高可用?Prometheus?架構(gòu)實踐中的踩坑集錦
時間：2021-12-07 14:00:16
手機看文章
掃描二維碼
隨時隨地手機看文章
[導讀]監(jiān)控系統(tǒng)的歷史悠久，是一個很成熟的方向，而Prometheus作為新生代的開源監(jiān)控系統(tǒng)，慢慢成為了云原生體系的事實標準，也證明了其設(shè)計很受歡迎。本文主要分享在Prometheus實踐中遇到的一些問題和思考，如果你對K8S監(jiān)控體系或Prometheus的設(shè)計還不太了解，可以先看下容...
-
監(jiān)控是基礎(chǔ)設(shè)施，目的是為了解決問題，不要只朝著大而全去做，尤其是不必要的指標采集，浪費人力和存儲資源（To B商業(yè)產(chǎn)品例外）。
-
需要處理的告警才發(fā)出來，發(fā)出來的告警必須得到處理。
-
簡單的架構(gòu)就是最好的架構(gòu)，業(yè)務系統(tǒng)都掛了，監(jiān)控也不能掛。Google Sre 里面也說避免使用 Magic 系統(tǒng)，例如機器學習報警閾值、自動修復之類。這一點見仁見智吧，感覺很多公司都在搞智能 AI 運維。
一、版本的選擇
Prometheus 當前最新版本為 2.16，Prometheus 還在不斷迭代，因此盡量用最新版，1.X版本就不用考慮了。
二、Prometheus 的局限
-
Prometheus 是基于 Metric 的監(jiān)控，不適用于日志（Logs）、事件(Event)、調(diào)用鏈(Tracing)。
-
Prometheus 默認是 Pull 模型，合理規(guī)劃你的網(wǎng)絡(luò)，盡量不要轉(zhuǎn)發(fā)。
-
對于集群化和水平擴展，官方和社區(qū)都沒有銀彈，需要合理選擇 Federate、Cortex、Thanos等方案。
-
監(jiān)控系統(tǒng)一般情況下可用性大于一致性，容忍部分副本數(shù)據(jù)丟失，保證查詢請求成功。這個后面說 Thanos 去重的時候會提到。
-
Prometheus 不一定保證數(shù)據(jù)準確，這里的不準確一是指 rate、histogram_quantile 等函數(shù)會做統(tǒng)計和推斷，產(chǎn)生一些反直覺的結(jié)果，這個后面會詳細展開。二來查詢范圍過長要做降采樣，勢必會造成數(shù)據(jù)精度丟失，不過這是時序數(shù)據(jù)的特點，也是不同于日志系統(tǒng)的地方。
三、K8S 集群中常用的 exporter
Prometheus 屬于 CNCF 項目，擁有完整的開源生態(tài)，與 Zabbix 這種傳統(tǒng) agent 監(jiān)控不同，它提供了豐富的 exporter 來滿足你的各種需求。你可以在這里看到官方、非官方的 exporter。如果還是沒滿足你的需求，你還可以自己編寫 exporter，簡單方便、自由開放，這是優(yōu)點。但是過于開放就會帶來選型、試錯成本。之前只需要在 zabbix agent里面幾行配置就能完成的事，現(xiàn)在你會需要很多 exporter 搭配才能完成。還要對所有 exporter 維護、監(jiān)控。尤其是升級 exporter 版本時，很痛苦。非官方exporter 還會有不少 bug。這是使用上的不足，當然也是 Prometheus 的設(shè)計原則。K8S 生態(tài)的組件都會提供/metric接口以提供自監(jiān)控，這里列下我們正在使用的：
- cadvisor: 集成在 Kubelet 中。
- kubelet: 10255為非認證端口，10250為認證端口。
- apiserver: 6443端口，關(guān)心請求數(shù)、延遲等。
- scheduler: 10251端口。
- controller-manager: 10252端口。
- etcd: 如etcd 寫入讀取延遲、存儲容量等。
- docker: 需要開啟 experimental 實驗特性，配置 metrics-addr，如容器創(chuàng)建耗時等指標。
- kube-proxy: 默認 127 暴露，10249端口。外部采集時可以修改為 0.0.0.0 監(jiān)聽，會暴露：寫入 iptables 規(guī)則的耗時等指標。
- kube-state-metrics: K8S 官方項目，采集pod、deployment等資源的元信息。
- node-exporter: Prometheus 官方項目，采集機器指標如 CPU、內(nèi)存、磁盤。
- blackbox_exporter: Prometheus 官方項目，網(wǎng)絡(luò)探測，dns、ping、http監(jiān)控
- process-exporter: 采集進程指標
- nvidia exporter: 我們有 gpu 任務，需要 gpu 數(shù)據(jù)監(jiān)控
- node-problem-detector: 即 npd，準確的說不是 exporter，但也會監(jiān)測機器狀態(tài)，上報節(jié)點異常打 taint
- 應用層 exporter: mysql、nginx、mq等，看業(yè)務需求。
四、K8S 核心組件監(jiān)控與 Grafana 面板
k8s 集群運行中需要關(guān)注核心組件的狀態(tài)、性能。如 kubelet、apiserver 等，基于上面提到的 exporter 的指標，可以在 Grafana 中繪制如下圖表：
五、采集組件 All IN One
Prometheus 體系中 Exporter 都是獨立的，每個組件各司其職，如機器資源用 Node-Exporter，Gpu 有Nvidia Exporter等等。但是 Exporter 越多，運維壓力越大，尤其是對 Agent做資源控制、版本升級。我們嘗試對一些Exporter進行組合，方案有二：
-
通過主進程拉起N個 Exporter 進程，仍然可以跟著社區(qū)版本做更新、bug fix。
-
用Telegraf來支持各種類型的 Input，N 合 1。
六、合理選擇黃金指標
