起始
一个好的监控系统，不仅可以实时暴露系统的各种问题，更可以根据这些监控到的状态，自动分析和定位大致的瓶颈来源，从而更精确地把问题汇报给相关团队处理。要做好监控，最核心的就是全面的、可量化的指标，这包括系统和应用两个方面。
从系统来说，监控系统要涵盖系统的整体资源使用情况，比如我们前面讲过的CPU、内存、磁盘和文件系统、网络等各种系统资源。
而从应用程序来说，监控系统要涵盖应用程序内部的运行状态，这既包括进程的CPU、磁盘I/O等整体运行状况，更需要包括诸如接口调用耗时、执行过程中的错误、内部对象的内存使用等应用程序内部的运行状况。
系统监控
USE法
在开始监控系统之前，你肯定最想知道，怎么才能用简洁的方法，来描述系统资源的使用情况。你当然可以使用专栏中学到的各种性能工具，来分别收集各种资源的使用情况。不过不要忘记，每种资源的性能指标可都有很多，使用过多指标本身耗时耗力不说，也不容易为你建立起系统整体的运行状况。
USE法把系统资源的性能指标，简化成了三个类别，即使用率、饱和度以及错误数。
使用率，表示资源用于服务的时间或容量百分比。100%的使用率，表示容量已经用尽或者全部时间都用于服务。饱和度，表示资源的繁忙程度，通常与等待队列的长度相关。100%的饱和度，表示资源无法接受更多的请求。错误数表示发生错误的事件个数。错误数越多，表明系统的问题越严重。
这三个类别的指标，涵盖了系统资源的常见性能瓶颈，所以常被用来快速定位系统资源的性能瓶颈。这样，无论是对CPU、内存、磁盘和文件系统、网络等硬件资源，还是对文件描述符数、连接数、连接跟踪数等软件资源，USE方法都可以帮你快速定位出，是哪一种系统资源出现了性能瓶颈。
性能指标
对于每一种系统资源，又有哪些常见的性能指标呢？回忆一下我们讲过的各种系统资源原理，并不难想到相关的性能指标。这里，我把常见的性能指标画了一张表格，方便你在需要时查看。
监控系统
掌握USE方法以及需要监控的性能指标后，接下来要做的，就是建立监控系统，把这些指标保存下来；然后，根据这些监控到的状态，自动分析和定位大致的瓶颈来源；再通过告警系统，把问题及时汇报给相关团队处理。
可以看出，一个完整的监控系统通常由数据采集、数据存储、数据查询和处理、告警以及可视化展示等多个模块组成。要从头搭建一个监控系统，其实也是一个很大的系统工程。
幸运的是，现在已经有很多开源的监控工具可以直接使用，比如最常见的Zabbix、Nagios、Prometheus等等。
先看数据采集模块。最左边的Prometheustargets就是数据采集的对象，而Retrieval则负责采集这些数据。从中你也可以看到，Prometheus同时支持Push和Pull两种数据采集模式。
Pull模式，由服务器端的采集模块来触发采集。只要采集目标提供了HTTP接口，就可以自由接入。
Push模式，则是由各个采集目标主动向PushGateway推送指标，再由服务器端从Gateway中拉取过去。
第二个是数据存储模块。为了保持监控数据的持久化，中的TSDB模块，负责将采集到的数据持久化到SSD等磁盘设备中。TSDB是专门为时间序列数据设计的一种数据库，特点是以时间为索引、数据量大并且以追加的方式写入。
第三个是数据查询和处理模块。刚才提到的TSDB，在存储数据的其实还提供了数据查询和基本的数据处理功能，而这也就是PromQL语言。PromQL提供了简洁的查询、过滤功能，并且支持基本的数据处理方法，是告警系统和可视化展示的基础。
第四个是告警模块。右上角的AlertManager提供了告警的功能，包括基于PromQL语言的触发条件、告警规则的配置管理以及告警的发送等。虽然告警是必要的，但过于频繁的告警显然也不可取。AlertManager还支持通过分组、抑制或者静默等多种方式来聚合同类告警，并减少告警数量。
最后总结
系统监控的核心是资源的使用情况，这既包括CPU、内存、磁盘、文件系统、网络等硬件资源，也包括文件描述符数、连接数、连接跟踪数等软件资源。而要描述这些资源瓶颈，最简单有效的方法就是USE法。
USE法把系统资源的性能指标，简化为了三个类别：使用率、饱和度以及错误数。当这三者之中任一类别的指标过高时，都代表相对应的系统资源可能存在性能瓶颈。
