使用Prometheus实现应用监控的一些实践
延迟：服务请求的时间。
通讯量：监控当前系统的流量，用于衡量服务的容量需求。
错误：监控当前系统所有发生的错误请求，衡量当前系统错误发生的速率。
饱和度：衡量当前服务的饱和度。主要强调能影响服务状态的受限制的资源。例如，如果系统主要受内存影响，那就主要关注系统的内存状态。
反映用户体验，衡量系统核心性能。如：在线系统的时延，作业计算系统的作业完成时间等。
反映系统的吞吐量。如：请求数，发出和接收的网络包大小等。
帮助发现和定位故障和问题。如：错误计数、调用失败率等。
反映系统的饱和度和负载。如：系统占用的内存、作业队列的长度等。 除了以上常规需求，还可根据具体的问题场景，为了排除和发现以前出现过或可能出现的问题，确定相应的测量对象。比如，系统需要经常调用的一个库的接口可能耗时较长，或偶有失败，可制定Metrics以测量这个接口的时延和失败数。
线上服务系统（Online-serving systems）：需对请求做即时的响应，请求发起者会等待响应。如Web服务器。
线下计算系统（Offline processing）：请求发起者不会等待响应，请求的作业通常会耗时较长。如批处理计算框架Spark等。
批处理作业（Batch jobs）：这类应用通常为一次性的，不会一直运行，运行完成后便会结束运行。如数据分析的MapReduce作业。
线上服务系统：主要有请求、出错的数量，请求的时延等。
线下计算系统：后开始处理作业的时间，目前正在处理作业的数量，发出了多少items，作业队列的长度等。
批处理作业：后成功执行的时刻，每个主要stage的执行时间，总的耗时，处理的记录数量等。
使用的库（Libraries）：调用次数，成功数，出错数，调用的时延。
日志（Logging）：计数每一条写入的日志，从而可找到每条日志发生的频率和时间。
-
Failures：错误计数。
线程池：排队的请求数，正在使用的线程数，总线程数，耗时，正在处理的任务数等。
缓存：请求数，命中数，总时延等。
数据类型类似但资源类型、收集地点等不同
Vec内数据单位统一
不同资源对象的请求延迟
不同地域服务器的请求延迟
不同http请求错误的计数
……
resource
region
type
……
my_metric{label=a} 1 my_metric{label=b} 6 my_metric{label=total} 7
需要符合pattern: a-zA-Z*:*
应该包含一个单词作为前缀，表明这个Metric所属的域。如：
prometheus_notifications_total
process_cpu_seconds_total
ipamd_request_latency
应该包含一个单位的单位作为后缀，表明这个Metric的单位。如：
http_request_duration_seconds
node_memory_usage_bytes
http_requests_total（for a unit-less accumulating count）
逻辑上与被测量的变量含义相同。
尽量使用基本单位，如seconds，bytes。而不是Milliseconds，megabytes。
region：shenzhen/guangzhou/beijing
owner：user1/user2/user3
stage：extract/transform/load
需要知道数据的大致分布，若事先不知道可先用默认桶（{.005, .01, .025, .05, .1, .25, .5, 1, 2.5, 5, 10}）或2倍数桶（{1,2,4,8...}）观察数据分布再调整 buckets。
数据分布较密处桶间隔制定的较窄一些，分布稀疏处可制定的较宽一些。
对于多数时延数据，一般具有长尾的特性，较适宜用指数形式的桶（ExponentialBuckets）。
初始桶上界一般覆盖10%左右的数据，若不关注头部数据也可以让初始上界更大一些。
若为了更准确计算特定百分位数，如90%，可在90%的数据处加密分布桶，即减少桶的间隔。
相关文章