采集的指標有很多，我們應該關(guān)注哪些？Google 在“Sre Handbook”中提出了“四個黃金信號”：延遲、流量、錯誤數(shù)、飽和度。實際操作中可以使用 Use 或 Red 方法作為指導，Use 用于資源，Red 用于服務。
-
Use 方法：Utilization、Saturation、Errors。如 Cadvisor 數(shù)據(jù)
-
Red 方法：Rate、Errors、Duration。如 Apiserver 性能指標
- 在線服務：如 Web 服務、數(shù)據(jù)庫等，一般關(guān)心請求速率，延遲和錯誤率即 RED 方法
- 離線服務：如日志處理、消息隊列等，一般關(guān)注隊列數(shù)量、進行中的數(shù)量，處理速度以及發(fā)生的錯誤即 Use 方法
- 批處理任務：和離線任務很像，但是離線任務是長期運行的，批處理任務是按計劃運行的，如持續(xù)集成就是批處理任務，對應 K8S 中的 job 或 cronjob， 一般關(guān)注所花的時間、錯誤數(shù)等，因為運行周期短，很可能還沒采集到就運行結(jié)束了，所以一般使用 Pushgateway，改拉為推。
七、K8S 1.16中 Cadvisor 的指標兼容問題
在 K8S 1.16版本，Cadvisor 的指標去掉了 pod_Name 和 container_name 的 label，替換為了pod 和 container。如果你之前用這兩個 label 做查詢或者 Grafana 繪圖，需要更改下 Sql 了。因為我們一直支持多個 K8S 版本，就通過 relabel配置繼續(xù)保留了原來的**_name。metric_relabel_configs:- source_labels: [container]regex: (. )
target_label: container_name
replacement: $1
action: replace
- source_labels: [pod]
regex: (. )
target_label: pod_name
replacement: $1
action: replace 注意要用 metric_relabel_configs，不是 relabel_configs，采集后做的replace。
八、Prometheus 采集外部 K8S 集群、多集群
Prometheus 如果部署在K8S集群內(nèi)采集是很方便的，用官方給的Yaml就可以，但我們因為權(quán)限和網(wǎng)絡(luò)需要部署在集群外，二進制運行，采集多個 K8S 集群。
honor_timestamps: true
scrape_interval: 30s
scrape_timeout: 10s
metrics_path: /metrics
scheme: https
kubernetes_sd_configs:
- api_server: https://xx:6443
role: node
bearer_token_file: token/cluster.token
tls_config:
insecure_skip_verify: true
bearer_token_file: token/cluster.token
tls_config:
insecure_skip_verify: true
relabel_configs:
- separator: ;
regex: __meta_kubernetes_node_label_(. )
replacement: $1
action: labelmap
- separator: ;
regex: (.*)
target_label: __address__
replacement: xx:6443
action: replace
- source_labels: [__meta_kubernetes_node_name]
separator: ;
regex: (. )
target_label: __metrics_path__
replacement: /api/v1/nodes/${1}/proxy/metrics/cadvisor
action: replace
metric_relabel_configs:
- source_labels: [container]
separator: ;
regex: (. )
target_label: container_name
replacement: $1
action: replace
- source_labels: [pod]
separator: ;
regex: (. )
target_label: pod_name
replacement: $1
action: replace bearer_token_file 需要提前生成，這個參考官方文檔即可。記得 base64 解碼。
honor_timestamps: true
scrape_interval: 30s
scrape_timeout: 10s
metrics_path: /metrics
scheme: https
kubernetes_sd_configs:
- api_server: https://xxx:6443
role: endpoints
bearer_token_file: token/cluster.token
tls_config:
insecure_skip_verify: true
bearer_token_file: token/cluster.token
tls_config:
insecure_skip_verify: true
relabel_configs:
- source_labels: [__meta_kubernetes_service_annotation_prometheus_io_scrape]
separator: ;
regex: "true"
replacement: $1
action: keep
- source_labels: [__meta_kubernetes_service_annotation_prometheus_io_scheme]
separator: ;
regex: (https?)
