address:Port Peer Address:Port 0 10 :::5989 :::* 0 5 *:rsync *:* 0 128 :::sunrpc :::* 0 128 *:sunrpc *:* 0 511 *:http *:* 0 128 :::ssh :::* 0 128 *:ssh *:* 0 128 :::35766 :::* 0 128 127.0.0.1:ipp *:* 0 128 ::1:ipp :::* 0 100 ::1:smtp :::* 0 100 127.0.0.1:smtp *:* 0 511 *:https *:* 0 100 :::1311 :::* 0 5 *:5666 *:* 0 128 *:3044 *:*
ss列出每个进程名及其监听的端口
# ss -pl
ss列所有的tcp sockets
# ss -t -a
ss列出所有udp sockets
# ss -u -a
ss列出所有http连接中的连接
# ss -o state established '( dport = :http or sport = :http )' ·以上包含对外提供的80,以及访问外部的80 ·用以上命令完美的替代netstat获取http并发连接数,监控中常用到
ss列出处在FIN-WAIT-1状态的http、https连接
# ss -o state fin-wait-1 '( sport = :http or sport = :https )'