文章来源:爱可生云数据库
作者:张沈波
第一节:监控采集、计算和告警
第二节:告警分组、抑制、静默
告警分组
告警抑制
告警静默
收敛小结
第三节:告警延时
延时的三个参数
延时小结
总结
Prometheus+Grafana是监控告警解决方案里的后起之秀,比如大家熟悉的PMM,就是使用了这个方案;前不久罗老师在3306pi公众号上就写过完整的使用教程《构建狂拽炫酷吊的MySQL 监控平台》,所以我们在这里就不再赘述具体如何搭建使用。
今天我们聊一些Prometheus几个有意思的特性,这些特性能帮助大家更深入的了解Prometheus的一条告警是怎么触发的;本文提纲如下:
-
监控采集,计算和告警
-
告警分组,抑制和静默
-
告警延时
第一节 监控采集、计算和告警
Prometheus以scrape_interval(默认为1m)规则周期,从监控目标上收集信息。其中scrape_interval可以基于全局或基于单个metric定义;然后将监控信息持久存储在其本地存储上。
Prometheus以evaluation_interval(默认为1m)另一个独立的规则周期,对告警规则做定期计算。其中evaluation_interval只有全局值;然后更新告警状态。
其中包含三种告警状态:
-
inactive:没有触发阈值
-
pending:已触发阈值但未满足告警持续时间
-
firing:已触发阈值且满足告警持续时间
举一个例子,阈值告警的配置如下:
groups:
- name: example
rules:
- alert: mysql_uptime
expr: mysql:server_status:uptime < 30
for: 10s
labels:
level: "CRITICAL"
annotations:
detail: 数据库运行时间
-
收集到的mysql_uptime>=30,告警状态为inactive
-
收集到的mysql_uptime<30,且持续时间小于10s,告警状态为pending
-
收集到的mysql_uptime<30,且持续时间大于10s,告警状态为firing
⚠ 注意:配置中的for语法就是用来设置告警持续时间的;如果配置中不设置for或者设置为0,那么pending状态会被直接跳过。
那么怎么来计算告警阈值持续时间呢,需要回到上文的scrape_interval和evaluation_interval,假设scrape_interval为5s采集一次信息;evaluation_interval为10s;mysql_uptime告警阈值需要满足10s持续时间。
如上图所示:
-
Prometheus以5s(scrape_interval)一个采集周期采集状态;
-
然后根据采集到状态按照10s(evaluation_interval)一个计算周期,计算表达式;
-
表达式为真,告警状态切换到pending;
-
下个计算周期,表达式仍为真,且符合for持续10s,告警状态变更为active,并将告警从Prometheus发送给Altermanger;
-
下个计算周期,表达式仍为真,且符合for持续10s,持续告警给Altermanger;
-
直到某个计算周期,表达式为假,告警状态变更为inactive,发送一个resolve给Altermanger,说明此告警已解决。
第二节 告警分组、抑制、静默
第一节我们成功的把一条mysql_uptime的告警发送给了Altermanger;但是Altermanger并不是把一条从Prometheus接收到的告警简简单单的直接发送出去;直接发送出去会导致告警信息过多,运维人员会被告警淹没;所以Altermanger需要对告警做合理的收敛。
如上图,蓝色框标柱的分别为告警的接收端和发送端;这张Altermanger的架构图里,可以清晰的看到,中间还会有一系列复杂且重要的流程,等待着我们的mysql_uptime告警。
下面我们来讲Altermanger非常重要的告警收敛手段。
-
分组:group
-
抑制:inhibitor
-
静默:silencer
告警分组
告警分组的作用
-
同类告警的聚合帮助运维排查问题
-
通过告警邮件的合并,减少告警数量
举例来说:我们按照mysql的实例id对告警分组;如下图所示,告警信息会被拆分成两组。
-
mysql-A
-
mysql_cpu_high
-
mysql-B
-
mysql_uptime
-
mysql_slave_sql_thread_down