基于USE法建立性能指标后，我们还需要通过一套完整的监控系统，把这些指标从采集、存储、查询、处理，再到告警和可视化展示等贯穿起来。这样，不仅可以将系统资源的瓶颈快速暴露出来，还可以借助监控的历史数据，来追踪定位性能问题的根源。
应用监控
应用监控指标
跟系统监控一样，在构建应用程序的监控系统之前，首先也需要确定，到底需要监控哪些指标。特别是要清楚，有哪些指标可以用来快速确认应用程序的性能问题。
应用程序的核心指标，不再是资源的使用情况，而是请求数、错误率和响应时间。
第一个，是应用进程的资源使用情况，比如进程占用的CPU、内存、磁盘I/O、网络等。使用过多的系统资源，导致应用程序响应缓慢或者错误数升高，是一个最常见的性能问题。
第二个，是应用程序之间调用情况，比如调用频率、错误数、延时等。由于应用程序并不是孤立的，如果其依赖的其他应用出现了性能问题，应用自身性能也会受到影响。
第三个，是应用程序内部核心逻辑的运行情况，比如关键环节的耗时以及执行过程中的错误等。由于这是应用程序内部的状态，从外部通常无法直接获取到详细的性能数据。应用程序在设计和开发时，就应该把这些指标提供出来，以便监控系统可以了解其内部运行状态。
有了应用进程的资源使用指标，你就可以把系统资源的瓶颈跟应用程序关联起来，从而迅速定位因系统资源不足而导致的性能问题；
有了应用程序之间的调用指标，你可以迅速分析出一个请求处理的调用链中，到底哪个组件才是导致性能问题的罪魁祸首；
而有了应用程序内部核心逻辑的运行性能，你就可以更进一步，直接进入应用程序的内部，定位到底是哪个处理环节的函数导致了性能问题。
基于这些思路，我相信你就可以构建出，描述应用程序运行状态的性能指标。再将这些指标纳入我们上一期提到的监控系统中，就可以跟系统监控一样，一方面通过告警系统，把问题及时汇报给相关团队处理；另一方面，通过直观的形界面，动态展示应用程序的整体性能。
全链路监控
业务系统通常会涉及到一连串的多个服务，形成一个复杂的分布式调用链。为了迅速定位这类跨应用的性能瓶颈，你还可以使用Zipkin、Jaeger、Pinpoint等各类开源工具，来构建全链路跟踪系统。比如，下就是一个Jaeger调用链跟踪的示例。
全链路跟踪可以帮你迅速定位出，在一个请求处理过程中，哪个环节才是问题根源。比如，从上中，你就可以很容易看到，这是Redis超时导致的问题。
全链路跟踪除了可以帮你快速定位跨应用的性能问题外，还可以帮你生成线上系统的调用拓扑。这些直观的拓扑，在分析复杂系统时尤其有效。
日志监控
性能指标的监控，可以让你迅速定位发生瓶颈的位置，不过只有指标的话往往还不够。比如，同样的一个接口，当请求传入的参数不就可能会导致完全不同的性能问题。除了指标外，我们还需要对这些指标的上下文信息进行监控，而日志正是这些上下文的最佳来源。
对比来看，指标是特定时间段的数值型测量数据，通常以时间序列的方式处理，适合于实时监控。
而日志则完全不同，日志都是某个时间点的字符串消息，通常需要对搜索引擎进行索引后，才能进行查询和汇总分析。
对日志监控来说，最经典的方法，就是使用ELK技术栈，即使用Elasticsearch、Logstash和Kibana这三个组件的组合。
如下所示，就是一个经典的ELK架构：
Logstash负责对从各个日志源采集日志，然后进行预处理，最后再把初步处理过的日志，发送给Elasticsearch进行索引。
Elasticsearch负责对日志进行索引，并提供了一个完整的全文搜索引擎，这样就可以方便你从日志中检索需要的数据。
Kibana则负责对日志进行可视化分析，包括日志搜索、处理以及绚丽的仪表板展示等。
下面这张，就是一个Kibana仪表板的示例，它直观展示了Apache的访问概况。
值得注意的是，ELK技术栈中的Logstash资源消耗比较大。在资源紧张的环境中，我们往往使用资源消耗更低的Fluentd，来替代Logstash。
最后总结
应用程序的监控，可以分为指标监控和日志监控两大部分：
指标监控主要是对一定时间段内性能指标进行测量，然后再通过时间序列的方式，进行处理、存储和告警。
日志监控则可以提供更详细的上下文信息，通常通过ELK技术栈来进行收集、索引和形化展示。
在跨多个不同应用的复杂业务场景中，你还可以构建全链路跟踪系统。这样可以动态跟踪调用链中各个组件的性能，生成整个流程的调用拓扑，从而加快定位复杂应用的性能问题。
文章为作者独立观点，不代表 股票程序化软件自动交易接口观点
相关文章
股民评论