target_label: __scheme__
replacement: $1
action: replace
- separator: ;
regex: (.*)
target_label: __address__
replacement: xxx:6443
action: replace
- source_labels: [__meta_kubernetes_namespace, __meta_kubernetes_endpoints_name,
__meta_kubernetes_service_annotation_prometheus_io_port]
separator: ;
regex: (. );(. );(.*)
target_label: __metrics_path__
replacement: /api/v1/namespaces/${1}/services/${2}:${3}/proxy/metrics
action: replace
- separator: ;
regex: __meta_kubernetes_service_label_(. )
replacement: $1
action: labelmap
- source_labels: [__meta_kubernetes_namespace]
separator: ;
regex: (.*)
target_label: kubernetes_namespace
replacement: $1
action: replace
- source_labels: [__meta_kubernetes_service_name]
separator: ;
regex: (.*)
target_label: kubernetes_name
replacement: $1
action: replace 對于 endpoint 類型，需要轉(zhuǎn)換__metrics_path__為/api/v1/namespaces/{1}/services/{2}:${3}/proxy/metrics，需要替換 namespace、svc 名稱端口等，這里的寫法只適合接口為/metrics的exporter，如果你的 exporter 不是/metrics接口，需要替換這個路徑?；蛘呦裎覀円粯咏y(tǒng)一約束都使用這個地址。
-
role:node 的，包括 cadvisor、 node-exporter、kubelet 的 summary、kube-proxy、docker 等指標
-
role:endpoint 的，包括 kube-state-metric 以及其他自定義 Exporter
-
普通采集：包括Etcd、Apiserver 性能指標、進程指標等。
九、GPU 指標的獲取
nvidia-smi可以查看機器上的 GPU 資源，而Cadvisor 其實暴露了Metric來表示容器使用 GPU 情況，
container_accelerator_memory_total_bytes
container_accelerator_memory_used_bytes 如果要更詳細的 GPU 數(shù)據(jù)，可以安裝dcgm exporter，不過K8S 1.13 才能支持。
十、更改 Prometheus 的顯示時區(qū)
Prometheus 為避免時區(qū)混亂，在所有組件中專門使用 Unix Time 和 Utc 進行顯示。不支持在配置文件中設(shè)置時區(qū)，也不能讀取本機 /etc/timezone 時區(qū)。其實這個限制是不影響使用的：- 如果做可視化，Grafana是可以做時區(qū)轉(zhuǎn)換的。
- 如果是調(diào)接口，拿到了數(shù)據(jù)中的時間戳，你想怎么處理都可以。
- 如果因為 Prometheus 自帶的 UI 不是本地時間，看著不舒服，2.16 版本的新版 Web UI已經(jīng)引入了Local Timezone 的選項，區(qū)別見下圖。
- 如果你仍然想改 Prometheus 代碼來適應自己的時區(qū)，可以參考這篇文章。
十一、如何采集 LB 后面的 RS 的 Metric
假如你有一個負載均衡 LB，但網(wǎng)絡(luò)上 Prometheus 只能訪問到 LB 本身，訪問不到后面的 RS，應該如何采集 RS 暴露的 Metric？
-
RS 的服務加 Sidecar Proxy，或者本機增加 Proxy 組件，保證 Prometheus 能訪問到。
-
LB 增加 /backend1 和 /backend2請求轉(zhuǎn)發(fā)到兩個單獨的后端，再由 Prometheus 訪問 LB 采集。