-
mysql_slave_io_thread_down
实例A分组下的告警会合并成一个告警邮件发送;
实例B分组下的告警会合并成一个告警邮件发送;
通过分组合并,能帮助运维降低告警数量,同时能有效聚合告警信息,帮助问题分析。
告警抑制
告警抑制的作用
-
消除冗余的告警
举例来说:同一台server-A的告警,如果有如下两条告警,并且配置了抑制规则。
-
mysql_uptime
-
server_uptime
最后只会收到一条server_uptime的告警。
A机器挂了,势必导致A服务器上的mysql也挂了;如配置了抑制规则,通过服务器down来抑制这台服务器上的其他告警;这样就能消除冗余的告警,帮助运维第一时间掌握最核心的告警信息。
告警静默
告警静默的作用
-
阻止发送可预期的告警
举例来说:夜间跑批时间,批量任务会导致实例A压力升高;我们配置了对实例A的静默规则。
-
mysql-A
-
qps_more_than_3000
-
tps_more_than_2000
-
thread_running_over_200
-
mysql-B
-
thread_running_over_200
最后我们只会收到一条实例B的告警。
A压力高是可预期的,周期性的告警会影响运维判断;这种场景下,运维需要聚焦处理实例B的问题即可。
收敛小结
这一节,我们mysql_uptime同学从Prometheus被出发后,进入了Altermanger的内部流程,并没有如预期的被顺利告出警来;它会先被分组,被抑制掉,被静默掉;之所以这么做,是因为我们的运维同学很忙很忙,精力非常有限;只有mysql_uptime同学证明自己是非常重要的,我们才安排它和运维同学会面。
第三节 告警延时
第二节我们提到了分组的概念,分组势必会带来延时;合理的配置延时,才能避免告警不及时的问题,同时帮助我们避免告警轰炸的问题。
我们先来看告警延时的几个重要参数:
group_by:分组参数,第二节已经介绍,比如按照[mysql-id]分组
group_wait:分组等待时间,比如:5s
group_interval:分组尝试再次发送告警的时间间隔,比如:5m
Repeat_interval: 分组内发送相同告警的时间间隔,比如:60m
延时参数主要作用在Altermanger的Dedup阶段,如图:
延时的三个参数
我们还是举例来说,假设如下:
-
配置了延时参数:
-
group_wait:5s
-
group_interval:5m
-
repeat_interval: 60m
-
有同组告警集A,如下:
-
a1
-
a2
-
a3
-
有同组告警集B,如下:
-
b1
-
b2
场景一:
-
a1先到达告警系统,此时在group_wait:5s的作用下,a1不会立刻告出来,a1等待5s,下一刻a2在5s内也触发,a1,a2会在5s后合并为一个分组,通过一个告警消息发出来;
-
a1,a2持续未解决,它们会在repeat_interval: 60m的作用下,每隔一小时发送告警消息。
场景二:
-
a1,a2持续未解决,中间又有新的同组告警a3出现,此时在group_interval:5m的作用下,由于同组的状态发生变化,a1,a2,a3会在5min中内快速的告知运维,不会被收敛60min(repeat_interval)的时间;
-
a1,a2,a3如持续无变化,它们会在repeat_interval: 60m的作用下,再次每隔一小时发送告警消息。
场景三:
-
a1,a2发生的过程中,发生了b1的告警,由于b1分组规则不在集合A中,所以b1遵循集合B的时间线;
-
b1发生后发生了b2,b1,b2按照类似集合A的延时规则收敛,但是时间线独立。
延时小结
通过三个延时参数,告警实现了分组等待的合并发送(group_wait),未解决告警的重复提醒(repeat_interval),分组变化后快速提醒(group_interval)。
总结
本文通过监控信息的周期性采集、告警公式的周期性计算、合并同类告警的分组、减少冗余告警的抑制、降低可预期告警的静默、同时配合三个延时参数,讲解了Prometheus的一条告警是怎么触发的;当然对于Prometheus,还有很多特性可以实践;如您有兴趣,欢迎联系我们,我们是爱可生。
PS:云树Umon,针对大集群监控告警做了大量的易用性的改造;一键图形化部署安装、图形化配置Prometheus,告别羞涩的yaml配置、同时提供完善的告警统计分析视图等特性,也同样欢迎大家体验~