大数据下的技术运营（二）

WindySky 2017-09-15

展开全文

概述

监控系统是整个IT架构中的重中之重，小到故障排查、问题定位，大到业务预测、运营管理，都离不开监控系统，可以说一个稳定、健康的IT架构中必然会有一个可信赖的监控系统，而一个监控系统的基石则是一个稳定而健壮的数据采集系统。

定义采集数据

数据结构的选择

监控数据是标准的时间序列数据，传统的监控系统中，一条监控数据一般是由监控指标、时间戳和值组成，比如有10台服务器的内存使用率需要监控，一个时间周期内映射到系统中可能就是10条mem.userd.percent 时间值这种格式的数据，然后分别和对应的主机关联。

这样做的缺点是，如果某一时刻想统计某个产品线、业务系统、集群、数据中心的某些监控指标的使用情况，可能就不太好实现。所以我们需要在传统的数据结构基础上增加一个字段，用来存储我们自定义的数据标签。为此，我们调研了当前主流的时序数据库，如RRDtool、Graphite、InfluxDB、openTSDB等，其中RRDtool和Graphite 只能支能持时间维度和值维度，Cacti和Zabbix就是基于RRDtool来绘图展示的。而InfluxDB和openTSDB都能满足我们的需求：其中InfluxDB版本比较低，而且每次更新变动都比较大；而openTSDB则在企业中有大量的成功案例。所以在数据结构的定义上，我们借鉴了openTSDB的数据结构，每条数据由metric、timestamp、value、tags组成，用tags键值对来标识不同的属性。比如网卡发送数据包数目为例，其数据结构如下：

[
  {
    “metric”: “net.PacketsRecv”,
    “data_type”: “COUNTER”,
    “value”: 15729345.00,
    “time”: 1471242889,
    “cycle”: 30,
    “tags”:{ 
      “iface”=”eth0”
      }
   }
]

Metric是一个可测量的单位的标称。metric不包括一个数值或一个时间，其仅仅是一个标签，包含数值和时间的叫datapoints，metric是用逗号连接的不允许有空格，例如：cpu.idle，app.latency等。
Tags：一个metric应该描述什么东西被测量，其不应该定义的太简单。通常，更好的做法是用Tags来描述具有相同维度的metric。Tags由tagk和tagv组成，前者表示一个分组，后者表示一个特定的项
Timestamp。一个绝对时间，用来描述一个数值或者一个给定的metric是在什么时候定义的。
Value。一个Value表示一个metric的实际数值。

这样对于相同的metric数据，我们可以自由的通过tag的组合来获取我们真正需要的数据。

三种数据类型

既然有了上面的数据结构的定义，当然就会有数据类型，不同的数据可能代表的意义都不一样，OWL中采用了RRDtool中比较常用的三种数据类型，分别为GAUGE、COUNTER、DRIVER。

技术盛宴！YMFE Conf 2017大会即将开幕

基于卷积神经网络在手机端实现文档检测

阿里巴巴集团千亿级别店铺系统架构平台化技术实践

携程第四代架构之软负载 SLB 实践之路

解读百度PB级数据仓库Palo开源架构

采集系统的整体架构

架构的变化

相比于上个版本的架构，我们的数据采集系统还是发生了很大的变化，变化主要体现在服务逻辑拆分和重新规划。

服务端在上个版本中，主要负责agent端配置的维护，监控数据的接收和转存，网络设备数据的采集，端口健康状态监测等功能，当服务端需要进行维护的时候，整个监控服务相当于不可用的。另外也不利于扩展。所以在该版本中对server进行了拆分，分别为cfc、repeater、net-collect，其中cfc主要负责配置维护，repeater负责监控数据接收和转发，net-collect负责采集网络设备数据，任何一个组件都可用做到水平扩展，极大的降低了系统的风险。

模块的角色功能

agent：通过内置metric以及自定义插件方式采集主机硬件、操作系统、中间件、业务系统等数据，并通过tcp长连接异步发送到repeater。
net-collect：负责采集网络设备各项性能指标，包含各接口接收发送字节数、数据包数、错误数等等，监控数据通过tcp长连接发送到repeater中，配置和接口信息发送到cfc中。
cfc：一般部署于数据中心，直连MySQL，负责维护agent或net-collect同步过来的metric信息以及插件的同步等
cfc-proxy：一般部署于分支机构或异地机房，是agent/net-collect和cfc之间的通讯桥梁。
repeater：可任意部署，负责接收时间序列数据并转发到指定的后端，支持repeater->repeater、repeater->openTSDB、repeater->Redis等。

采集系统如何与应用系统对接

比如我们现在新开发一个应用，那么我们需要梳理我们需要关心的指标，比如系统的吞吐量、延迟、接口或url访问量等等，由于OWL不支持主动push数据，所以我们需要将这些数据通过Http REST API 方式暴露出来，然后使用OWL自带的app_collect插件来定时采集数据，API暴露的数据结构大概如下：

[
  {
    "metric": "app. latency ",
    "data_type": "GAUGE",
    "value": 1.0,
    "tags": {
            "product": "app01"        
            }
  },
  {
    "metric": "app.page_view",
    "data_type": "COUNTER",
    "value": 10324564,
    "tags": {
            "product":"app01”,
            “page”:”index.html”,
       }
    }
]

采集系统的上层应用封装

基于该系统，我们可以在上层构建报警系统，统计分析系统，报表系统等等。大家可以自由去发挥。

其中，报警服务在上个版本中是基于Python 的Celery去实现的，由于依赖众多模块，安装部署复杂，在开源过程中大部分反馈的问题都是在该模块的部署上。因此，在该版本中我们使用go语言对重构了报警服务，分为控制器和报警逻辑处理模块：其中控制器负责报警策略生成和报警结果处理；逻辑处理模块负责从控制器获取策略并去OpenTSDB读取数据进行对比，产生的结果返回给控制器处理。整体而言这是一个生产者消费者模型，理论上消费者可用无限扩展。更多报警的具体细节，会在本系列的报警文章中进行详细的介绍。