十二、Prometheus 大內(nèi)存問題
隨著規(guī)模變大，Prometheus 需要的 CPU 和內(nèi)存都會升高，內(nèi)存一般先達到瓶頸，這個時候要么加內(nèi)存，要么集群分片減少單機指標。這里我們先討論單機版 Prometheus 的內(nèi)存問題。
-
Prometheus 的內(nèi)存消耗主要是因為每隔2小時做一個 Block 數(shù)據(jù)落盤，落盤之前所有數(shù)據(jù)都在內(nèi)存里面，因此和采集量有關(guān)。
-
加載歷史數(shù)據(jù)時，是從磁盤到內(nèi)存的，查詢范圍越大，內(nèi)存越大。
這里面有一定的優(yōu)化空間。
-
一些不合理的查詢條件也會加大內(nèi)存，如 Group 或大范圍 Rate。
-
作者給了一個計算器，設(shè)置指標量、采集間隔之類的，計算 Prometheus 需要的理論內(nèi)存值：計算公式
-
Sample 數(shù)量超過了 200 萬，就不要單實例了，做下分片，然后通過 Victoriametrics，Thanos，Trickster 等方案合并數(shù)據(jù)。
-
評估哪些 Metric 和 Label 占用較多，去掉沒用的指標。
2.14 以上可以看 Tsdb 狀態(tài)
-
查詢時盡量避免大范圍查詢，注意時間范圍和 Step 的比例，慎用 Group。
-
如果需要關(guān)聯(lián)查詢，先想想能不能通過 Relabel 的方式給原始數(shù)據(jù)多加個 Label，一條Sql 能查出來的何必用Join，時序數(shù)據(jù)庫不是關(guān)系數(shù)據(jù)庫。
-
通過 pprof分析：
https://www.robustperception.io/optimising-prometheus-2-6-0-memory-usage-with-pprof
-
1.X 版本的內(nèi)存：
https://www.robustperception.io/how-much-ram-does-my-prometheus-need-for-ingestion
-
https://groups.google.com/forum/#!searchin/prometheus-users/memory|sort:date/prometheus-users/q4oiVGU6Bxo/uifpXVw3CwAJ
-
https://github.com/prometheus/prometheus/issues/5723
-
https://github.com/prometheus/prometheus/issues/1881
十三、Prometheus 容量規(guī)劃
容量規(guī)劃除了上邊說的內(nèi)存，還有磁盤存儲規(guī)劃，這和你的 Prometheus 的架構(gòu)方案有關(guān)。
-
如果是單機Prometheus，計算本地磁盤使用量。
-
如果是 Remote-Write，和已有的 Tsdb 共用即可。
-
如果是 Thanos 方案，本地磁盤可以忽略（2H)，計算對象存儲的大小就行。
rate(prometheus_tsdb_compaction_chunk_samples_sum[1h]){instance="0.0.0.0:8890", job="prometheus"} 1.252747585939941 如果大致估算本地磁盤大小，可以通過以下公式：
只采集需要的指標，如 match[], 或者統(tǒng)計下最常使用的指標，性能最差的指標。
以上磁盤容量并沒有把 wal 文件算進去，wal 文件(Raw Data)在 Prometheus 官方文檔中說明至少會保存3個 Write-Ahead Log Files，每一個最大為128M(實際運行發(fā)現(xiàn)數(shù)量會更多)。
十四、對 Apiserver 的性能影響
如果你的 Prometheus 使用了 kubernetes_sd_config 做服務發(fā)現(xiàn)，請求一般會經(jīng)過集群的 Apiserver，隨著規(guī)模的變大，需要評估下對 Apiserver性能的影響，尤其是Proxy失敗的時候，會導致CPU 升高。當然了，如果單K8S集群規(guī)模太大，一般都是拆分集群，不過隨時監(jiān)測下 Apiserver 的進程變化還是有必要的。
十五、Rate 的計算邏輯
Prometheus 中的 Counter 類型主要是為了 Rate 而存在的，即計算速率，單純的 Counter 計數(shù)意義不大，因為 Counter 一旦重置，總計數(shù)就沒有意義了。
下載文檔
